Orizzonti futuri

La resa dei conti dell’open source: come i modelli di IA liberamente disponibili ridisegnano la mappa del potere

I modelli a pesi aperti sono diventati la metà meno costosa del mercato: V4 di DeepSeek, il round di Serie D da 3 miliardi di euro di Mistral, la norma sugli H200 del gennaio 2026, la deroga per l’open source nell’AI Act dell’UE e il rischi

Gabriele Masetti · 2026-09-16

Il vantaggio competitivo scomparso

Per il primo decennio dell’era moderna dell’IA, un’ipotesi sulla distribuzione del potere nell’intelligenza artificiale è rimasta in gran parte incontestata: i sistemi più capaci richiedevano così tanti dati, così tanta potenza di calcolo e competenze così specialistiche che solo poche organizzazioni dotate di ingenti capitali potevano costruirli. OpenAI, Google DeepMind, Anthropic e poche altre godevano di quello che sembrava un vantaggio strutturale insormontabile. Nessuna comunità open source, nessun gruppo universitario e nessun governo, al di fuori di quelli più ricchi, poteva competere. Quel vantaggio sembrava permanente.

Nel gennaio 2025, un laboratorio cinese di ricerca sull’IA chiamato DeepSeek ha pubblicato un paper che descriveva un modello di ragionamento chiamato R1. Secondo il paper, R1 aveva ottenuto prestazioni paragonabili a quelle del modello o1 di OpenAI in una serie di benchmark di ragionamento ed era stato addestrato, secondo quanto riportato, con 5–6 milioni di dollari: una frazione delle centinaia di milioni costati a modelli occidentali comparabili. Ancora più importante: i pesi erano stati rilasciati con una licenza open source.

La reazione nel settore dell’IA è stata a metà tra lo shock e la revisione delle proprie convinzioni. Nel giro di pochi giorni, DeepSeek-R1 era stato scaricato milioni di volte, integrato in decine di applicazioni e sottoposto a fine-tuning da ricercatori di tutto il mondo. Le azioni di Nvidia sono scese del 17% in una sola seduta di contrattazioni: non perché R1 fosse necessariamente migliore di o1 sotto ogni aspetto, ma perché dimostrava che l’ipotesi di costi di addestramento proibitivi era sbagliata. Il vantaggio competitivo non era così solido come era sembrato.

DeepSeek-R1 non è stato un caso isolato. È stata la manifestazione più eclatante di una tendenza in atto da quando Meta ha rilasciato Llama nel 2023 e Llama 2 più tardi nello stesso anno: la progressiva riduzione del divario di prestazioni tra modelli di IA aperti e chiusi e la redistribuzione delle capacità dell’IA da pochi laboratori proprietari alla comunità di ricerca mondiale.

La resa dei conti è arrivata e si cominciano appena a comprendere le sue implicazioni per i modelli di business, la geopolitica, la sicurezza nazionale e la governance dell’IA.

L’economia dei modelli aperti e chiusi

I modelli chiusi, accessibili tramite le API fornite da OpenAI, Anthropic, Google e altri, hanno un prezzo per token: l’unità di testo elaborata dal modello. OpenAI ha ritirato GPT-4o da ChatGPT il 13 febbraio 2026; il suo modello di punta a settembre 2026, GPT-6 Astra, ha un prezzo di listino di 10 dollari per milione di token in input e 50 dollari per milione di token in output con l’elaborazione standard. DeepSeek offre V4-Pro, un modello con licenza MIT che chiunque può scaricare ed eseguire, attraverso la propria API a un prezzo compreso tra 0,66 e 1,32 dollari per milione di token in input quando i dati non sono in cache e tra 1,98 e 3,96 dollari per milione di token in output, a seconda dell’ora. Alle tariffe massime, costa circa otto volte meno per l’input e tredici volte meno per l’output, senza nemmeno considerare la possibilità di ospitare direttamente i pesi. Per le organizzazioni che elaborano volumi di testo molto elevati — automazione del servizio clienti, analisi di documenti, generazione di contenuti — questa differenza cambia radicalmente le cose.

Oltre al costo, i modelli open source offrono diversi vantaggi che le API chiuse non possono eguagliare:

Personalizzazione: un’API chiusa offre un modello fisso, a cui si possono dare prompt ma che non si può modificare in modo sostanziale. Un modello a pesi aperti può essere sottoposto a fine-tuning con dati proprietari, adattato a settori specifici e modificato a livello di architettura. Per applicazioni altamente specializzate — diagnosi medica, analisi di documenti legali, assistenza alla ricerca scientifica — questa possibilità di personalizzazione vale spesso più delle sole prestazioni nei benchmark.

Riservatezza dei dati: usare un’API chiusa richiede l’invio dei dati al server di una terza parte. Per le organizzazioni che trattano dati sensibili — cartelle cliniche, documenti legali, informazioni finanziarie, informazioni governative classificate — questo è vietato dalla legge oppure inaccettabile dal punto di vista commerciale. I modelli a pesi aperti possono essere eseguiti nei locali dell’organizzazione o in ambienti cloud privati, mantenendo i dati sotto il suo controllo.

Indipendenza: dipendere da un’API chiusa crea un vincolo con il fornitore ed espone alle sue decisioni sui prezzi, alle modifiche dei termini di servizio e a possibili fallimenti della sua attività. I modelli a pesi aperti eliminano questa dipendenza.

Verificabilità: un modello chiuso è una scatola nera: chi lo usa non può esaminare i dati di addestramento, verificare le proprietà di sicurezza né sottoporre le decisioni a verifica. Un modello a pesi aperti è quantomeno più verificabile e, se sono aperti anche il codice e i dati di addestramento — che la maggior parte dei modelli a pesi aperti ancora non mette a disposizione — è pienamente verificabile.

Un’analisi del 2024 pubblicata sulla Berkeley California Management Review stimava che la «riallocazione ottimale» dai modelli chiusi a quelli open source, se adottata pienamente in tutta l’economia, potrebbe liberare circa 25 miliardi di dollari all’anno: capitali che potrebbero essere spostati dai costi di inferenza dell’IA verso investimenti complementari nell’IA, come l’addestramento, il fine-tuning e lo sviluppo di applicazioni.

La convergenza delle prestazioni

L’economia dell’IA open source sarebbe irrilevante se i modelli aperti fossero molto meno capaci di quelli chiusi. Per gran parte del 2022 e del 2023, il divario di prestazioni era abbastanza ampio da pesare in molte applicazioni. Dalla fine del 2023, si sta riducendo a un ritmo che ha sorpreso anche gli osservatori più ottimisti.

Llama 2 di Meta (luglio 2023) era competitivo con GPT-3.5, ma nettamente inferiore a GPT-4; Llama 3 (aprile 2024) ha colmato buona parte del divario; Llama 3.1 (luglio 2024) era competitivo con GPT-4o. Llama 4 (rilasciato il 5 aprile 2025) ha eguagliato o superato i modelli chiusi su alcuni benchmark e ha ridotto notevolmente il divario su altri. È anche l’ultimo modello a portare il nome Llama. Il modello su cui si basa Meta AI dall’aprile 2026 è Muse Spark, sviluppato da Meta Superintelligence Labs, che non fa parte della linea Llama; Meta ha rilasciato Muse Spark 1.1 il 9 luglio 2026. Poi, il 10 agosto 2026, ha pubblicato Muse Glimmer, un modello agentico da 30 miliardi di parametri distillato da Muse Spark e rilasciato con licenza Apache 2.0 e una finestra di contesto di 131.072 token: il suo primo rilascio a pesi aperti dopo Llama 4, e abbastanza piccolo da funzionare su una singola GPU consumer. Mark Zuckerberg ha detto che sarebbero seguiti i pesi di Muse Spark 1.2, il più recente modello di base di Meta.

La progressione di Mistral è stata ancora più rapida: Mistral 7B (settembre 2023) ha dimostrato che modelli più piccoli, addestrati in modo più efficiente, potevano avvicinarsi a modelli chiusi molto più grandi in molte attività, e Mixtral 8x7B (dicembre 2023) ha eguagliato GPT-3.5 nella maggior parte dei benchmark, con costi di esecuzione molto inferiori.

I contributi di DeepSeek sono stati particolarmente importanti perché accompagnati da descrizioni tecniche dettagliate. DeepSeek-V3 e DeepSeek-R1 non solo hanno offerto modelli competitivi a pesi aperti, ma hanno anche descritto metodologie di addestramento — in particolare l’apprendimento per rinforzo basato su risultati verificabili e le architetture a miscela di esperti — ampiamente adottate dalla comunità di ricerca.

Entrambi sono stati nel frattempo superati dal lavoro dello stesso laboratorio: il 24 aprile 2026 DeepSeek ha rilasciato V4-Pro (1,6 bilioni di parametri totali, 49 miliardi attivi) e V4-Flash (284 miliardi / 13 miliardi) su Hugging Face con licenza MIT, con una finestra di contesto predefinita di 1 milione di token in tutti i suoi servizi e un risultato dell’80,6% su SWE-bench Verified per V4-Pro.

Anche il baricentro dei modelli a pesi aperti si è spostato verso est. I due maggiori modelli a pesi aperti del 2026 sono cinesi: V4-Pro di DeepSeek e Kimi K3 di Moonshot AI, con 2,8 bilioni di parametri totali, di cui 104 miliardi attivi, e la stessa finestra di contesto da 1 milione di token. Mistral resta il punto di riferimento europeo, mentre il ritorno di Meta ai pesi aperti è avvenuto con un modello da 30 miliardi di parametri, anziché alla frontiera. La contrapposizione del 2024 — open source occidentale contro IA proprietaria cinese — descrive quindi una mappa che non corrisponde più alla realtà.

Lo schema è costante: i modelli open source sono in ritardo di 6–18 mesi rispetto ai modelli chiusi di frontiera nella maggior parte dei benchmark, e il ritardo si sta riducendo — in alcuni ambiti è stato colmato. Un’analisi di a16z indica che i modelli aperti raggiungono all’uscita circa il 90% delle prestazioni dei modelli chiusi e in genere colmano il divario entro 6–12 mesi.

I modelli chiusi generano ancora circa il 96% dei ricavi dell’IA, il che suggerisce che la transizione commerciale sia nelle sue fasi iniziali. Ma la direzione è inequivocabile, e le aziende che costruiscono modelli di business sull’ipotesi che i modelli chiusi saranno sempre molto più capaci operano su basi sempre meno solide.

DeepSeek come evento geopolitico

Il rilascio di DeepSeek-R1 non è stato soltanto un evento tecnico ed economico. È stato anche un evento geopolitico.

In primo luogo, ha messo in discussione l’efficacia dei controlli statunitensi sulle esportazioni di semiconduttori avanzati. Un elemento centrale della strategia statunitense per l’IA, sia sotto l’amministrazione Trump sia sotto quella Biden, era limitare l’accesso della Cina ai chip più avanzati per l’IA — tra cui le GPU A100, H100 e H200 di Nvidia — sulla base dell’idea che la superiorità nella capacità di calcolo si traduca in una superiorità nelle capacità dell’IA.

Secondo quanto riportato, DeepSeek-R1 è stato addestrato su chip Nvidia H800 (una variante dalle prestazioni inferiori la cui esportazione era consentita) e ha sfruttato innovazioni in termini di efficienza — tra cui la distillazione da modelli più grandi, una quantizzazione spinta e nuovi programmi di addestramento — per raggiungere prestazioni paragonabili a quelle dei modelli più avanzati usando meno capacità di calcolo rispetto ai modelli occidentali. Questo ha sollevato dubbi sulla possibilità che i controlli sulle esportazioni di chip restino a lungo uno strumento efficace per preservare il vantaggio occidentale nell’IA.

In secondo luogo, ha mostrato la profondità delle capacità di ricerca cinesi nell’IA. I responsabili politici e i dirigenti del settore negli Stati Uniti avevano generalmente dato per scontato che la ricerca cinese sull’IA derivasse da quella occidentale: capace di implementare e applicare le tecnologie, ma non di produrre innovazioni fondamentali. DeepSeek-V3 e R1 hanno dimostrato il contrario: gli articoli che ne descrivono le metodologie di addestramento presentano innovazioni autentiche nell’apprendimento per rinforzo e nell’architettura mixture-of-experts, che hanno influenzato il lavoro successivo dei laboratori occidentali.

In terzo luogo, ha trasformato la geopolitica dell’IA open source. Prima di DeepSeek, i modelli aperti più capaci provenivano soprattutto da organizzazioni occidentali (Meta, Mistral, Stability AI), consentendo agli Stati Uniti e all’Europa di presentare l’IA open source come un’estensione della loro leadership nel settore. Dopo DeepSeek, tra i modelli aperti più influenti figurano importanti contributi cinesi, il che complica qualsiasi narrazione semplicistica che contrapponga l’open source occidentale all’IA proprietaria cinese.

La reazione a Washington è stata un misto di allarme e ripensamento. Nel gennaio 2026 il Bureau of Industry and Security ha emanato una norma che consente di vendere alla Cina l’H200 e l’MI325X di AMD previa valutazione caso per caso, anziché presumere il diniego dell’autorizzazione. Il giorno seguente, un proclama presidenziale ha imposto su entrambi i chip un dazio all’importazione del 25 per cento; le esportazioni sono state limitate al 50 per cento delle vendite totali negli Stati Uniti di ciascun chip; e gli esportatori devono certificare che i chip non raggiungeranno utilizzatori finali ai quali è vietato fornirli e sottoporli a test condotti da terzi presso strutture statunitensi prima della spedizione. Il Center for a New American Security stima che il limite consenta alla Cina di ottenere circa 850.000 equivalenti H200, o quasi 900.000 contando anche i chip AMD.

In parole semplici, gli Stati Uniti hanno trasferito un chip di cui avevano vietato l’esportazione in un canale soggetto a licenze, dazi e limiti quantitativi; i chip della generazione Blackwell restano esclusi.

Sovranità digitale: Francia, India e la strategia del modello nazionale

La disponibilità di pesi aperti di alta qualità ha creato una nuova opzione politica per un numero crescente di paesi: costruire capacità nazionali nell’IA su una base open source, anziché sulle API commerciali statunitensi o cinesi.

Questa impostazione viene talvolta chiamata capacità sovrana nell’IA o autonomia strategica nell’IA: il principio secondo cui i sistemi di un paese impiegati nei servizi pubblici, nella sicurezza nazionale, nella sanità e nelle infrastrutture critiche non dovrebbero dipendere interamente da fornitori stranieri che possono modificare i prezzi, limitare l’accesso o riscrivere unilateralmente le condizioni.

La Francia ha perseguito questa strategia nel modo più esplicito e sistematico. Mistral AI — la startup francese di IA cofondata da ex ricercatori di Google DeepMind e Meta — ha ricevuto un sostegno consistente dallo Stato francese e ha fatto dei rilasci open source un elemento distintivo della propria identità. Il governo francese ha citato esplicitamente Mistral come esempio di sovranità tecnologica europea. Nel suo discorso del 2024 sulla strategia per l’IA, Emmanuel Macron ha dato ampio rilievo al modello open source come strumento per l’indipendenza europea dai fornitori di IA americani e cinesi.

L’India persegue la sovranità su una scala diversa. L’iniziativa BharatGen, discussa nel contesto dell’IA multilingue, è in parte un progetto di inclusione linguistica e in parte un progetto di sovranità: l’obiettivo dell’India è disporre di modelli di base per l’IA sviluppati da istituzioni indiane sotto una governance indiana, accessibili alle imprese e agli enti pubblici indiani a condizioni stabilite dall’India. L’impostazione dichiarata è che l’IA costituisce un’infrastruttura e che nessun paese dovrebbe permettere che un’infrastruttura critica sia di proprietà straniera e sotto controllo straniero.

La Germania ha investito attraverso il progetto LAION (Large-scale Artificial Intelligence Open Network), i cui dataset di addestramento e modelli aperti mirano a svincolare la ricerca europea dalle filiere di dati controllate dagli Stati Uniti. L’Ufficio federale tedesco per la sicurezza informatica ha pubblicato linee guida che, per le applicazioni nella pubblica amministrazione, favoriscono l’IA open source per ragioni di verificabilità e sovranità.

I paesi che non possono competere nell’IA proprietaria trovano nei modelli open source una base praticabile per sviluppare capacità nazionali. Questo dà margine d’azione a paesi che, altrimenti, sarebbero soltanto importatori di tecnologia.

Mistral e il modello open source europeo

Mistral AI rappresenta la più sofisticata integrazione tra ambizione tecnica, modello commerciale e posizionamento politico nell’IA open source.

Fondata nel 2023 da Arthur Mensch, Guillaume Lample e Timothée Lacroix — tutti ex ricercatori di DeepMind e Meta AI Research — Mistral ha pubblicato una serie di modelli che hanno costantemente ottenuto risultati superiori a quelli attesi per le loro dimensioni. Mistral 7B, Mixtral 8x7B, Mistral NeMo e Mistral Large hanno introdotto ciascuno innovazioni tecniche che hanno influenzato l’intero settore: la grouped-query attention, la sliding window attention e le architetture mixture-of-experts sperimentate per la prima volta nei modelli Mistral sono state poi adottate da modelli di organizzazioni concorrenti.

Il modello commerciale di Mistral è insolito: pubblica modelli competitivi a pesi aperti e, al tempo stesso, vende servizi premium — fine-tuning, infrastrutture per il deployment, assistenza alle imprese e accesso ai suoi modelli più grandi — a clienti commerciali. Le pubblicazioni aperte sono una strategia deliberata per costruire una comunità e una reputazione tecnica, non un’offerta civetta venduta in perdita.

Il modello ha attirato investimenti consistenti. A un round seed da 105 milioni di euro nel giugno 2023, guidato da Lightspeed Venture Partners, sono seguiti una Serie A da 385 milioni di euro nel dicembre 2023, guidata da Andreessen Horowitz, e una Serie B da 600 milioni di euro nel giugno 2024, guidata da General Catalyst. La Serie C si è chiusa il 9 settembre 2025 con una raccolta di 1,7 miliardi di euro e una valutazione post-money di 11,7 miliardi di euro. A guidarla non è stato un fondo di venture capital, ma ASML, il monopolista olandese della litografia le cui macchine producono i chip su cui girano i modelli.

Questo investimento unisce due leader tecnologici che operano nella stessa catena del valore. — Arthur Mensch, amministratore delegato di Mistral AI

L’8 settembre 2026 Mistral ha raccolto 3 miliardi di euro in una Serie D, raggiungendo una valutazione post-money superiore a 21 miliardi di euro. L’operazione è stata annunciata con l’obiettivo esplicito di portare l’IA sovrana a pesi aperti alla frontiera tecnologica. La tesi alla base dell’investimento è che l’ecosistema open source costruito da Mistral crei una posizione commerciale duratura: che la combinazione di pubblicazioni aperte e servizi commerciali sia più sostenibile di un approccio esclusivamente open source o esclusivamente proprietario.

Il problema del duplice uso: quando l’apertura crea rischi

Le argomentazioni contro l’IA open source — o almeno a favore di alcune restrizioni sulle pubblicazioni aperte dei modelli più capaci — meritano di essere prese sul serio: i rischi sono reali e le lacune nella governance sono significative.

La preoccupazione centrale sul duplice uso è che le capacità che rendono possibili applicazioni benefiche permettono anche impieghi dannosi e che, una volta pubblicati, i modelli a pesi aperti non possono essere ritirati né sottoposti a controlli sull’accesso. Un’API commerciale può applicare misure di sicurezza, monitorare gli abusi, revocare l’accesso a chi agisce con intenti dannosi e collaborare con le forze dell’ordine. Un modello a pesi aperti, scaricato milioni di volte e sottoponibile a fine-tuning senza restrizioni, no.

Il caso della biosicurezza è il più grave. Una ricerca pubblicata nel 2024 da esperti di biosicurezza della società di consulenza Gryphon Scientific e della Nuclear Threat Initiative ha rilevato che i grandi modelli linguistici potrebbero fornire un significativo «incremento di capacità» a persone intenzionate a sintetizzare agenti patogeni pericolosi: i modelli con conoscenze di chimica e biologia potrebbero aiutare chi possiede conoscenze biologiche parziali a colmare lacune che altrimenti richiederebbero una formazione universitaria specialistica avanzata. Questa capacità non richiede modelli di frontiera — bastano quelli disponibili pubblicamente — ma cresce con le capacità del modello; la pubblicazione aperta di modelli sempre più capaci nel ragionamento biologico aumenta quindi il rischio.

Il caso della cybersicurezza è meno esistenziale, ma più immediato. I modelli a pesi aperti capaci di generare codice possono essere sottoposti a fine-tuning su dataset di malware per produrre strumenti offensivi utili sul piano operativo a soggetti che non saprebbero scriverli da soli; una volta che quel fine-tuning esiste, un checkpoint scaricato non può essere revocato.

La tensione tra i benefici dell’apertura e i rischi delle capacità a duplice uso è reale e irrisolta. Gli approcci attuali sono estemporanei: Mistral e Meta pubblicano politiche sull’uso consentito, ma per i modelli a pesi aperti non è tecnicamente possibile farle rispettare. Da allora l’UE ha prodotto il primo quadro normativo vincolante, che prevede un’esenzione esplicita per l’apertura. Gli obblighi dell’AI Act relativi all’IA per finalità generali si applicano dal 2 agosto 2025; ai fornitori che avevano immesso modelli sul mercato prima di tale data è stato concesso tempo fino al 2 agosto 2027 per adeguarsi. L’articolo 53 esenta dagli obblighi di documentazione tecnica e di informazione ai soggetti a valle qualsiasi fornitore il cui modello sia «pubblicato con una licenza libera e open source che consente l’accesso, l’utilizzo, la modifica e la distribuzione del modello e i cui parametri, compresi i pesi, le informazioni sull’architettura del modello e le informazioni sull’uso del modello, siano resi pubblicamente disponibili». Restano applicabili la politica sul diritto d’autore e la sintesi dei contenuti usati per l’addestramento.

L’esenzione ha un limite. L’articolo 51 presume un rischio sistemico per qualsiasi modello per finalità generali il cui calcolo cumulativo per l’addestramento superi 10^25 operazioni in virgola mobile, e un modello designato come portatore di rischio sistemico è soggetto a tutti gli obblighi, indipendentemente dalla sua licenza. Bruxelles ha tracciato una soglia di calcolo nella tensione tra apertura e capacità a duplice uso: sotto quella soglia l’apertura dà diritto a esenzioni, sopra non dà diritto a nulla.

Chi vince la sfida a tre?

La resa dei conti ha dato vita a una competizione a tre per l’influenza sull’IA:

I laboratori proprietari (OpenAI, Anthropic, Google DeepMind) difendono le proprie posizioni puntando ancora di più sul post-training — il perfezionamento, l’allineamento e la specializzazione che aggiungono gran parte del valore effettivamente cercato dagli utenti — e sulla dipendenza dai loro ecosistemi: integrazioni tramite API, strumenti per sviluppatori, rapporti con le aziende e credenziali in materia di sicurezza difficili da replicare con un checkpoint scaricato. La loro barriera competitiva è il servizio completo e il rapporto con le autorità di regolamentazione, non i pesi dei modelli.

Le comunità open source (i derivati di Mistral, DeepSeek e Moonshot, l’ecosistema Llama, la comunità di Hugging Face che si occupa di fine-tuning e valutazione) beneficiano degli effetti di rete: più persone usano modelli aperti, più fine-tuning, valutazioni e applicazioni tornano a disposizione della comunità, migliorando le capacità a un basso costo marginale. La convenienza economica per le grandi aziende acquirenti continua ad aumentare.

I governi nazionali usano i modelli a pesi aperti come strumenti di sovranità, sviluppando capacità nazionali che i modelli di base proprietari non consentirebbero. Questo porta tali capacità al di fuori dei poli del settore privato statunitense e cinese, con conseguenze per la governance globale dell’IA ancora in evoluzione.

L’esito più probabile non è una vittoria decisiva di uno di questi attori, ma un equilibrio differenziato: i modelli proprietari domineranno nelle capacità di frontiera e nelle applicazioni in cui la sicurezza è cruciale; i modelli aperti domineranno nelle applicazioni sensibili ai costi, che richiedono riservatezza o un alto grado di personalizzazione; e i modelli nazionali serviranno le applicazioni governative e infrastrutturali legate alla sovranità. Il mercato è abbastanza grande perché tutti e tre possano coesistere, ma la distribuzione del potere si sta spostando in una direzione che i laboratori proprietari non riusciranno a invertire.

La resa dei conti dell’open source non segna la fine dell’IA proprietaria. Segna la fine dell’idea che l’IA proprietaria sia l’unica che conta.