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 più economica del mercato: V4 di DeepSeek, il round di Serie D da 3 miliardi di euro di Mistral, la norma sugli H200 del gennaio 2026, l’esenzione per l’open source nell’AI Act e il rischio del

AI.info Team · 2026-09-16

La barriera competitiva scomparsa

Per il primo decennio dell’era moderna dell’IA, un’ipotesi sulla distribuzione del potere nell’intelligenza artificiale è rimasta sostanzialmente incontrastata: i sistemi più capaci richiedevano così tanti dati, così tanta capacità di calcolo e competenze così specialistiche che solo poche organizzazioni ben finanziate potevano costruirli. OpenAI, Google DeepMind, Anthropic e poche altre detenevano quello che sembrava un vantaggio strutturale incolmabile. Nessuna comunità open source, nessun gruppo universitario e nessun governo, al di fuori di quelli dei paesi più ricchi, poteva competere. La barriera sembrava permanente.

Nel gennaio 2025, un laboratorio cinese di ricerca sull’IA chiamato DeepSeek ha pubblicato un articolo scientifico che descriveva un modello di ragionamento chiamato R1. Secondo l’articolo, R1 aveva ottenuto prestazioni paragonabili a quelle del modello o1 di OpenAI in una serie di benchmark di ragionamento. Ancora più importante: i pesi del modello erano stati rilasciati con una licenza open source.

La reazione del settore dell’IA è stata a metà tra lo shock e la revisione delle proprie valutazioni. Nel giro di pochi giorni, DeepSeek-R1 è 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 hanno perso il 17% in una sola seduta di borsa: non perché R1 fosse necessariamente migliore di o1 sotto ogni aspetto, ma perché dimostrava che l’ipotesi secondo cui i costi di addestramento fossero proibitivi era sbagliata. La barriera non era così alta come sembrava.

DeepSeek-R1 non è stato un caso isolato. È stata la manifestazione più clamorosa 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 una manciata di laboratori proprietari alla comunità mondiale della ricerca.

La resa dei conti è arrivata e le sue implicazioni per i modelli di business, la geopolitica, la sicurezza nazionale e la governance dell’IA cominciano soltanto ora a essere comprese.

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 di input e 50 dollari per milione di token di output con elaborazione standard. DeepSeek offre V4-Pro, un modello distribuito con licenza MIT che chiunque può scaricare ed eseguire, tramite la propria API a un prezzo compreso tra 0,66 e 1,32 dollari per milione di token di input in caso di cache miss e tra 1,98 e 3,96 dollari per milione di token di output, a seconda dell’ora. Alle tariffe massime, il costo è circa otto volte inferiore per l’input e tredici volte inferiore per l’output, ancora prima di prendere in considerazione la possibilità di ospitare direttamente i pesi del modello. Per le organizzazioni che elaborano volumi di testo molto elevati — nell’automazione del servizio clienti, nell’analisi dei documenti, nella 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 dà accesso a un modello fisso a cui si possono sottoporre prompt, ma che non si può modificare in modo sostanziale. Un modello a pesi aperti può essere sottoposto a fine-tuning su dati proprietari, adattato ad ambiti 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 è spesso più preziosa delle prestazioni assolute nei benchmark.

Riservatezza dei dati: usare un’API chiusa richiede di inviare i dati a un server di terzi. Per le organizzazioni che trattano dati sensibili — cartelle cliniche, documenti legali, informazioni finanziarie, informazioni governative classificate — questo è vietato dalla legge oppure commercialmente inaccettabile. 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, ai cambiamenti delle condizioni di servizio e all’eventualità che la sua attività fallisca. 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 una verifica. Un modello a pesi aperti è quantomeno più verificabile e, se sono aperti anche il codice e i dati di addestramento — cosa che la maggior parte dei modelli rilasciati con pesi aperti ancora non offre — diventa pienamente verificabile.

Uno studio del novembre 2025 di Frank Nagle e Daniel Yue ha rilevato, secondo la sintesi di MIT Sloan, che la «riallocazione ottimale» della domanda dai modelli chiusi a quelli aperti, se adottata pienamente in tutta l’economia, potrebbe liberare circa 25 miliardi di dollari all’anno: capitale che potrebbe essere reindirizzato dai costi di inferenza dell’IA a 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 contare per molte applicazioni. Dalla fine del 2023, il divario si è ridotto a un ritmo che ha sorpreso anche gli osservatori più ottimisti.

Llama 2 di Meta (luglio 2023) era competitivo con GPT-3.5, ma molto indietro rispetto 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 in alcuni benchmark e ridotto sensibilmente il divario in altri. È anche l’ultimo modello a portare il nome Llama. Il modello alla base di Meta AI dall’aprile 2026 è Muse Spark, di 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, con una finestra di contesto di 131.072 token: il suo primo rilascio a pesi aperti dopo Llama 4, abbastanza piccolo da funzionare su una singola GPU consumer. Mark Zuckerberg ha detto che sarebbero seguiti i pesi di Muse Spark 1.2, nel frattempo sostituito da Muse Spark 1.3.

La progressione di Mistral è stata ancora più rapida: Mistral 7B (settembre 2023) ha mostrato che modelli più piccoli, addestrati in modo più efficiente, potevano avvicinarsi a modelli chiusi molto più grandi in molti compiti, 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 informazioni 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 per quanto riguarda l’apprendimento per rinforzo basato su risultati verificabili e le architetture mixture-of-experts — ampiamente adottate dalla comunità di ricerca.

Entrambi sono stati poi superati dai successivi modelli 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, adottando come impostazione predefinita per tutti i suoi servizi una finestra di contesto di 1 milione di token; V4-Pro ha ottenuto l’80,6% su SWE-bench Verified.

Anche il baricentro dei modelli a pesi aperti si è spostato a est. I due più grandi 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 e, nell’agosto 2026, Meta è tornata ai pesi aperti con un modello da 30 miliardi di parametri; Muse Spark Open, da 816 miliardi di parametri, è arrivato solo il 15 ottobre con una licenza propria di Meta, ed è comunque più piccolo di entrambi i modelli cinesi. La contrapposizione del 2024 — open source occidentale contro IA proprietaria cinese — descrive dunque una mappa sbagliata.

La tendenza è costante: nella maggior parte dei benchmark, i modelli open source sono indietro di 6–18 mesi rispetto ai modelli chiusi più avanzati, e questo ritardo si è ridotto; in alcuni ambiti è stato colmato. Un’analisi di Nagle e Yue ha rilevato che i modelli aperti raggiungevano in media l’89,6% delle prestazioni dei modelli chiusi e di solito colmavano il divario entro 13 settimane dal rilascio iniziale di un modello chiuso.

Secondo i dati di OpenRouter, i modelli chiusi rappresentavano circa il 96% dei ricavi, il che suggerisce che la transizione commerciale sia ancora nelle fasi iniziali. Ma la direzione è inequivocabile, e le aziende che costruiscono i propri modelli di business sull’ipotesi che i modelli chiusi saranno sempre molto più capaci operano su fondamenta 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 di frontiera per l’IA — tra cui le GPU A100, H100 e H200 di Nvidia — sulla base dell’idea che una 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 è 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 di frontiera con meno capacità di calcolo rispetto ai modelli occidentali. Questo ha sollevato dubbi sulla possibilità che i controlli sulle esportazioni di chip restino efficaci a lungo come strumento per mantenere il vantaggio occidentale nell’IA.

In secondo luogo, ha mostrato la profondità delle capacità cinesi nella ricerca sull’IA. I responsabili politici e i leader del settore negli Stati Uniti avevano generalmente dato per scontato che la ricerca cinese sull’IA fosse derivata da quella occidentale, capace di realizzare implementazioni e applicazioni ma non innovazioni fondamentali. DeepSeek-V3 e R1 hanno dimostrato il contrario: gli articoli sulle metodologie di addestramento descrivevano autentiche innovazioni nell’apprendimento per rinforzo e nell’architettura mixture-of-experts, che hanno influenzato i lavori successivi 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 nell’IA. Dopo DeepSeek, tra i modelli aperti più influenti figurano importanti contributi cinesi, il che rende più difficile sostenere una semplice contrapposizione tra IA open source occidentale e 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 consentiva le vendite dell’H200 e del MI325X di AMD alla Cina valutandole caso per caso, anziché applicare una presunzione di diniego. Un proclama presidenziale del giorno successivo ha imposto un dazio del 25 per cento sulle importazioni di entrambi i chip; le esportazioni sono state limitate al 50 per cento delle vendite totali di ciascun chip negli Stati Uniti; e gli esportatori devono certificare che i chip non arriveranno a utilizzatori finali vietati e sottoporli a test da parte di terzi in strutture statunitensi prima della spedizione. Secondo le stime del Center for a New American Security, il limite consente alla Cina di ottenere circa 850.000 equivalenti dell’H200, o quasi 900.000 contando i chip AMD.

In parole semplici, gli Stati Uniti hanno spostato un chip che avevano vietato in un canale soggetto a licenze, dazi e limiti quantitativi; i chip della generazione Blackwell restano esclusi.

Sovranità digitale: Francia, India e la strategia dei modelli nazionali

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

Si parla talvolta di capacità sovrana nell’IA o di 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 unilateralmente i prezzi, limitare l’accesso o riscrivere 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 consistente sostegno dallo Stato francese e ha fatto dei rilasci open source un elemento distintivo della propria identità. Il governo francese ha esplicitamente citato Mistral come dimostrazione della sovranità tecnologica europea. Nel suo discorso del 2024 sulla strategia per l’IA, Emmanuel Macron ha dato grande rilievo al modello open source come strumento per rendere l’Europa indipendente dai fornitori statunitensi e cinesi di IA.

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 fondazionali di IA sviluppati da istituzioni indiane e sottoposti alla governance indiana, disponibili alle imprese e agli enti pubblici indiani a condizioni controllate dall’India. Il principio dichiarato è che l’IA è un’infrastruttura e che nessun paese dovrebbe permettere che un’infrastruttura critica sia di proprietà straniera e sotto controllo straniero.

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

I paesi che non possono competere nell’IA chiusa stanno trovando 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 europeo dell’open source

Mistral AI rappresenta la sintesi più sofisticata 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 che le loro dimensioni avrebbero fatto prevedere. Mistral 7B, Mixtral 8x7B, Mistral NeMo e Mistral Large hanno introdotto ciascuno innovazioni tecniche che hanno influenzato il settore: l’attenzione a query raggruppate, l’attenzione a finestra scorrevole e le architetture mixture-of-experts rese popolari dai modelli di Mistral sono state poi adottate nei modelli di organizzazioni concorrenti.

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

Questo modello ha attirato investimenti consistenti. A un round seed da 105 milioni di euro nel giugno 2023, guidato da Lightspeed Venture Partners, sono seguiti un round di Serie A da 385 milioni di euro nel dicembre 2023, guidato da Andreessen Horowitz, e un round di Serie B da 600 milioni di euro nel giugno 2024, guidato da General Catalyst. Il round di Serie C si è chiuso il 9 settembre 2025 a 1,7 miliardi di euro, con una valutazione post-money di 11,7 miliardi di euro. A guidarlo 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 riunisce 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 un round di Serie D, con una valutazione post-money superiore a 21 miliardi di euro. L’annuncio è stato fatto all’insegna dell’obiettivo esplicito di portare l’IA sovrana e a pesi aperti alla frontiera tecnologica. La tesi a sostegno dell’investimento poggia sulla convinzione 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

Gli argomenti contro l’IA open source — o quantomeno a favore di alcune restrizioni sulla pubblicazione aperta dei modelli più capaci — meritano di essere presi sul serio: i rischi sono reali e la lacuna nella governance è significativa.

La preoccupazione centrale sul duplice uso è che le capacità che rendono possibili applicazioni benefiche rendono possibili anche applicazioni dannose e che, una volta pubblicati, i modelli a pesi aperti non possono essere ritirati né sottoposti a controlli sull’accesso. Un’API commerciale può adottare misure di sicurezza, monitorare gli usi impropri, revocare l’accesso agli attori malintenzionati e collaborare con le forze dell’ordine. Per un modello a pesi aperti, scaricato milioni di volte e sottoponibile a fine-tuning senza restrizioni, questo non è possibile.

Il rischio per la 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 modelli linguistici di grandi dimensioni potrebbero fornire un «incremento delle capacità» significativo a persone che tentano di sintetizzare patogeni pericolosi: modelli dotati di conoscenze di chimica e biologia potrebbero aiutare una persona con conoscenze biologiche parziali a colmare lacune che altrimenti richiederebbero una formazione specialistica post-laurea. Questa capacità non richiede modelli di frontiera — bastano quelli disponibili pubblicamente — ma cresce al crescere delle capacità del modello. Pubblicare apertamente modelli sempre più capaci nel ragionamento biologico aumenta quindi il rischio.

Il rischio per la 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 ad attori che non saprebbero scriverli da soli. Una volta effettuato quel fine-tuning, un checkpoint scaricato non può essere revocato.

La tensione tra i benefici dell’apertura e i rischi legati alle capacità a duplice uso è reale e irrisolta. Gli approcci attuali sono ad hoc: Mistral e Meta pubblicano politiche sull’uso accettabile, ma per i modelli pubblicati a pesi aperti non è possibile farle rispettare tecnicamente. Da allora l’UE ha prodotto il primo quadro normativo vincolante, che prevede esplicitamente un’esenzione per i modelli aperti. Gli obblighi previsti dall’AI Act per l’IA per finalità generali si applicano dal 2 agosto 2025; i fornitori che hanno immesso modelli sul mercato prima di quella data hanno tempo fino al 2 agosto 2027 per adeguarsi. L’articolo 53 esonera dagli obblighi di documentazione tecnica e di informazione dei soggetti a valle qualsiasi fornitore il cui modello sia «pubblicato con una licenza libera e open source che consenta l’accesso, l’uso, 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». La politica sul diritto d’autore e la sintesi dei contenuti usati per l’addestramento restano obbligatorie.

L’esenzione ha un limite. L’articolo 51 presume un rischio sistemico per qualsiasi modello per finalità generali il cui calcolo cumulativo usato per l’addestramento superi 10^25 operazioni in virgola mobile; un modello designato come portatore di rischio sistemico è soggetto a tutti gli obblighi, indipendentemente dalla licenza. Bruxelles ha tracciato una soglia di calcolo nel punto di tensione tra apertura e capacità a duplice uso: al di sotto della soglia, l’apertura dà diritto a un’esenzione; al di sopra, no.

Chi vince la battaglia a tre?

La resa dei conti ha creato 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 ricercato dagli utenti — e sulla fidelizzazione all’ecosistema: integrazioni API, strumenti per sviluppatori, rapporti con le aziende e credenziali in materia di sicurezza difficili da replicare con un checkpoint scaricato. Il loro vantaggio difendibile sta nel servizio full-stack e nel rapporto con le autorità di regolamentazione, non nei pesi dei modelli.

Le comunità open source (Mistral, i derivati di 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 beneficio della comunità, migliorando le capacità a un basso costo marginale. Per le grandi aziende acquirenti, la convenienza economica continua ad aumentare.

I governi nazionali usano i modelli a pesi aperti come strumenti di sovranità, sviluppando capacità nazionali che i modelli fondazionali proprietari non consentirebbero. Questo porta le capacità fuori dai poli del settore privato statunitense e cinese, con conseguenze per la governance globale dell’IA che si stanno ancora delineando.

L’esito più probabile non è una vittoria decisiva di uno di questi attori, ma un equilibrio differenziato: i modelli proprietari dominanti nelle capacità all’avanguardia e nelle applicazioni in cui la sicurezza è cruciale; i modelli aperti dominanti nelle applicazioni sensibili ai costi, che richiedono tutela della privacy e un alto grado di personalizzazione; e i modelli nazionali impiegati nelle applicazioni governative e infrastrutturali sovrane. Il mercato è abbastanza grande perché tutti e tre coesistano, 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 IA che conta.