Intelligenza Artificiale
Architetture AI on-premise, LLM locali, RAG e agenti autonomi. L’intelligenza che conta va posseduta, non affittata a un interruttore altrui.
Scopri →
Open Source Enterprise
Adozione, governance e conformità dell’open source e dei pesi aperti su scala aziendale, con la sovranità del dato come filo conduttore.
Scopri →
Admina Enterprise
Governance dell’AI: audit trail, PII redaction e policy bidirezionali su qualsiasi modello, a pesi aperti o proprietario, locale o remoto.
Scopri Admina →Cosa è uscito il 24 luglio
Il 24 luglio 2026 compare online “Open Weights and American AI Leadership”, un documento di due pagine ospitato sul sito di NVIDIA. Non è un paper tecnico: è una presa di posizione di policy. In calce porta i nomi e i loghi di una coalizione di circa venticinque tra aziende e organizzazioni, tra cui NVIDIA, Meta, Microsoft, IBM, Dell, CrowdStrike, Palantir, ServiceNow, Perplexity, Hugging Face, Mistral AI, Mozilla, la Linux Foundation, Andreessen Horowitz e Y Combinator.
La tesi è netta: la leadership degli Stati Uniti sull’intelligenza artificiale non si misurerà su un singolo modello di frontiera, ma sulla capacità di costruire un ecosistema aperto che si diffonda in ogni settore. In questo quadro i modelli a pesi aperti (open weight), cioè i modelli che chiunque può scaricare, ispezionare, modificare ed eseguire sulla propria infrastruttura, sono descritti come un tassello essenziale.
L’analogia con l’open source
Il documento apre con un parallelo storico: negli anni Ottanta i pionieri del software open source sfidarono l’idea che il software potesse progredire solo sotto stretto controllo aziendale. Oggi il software libero regge gran parte di internet e viene usato dalle più grandi aziende tecnologiche, dalle forze armate statunitensi e dalle agenzie federali. Per gli autori l’open source non ha solo abbassato i costi: ha creato una base di conoscenza condivisa su cui si è costruita una “sovranità istituzionale”. Gli Stati Uniti, sostengono, si trovano davanti a una scelta simile con l’AI.
Da qui quattro argomenti a favore dei pesi aperti.
- Accesso. Startup, imprese, università ed enti pubblici possono costruire su modelli avanzati senza addestrarne uno da zero né pagare prezzi da modello di frontiera per ogni compito. Si sceglie il modello giusto per ogni caso d’uso, riservando la capacità di frontiera ai problemi che la richiedono davvero.
- Concorrenza. Permettendo a molte organizzazioni di adattare e distribuire i modelli, i pesi aperti creano rivalità non solo fra chi sviluppa i modelli, ma anche su cloud, chip, applicazioni e servizi. Più concorrenza, secondo il documento, significa più innovazione e costi più bassi.
- Controllo. Le organizzazioni non restano legate a un singolo fornitore: mantengono i propri dati, valutano e adattano i modelli, li eseguono dove serve. E possono possedere il valore che creano, dai modelli specializzati alla conoscenza accumulata.
- Sicurezza. Qui l’argomento è più delicato. Gli autori sostengono che affidarsi solo a modelli chiusi non è di per sé sicuro, perché anch’essi possono essere violati o fallire in modi che gli esterni non vedono, e che concentrare le capacità avanzate in pochi modelli chiusi crea pochi punti di rottura. I modelli aperti, al contrario, permettono a una comunità ampia di esaminarne il comportamento, trovare vulnerabilità e sviluppare contromisure.
Pesi aperti non è open source
Vale la pena fermarsi sul termine, perché il documento è preciso e la stampa spesso no. “Pesi aperti” (open weight) non è sinonimo di “open source”. Un modello a pesi aperti mette a disposizione i pesi addestrati, quindi lo si può scaricare ed eseguire, ma non necessariamente il codice di training, i dati e la ricetta completa. L’open source in senso stretto, quello del software, implica invece la disponibilità e la modificabilità del sorgente. La distinzione conta perché cambia cosa si può davvero ispezionare, riprodurre e verificare. È la stessa distinzione che adottiamo quando parliamo di modelli: pesi aperti per i modelli, open source per il codice.
Un documento di advocacy: chi lo firma, e perché
Il valore degli argomenti va pesato insieme a chi li porta. È una presa di posizione dell’industria, e i firmatari hanno interessi economici diretti e legittimi in un ecosistema AI aperto e diffuso. NVIDIA vende i chip su cui l’AI gira, e più l’AI si diffonde più chip servono. Meta, Mistral, Black Forest Labs e altri rilasciano modelli a pesi aperti; Hugging Face li ospita. Andreessen Horowitz e Y Combinator investono nell’ecosistema. Microsoft, IBM, Dell e ServiceNow vendono AI alle imprese. Questo non rende gli argomenti falsi, ma li colloca: è il punto di vista di chi trae vantaggio dalla diffusione dei modelli aperti, non di un arbitro neutrale.
Il documento, va riconosciuto, non nasconde i rischi. Ammette che i pesi aperti comportano “rischi reali e specifici”: una volta rilasciati, i pesi sfuggono al controllo di chi li ha creati e le versioni modificate sono difficili da tracciare o revocare. La risposta proposta non è vietarli, ma governarli, con benchmark rigorosi, red teaming e tutele legate a danni reali e dimostrati invece che all’assunto che i sistemi chiusi siano più sicuri per default. Sul punto della sicurezza il dibattito resta aperto: c’è chi osserva che i pesi aperti abbassano anche la barriera per l’uso improprio, e che l’irreversibilità del rilascio è un limite serio. Gli autori ne sono consapevoli e scelgono comunque l’apertura, con l’argomento che nella cybersecurity i difensori hanno bisogno di modelli con capacità paragonabili a quelle di chi attacca.
Le richieste alla politica
Il documento chiude con quattro richieste ai decisori statunitensi: ampliare l’accesso al calcolo per startup e ricercatori; investire in asset di training condivisi (dataset, strumenti, framework di valutazione); mantenere la frontiera plurale, evitando restrizioni premature sui modelli aperti che soffochino la concorrenza o spingano l’innovazione all’estero; rafforzare i livelli applicativi per estendere l’uso sovrano dell’AI nell’economia.
C’è anche una difesa esplicita della distillation, la pratica di usare gli output di un modello per addestrarne o valutarne un altro. Gli autori chiedono di non confondere una tecnica legittima e diffusa con l’appropriazione indebita: gli abusi vanno affrontati con strumenti legali e contrattuali mirati, non con divieti generalizzati sulle tecniche di sviluppo.
Perché riguarda anche l’Europa
Il documento parla di leadership americana e la cornice è dichiaratamente nazionale. Ma la logica di fondo dei pesi aperti (ispezionabilità, assenza di lock-in, esecuzione on-premise, controllo del dato) non ha passaporto. Per un’organizzazione europea gli stessi strumenti servono una posta diversa: la sovranità europea, e quella italiana, con le proprie regole (AI Act, NIS2, GDPR) e la necessità che i dati restino nel perimetro. La stessa apertura che gli Stati Uniti rivendicano come leva di leadership è, vista da qui, la via più concreta per non dipendere dall’interruttore di qualcun altro.
È il terreno su cui lavoriamo: portare in produzione l’AI a pesi aperti in locale, con la governance che la rende affidabile. Il documento americano, letto dall’Europa, è un buon promemoria che la scelta fra ecosistema aperto e capacità concentrate in pochi fornitori chiusi non è tecnica ma strategica, e vale la pena farla con consapevolezza.