I pesi aperti non uccideranno i modelli chiusi
Il dibattito viene quasi sempre raccontato come una gara.
I modelli a pesi aperti recuperano. Quelli chiusi allungano. Esce una nuova versione, compare un grafico di benchmark e qualcuno dichiara finita l’altra parte.
È il modello mentale sbagliato.
Non c’è una sola gara con un traguardo. C’è un ciclo: i laboratori chiusi spostano la frontiera; i laboratori che rilasciano pesi aperti riproducono abbastanza della generazione precedente da renderla più economica e controllabile; poi la frontiera si sposta di nuovo.
La mia tesi è semplice: i pesi aperti continueranno a ridurre il divario nelle capacità ormai comprensibili e riproducibili. I modelli chiusi continueranno a crearne uno nuovo nelle capacità ancora costose da scoprire, addestrare e trasformare in prodotto. Nessuna delle due parti elimina l’altra.
Il divario esiste, ma non è un fossato eterno
La retorica appiattisce i dati. I sostenitori dei modelli chiusi parlano di un vantaggio permanente; quelli dei pesi aperti parlano di parità già raggiunta. Le valutazioni pubbliche più utili raccontano qualcosa di meno teatrale: il distacco cambia nel tempo e dipende molto da come viene misurato.[1][2]
Questo non è pareggio. Non è nemmeno un vantaggio garantito per un decennio.
Quando una capacità passa da servizio remoto a sistema che un’organizzazione può ispezionare, adattare e far funzionare secondo le proprie regole, cambia chi ha potere contrattuale. È questo il punto, non una singola classifica.
La frontiera non è un file di modello
I benchmark danno l’illusione di una convergenza lineare. Ma il bersaglio cambia. Quando un test diventa familiare, i team imparano a ottimizzare per quel test e la sua utilità come misura generale diminuisce.[1]
Le capacità più difficili non sono solo una risposta convincente in chat. Sono uso affidabile degli strumenti, recupero dagli errori, pianificazione su più passaggi e verifica del risultato. Per costruirle servono dati di addestramento, valutazioni, strategie di inferenza e un ambiente operativo: non basta distribuire un checkpoint.
Per questo il confine si sposta. La frontiera è un sistema in movimento, non un singolo file.
“Aperto” non significa automaticamente “eseguibile ovunque”
Un modello a pesi aperti può essere scaricabile senza essere economico da usare. Può richiedere hardware importante, compromessi di precisione, una licenza scomoda o una gestione complessa. I pesi possono essere pubblici mentre dati, pipeline di post-addestramento e infrastruttura di servizio restano opachi.
Le domande utili sono tre:
- Posso accedere al modello?
- Posso gestirlo sotto il mio controllo?
- Posso usarlo con qualità, velocità e affidabilità adatte al mio lavoro?
Le API chiuse risolvono subito la prima domanda. I pesi aperti rispondono meglio alla seconda. La terza dipende dall’architettura e dal caso d’uso.
Il mercato si dividerà
Vedo tre ruoli durevoli.
I modelli chiusi di frontiera resteranno sensati per compiti nuovi, complessi e poco tolleranti agli errori. I sistemi a pesi aperti saranno forti dove contano controllo, adattamento e prevedibilità dei costi. I modelli più piccoli diventeranno la scelta invisibile per classificazione, estrazione, instradamento, recupero di informazioni e chiamate a strumenti ben vincolate.
Non è un compromesso triste. È maturità tecnica. Non usiamo un solo database o un solo linguaggio per ogni problema; non useremo una sola categoria di modello.
I pesi aperti non devono battere il migliore modello chiuso in ogni momento per essere importanti. Rendono negoziabile l’intelligenza: qualcosa che si può ispezionare, modificare, pianificare e conservare anche quando un fornitore cambia priorità.
I modelli chiusi continueranno a stare davanti. I pesi aperti continueranno a rendere disponibile a più persone ciò che ieri stava davanti. Questa è una gara molto più interessante.
Fonti
[1] Stanford HAI, 2026 AI Index Report: Technical Performance
[2] Epoch AI, Open models lag state-of-the-art closed models by 4 months