Modelli open source contro proprietari: la grande biforcazione del 2026

A inizio 2026 il mercato dei modelli linguistici di grandi dimensioni si è spaccato lungo una linea sempre più netta. Da un lato i sistemi proprietari, GPT-5 di OpenAI, Claude di Anthropic, Gemini di Google, accessibili tramite API a pagamento, con finestre di contesto ampie, post-training intensivo e prestazioni di punta sui benchmark più difficili. Dall’altro i modelli open source, Llama 4 di Meta, GLM-5 di Zhipu AI, Qwen 2.5 di Alibaba, Mistral Large dell’omonima azienda francese, disponibili con pesi aperti, eseguibili su infrastruttura propria, personalizzabili e distribuibili senza vincoli di licenza proprietaria. La distanza tra i due campi si è ridotta in modo vistoso nel 2025. Ma le logiche strategiche dietro ciascun approccio divergono sempre di più, e questa divergenza ha conseguenze dirette per chi deve scegliere quale modello integrare nei propri prodotti e servizi.

Lo stato dell’arte dei modelli proprietari

GPT-5, rilasciato ad agosto 2025, ha stabilito un nuovo punto di riferimento su quasi tutti i benchmark principali: 94,6% su AIME 2025 senza strumenti, 74,9% su SWE-bench Verified, 84,2% su MMMU per la comprensione multimodale. La versione Pro con ragionamento esteso ha raggiunto l’88,4% su GPQA Diamond. OpenAI ha poi rilasciato GPT-5.1 e GPT-5.2, quest’ultimo con una finestra di contesto ampliata a 400.000 token e miglioramenti mirati ai compiti professionali: modellazione finanziaria, creazione di presentazioni, scrittura di codice complesso, analisi di documenti lunghi.

Claude di Anthropic ha puntato sulla solidità del codice generato, sull’affidabilità del ragionamento lungo e sulla trasparenza documentale. Ogni versione è accompagnata da schede di sicurezza dettagliate che dichiarano punti di forza e limiti misurati. Gemini 2.5 Pro di Google ha offerto una finestra di contesto da un milione di token e capacità multimodali native che integrano testo, immagini, audio e video in una singola richiesta. Tutti e tre i laboratori hanno adottato modelli di prezzo basati sull’uso, costo per milione di token di input e output, con varianti per l’elaborazione in batch, la priorità e la residenza dei dati.

Il vantaggio dei modelli proprietari non è solo nelle prestazioni di punta. È nell’ecosistema: aggiornamenti continui, compatibilità con strumenti di terze parti, supporto tecnico, certificazioni di sicurezza, garanzie contrattuali sulla disponibilità del servizio. Per un’azienda che deve garantire continuità operativa, questi aspetti pesano quanto i punteggi sui benchmark.

L’avanzata dei modelli open source: numeri e strategie

Llama 4 di Meta ha rappresentato il salto di qualità più atteso nel campo open source. Rilasciato con una licenza permissiva che ne consente l’uso commerciale senza restrizioni, Llama 4 ha raggiunto prestazioni paragonabili a GPT-4o, il modello di generazione precedente a GPT-5, su diversi benchmark, pur restando distante da GPT-5 sui compiti più complessi. Il modello è disponibile in più dimensioni, dai pochi miliardi di parametri per l’inferenza su dispositivi locali alle versioni da centinaia di miliardi per i data center, il che lo rende adattabile a contesti molto diversi per risorse e requisiti.

GLM-5, sviluppato dal laboratorio cinese Zhipu AI con licenza MIT completamente aperta, ha attirato l’attenzione per due ragioni. La prima è tecnica: è un modello di frontiera addestrato interamente su chip Huawei Ascend, senza dipendere da GPU NVIDIA, una dimostrazione che la Cina può produrre modelli competitivi aggirando le restrizioni all’export imposte dagli Stati Uniti sui semiconduttori avanzati. La seconda è strategica: la licenza MIT consente a chiunque di usare, modificare e ridistribuire il modello senza limitazioni, un approccio più permissivo persino della licenza Llama di Meta, che contiene alcune restrizioni per gli utenti con più di 700 milioni di utenti attivi mensili.

Qwen 2.5 di Alibaba ha mostrato risultati forti sulla matematica e sulla programmazione, posizionandosi tra i migliori modelli open source sui benchmark MATH e HumanEval. Alibaba ha investito in modo massiccio nell’infrastruttura cloud necessaria per supportare l’adozione del modello, offrendo servizi di inferenza a costi competitivi attraverso la propria piattaforma Alibaba Cloud. Mistral, l’azienda francese fondata da ex ricercatori di Google e Meta, ha continuato a rilasciare modelli efficienti ottimizzati per l’inferenza con risorse limitate, un vantaggio concreto per le PMI europee e per le organizzazioni con requisiti di sovranità dei dati che precludono l’uso di cloud non europei.

Dove il divario resta e dove si chiude

La distanza tra modelli open source e proprietari non è uniforme su tutti i compiti. Su attività standard, generazione di testo, traduzione, sintesi documentale, coding di routine, classificazione, estrazione di informazioni, i migliori modelli open source a inizio 2026 offrono prestazioni più che adeguate per la maggior parte dei casi d’uso aziendali. Il divario persiste su tre aree specifiche.

La prima è il ragionamento multi-step complesso: catene di inferenza lunghe con molti passaggi intermedi, dove i modelli proprietari, in particolare GPT-5 Thinking e Claude, mantengono un vantaggio misurabile sui benchmark e nell’uso pratico. La seconda è la qualità effettiva del contesto lungo: anche quando un modello open source dichiara una finestra da 128.000 o 200.000 token, la qualità delle risposte degrada sensibilmente oltre una certa soglia, mentre i modelli proprietari di punta mantengono coerenza su contesti molto più estesi. La terza area è l’allineamento e la sicurezza: i modelli proprietari ricevono un post-training intensivo per ridurre risposte dannose, allucinazioni e comportamenti imprevedibili; i modelli open source, una volta rilasciati, possono essere riallineati oppure de-allineati da chiunque, il che è al tempo stesso un vantaggio (flessibilità) e un rischio (abuso).

Il calcolo economico: API a consumo vs infrastruttura propria

Per un’impresa che deve scegliere tra un modello proprietario via API e un modello open source su infrastruttura propria, il calcolo è meno semplice di quanto suggeriscano le tabelle di prezzo. Il costo dell’API proprietaria è variabile e proporzionale all’uso: per volumi bassi è più conveniente, perché non richiede investimenti in hardware, configurazione, manutenzione o competenze DevOps. Per volumi alti, milioni di richieste al giorno, come nel caso di un servizio clienti automatizzato o di un motore di ricerca interno, il costo dell’API può superare quello di un deployment locale su GPU dedicate.

D’altra parte, gestire un modello open source in produzione richiede GPU (spesso costose e difficili da reperire), personale tecnico capace di gestire l’inferenza e il fine-tuning, monitoraggio continuo delle prestazioni, aggiornamenti manuali quando escono nuove versioni del modello, e gestione della sicurezza. Il total cost of ownership è sistematicamente più alto di quanto suggerisca il prezzo del modello, che è nominalmente gratuito. La vera domanda non è “quanto costa il modello” ma “quanto costa farlo funzionare in modo affidabile nel mio contesto”.

In Italia, dove il tessuto imprenditoriale è dominato da piccole e medie imprese con reparti IT ridotti, l’opzione API proprietaria resta la più praticabile per la maggior parte dei casi d’uso. I modelli open source diventano interessanti per le aziende con competenze interne forti, requisiti di privacy stringenti che precludono l’invio di dati a server esteri, o volumi di inferenza molto elevati che rendono l’API troppo costosa. Una terza via, adottata da un numero crescente di imprese di medie dimensioni, è l’approccio ibrido: modelli open source per i compiti standard e ad alto volume, API proprietarie per i compiti complessi dove le prestazioni di punta fanno la differenza.

Le implicazioni strategiche e geopolitiche della biforcazione

La biforcazione tra modelli open source e proprietari nel 2026 ha conseguenze che vanno oltre la tecnologia e i costi. L’open source offre sovranità tecnologica: un’azienda o un governo possono ispezionare, modificare e controllare il modello che usano, verificarne il comportamento e adattarlo alle proprie esigenze senza dipendere da un fornitore esterno. I modelli proprietari offrono prestazioni superiori, aggiornamenti continui e supporto strutturato, ma introducono una dipendenza da un fornitore estero, quasi sempre americano, in qualche caso cinese.

Per l’Europa, la questione è strategica e si intreccia con l’AI Act. Il Regolamento impone obblighi specifici ai fornitori di modelli general purpose, sia open source sia proprietari. Ma la capacità di adempiere a questi obblighi, documentazione tecnica, trasparenza sui dati di addestramento, valutazione del rischio, dipende dall’accesso ai pesi, al codice e alla documentazione interna del modello. Con un modello open source, un’azienda europea può condurre audit indipendenti, verificare la conformità e apportare le modifiche necessarie. Con un modello proprietario, dipende dalla documentazione che il fornitore decide di rendere pubblica, e dai tempi con cui risponde alle richieste di informazione.

Mistral, in questo contesto, rappresenta un caso interessante e quasi unico: è un’azienda europea che produce modelli open source competitivi a livello internazionale, offrendo un’alternativa concreta sia ai colossi americani sia ai laboratori cinesi. Il suo successo o fallimento nel competere sui benchmark e nell’attrarre clienti enterprise dirà molto sulla capacità dell’Europa di restare in gioco nella partita dell’IA senza limitarsi a regolamentare ciò che altri producono.

La dimensione della personalizzazione e del fine-tuning

Un vantaggio dei modelli open source che il confronto sui benchmark non cattura è la possibilità di personalizzazione attraverso il fine-tuning. Un’azienda che ha accesso ai pesi di un modello open source può addestrarlo ulteriormente sui propri dati specifici, documenti interni, terminologia di settore, casistica aziendale, ottenendo un modello specializzato che performa meglio sul proprio dominio rispetto a un modello general purpose, anche proprietario, che non ha mai visto quei dati. Questa possibilità è particolarmente rilevante per settori con linguaggi tecnici molto specifici: diritto, medicina, ingegneria, finanza, pubblica amministrazione.

I modelli proprietari offrono opzioni di fine-tuning tramite API, ma con limitazioni: il processo è controllato dal fornitore, i dati devono essere caricati sulla sua infrastruttura (con implicazioni per la privacy e la conformità al GDPR), e il modello fine-tuned resta comunque ospitato sui server del fornitore. Con un modello open source, l’intero processo avviene on-premise o su cloud scelto dall’azienda, i dati non escono dal perimetro controllato, e il modello risultante è di piena proprietà dell’organizzazione che lo ha addestrato.

Per le imprese italiane nei settori regolamentati, banche, assicurazioni, sanità, pubblica amministrazione, dove la gestione dei dati è vincolata da normative stringenti, questa differenza può essere determinante nella scelta tra open source e proprietario. Un modello fine-tuned su dati sanitari che resta all’interno dell’infrastruttura dell’ospedale è molto diverso, sul piano della conformità normativa, da un modello proprietario a cui i dati sanitari vengono inviati via API su server americani.

La biforcazione del 2026 non è una divisione netta tra vincitori e perdenti. È una divergenza di strategie, di modelli di business e di visioni dell’IA, e la scelta giusta dipende dal contesto specifico di chi adotta. Per le imprese italiane, la vera sfida non è schierarsi in un campo, ma sviluppare la competenza necessaria per valutare quale combinazione di modelli serve ai propri obiettivi, sapendo che la risposta cambierà man mano che i modelli open source miglioreranno e i costi dei proprietari caleranno.