AI generativa in azienda: modelli open source alla prova dei fatti

Nel contesto dinamico dell’intelligenza artificiale generativa, il confronto tra modelli linguistici open e closed source costituisce un elemento decisivo nelle strategie di imprese e sviluppatori.

La scelta tra i due approcci implica considerazioni strategiche, economiche ed etiche fondamentali. Il dibattito su vantaggi e svantaggi nell’adozione delle due soluzioni torna ciclicamente ad occupare un posto di primo piano nella discussione scientifica e aziendale tra gli addetti ai lavori, come testimoniano le recenti discussioni nel settore [1] [2] [3] [4]

Definizione e differenze tra modelli open source e closed

Ma cosa si intende esattamente per modelli open e closed source nel contesto dell’intelligenza artificiale generativa?

I modelli open source offrono accesso pubblico al codice e talvolta ai dati di addestramento (es. Mistral, TII Falcon e in parte Meta Llama). I vantaggi includono maggiore trasparenza, deployment locale con benefici per la privacy, potenziali risparmi sui costi e un’innovazione collaborativa. Tuttavia, questi modelli presentano generalmente performance inferiori rispetto alle alternative proprietarie, richiedono risorse per la manutenzione, possono comportare rischi di sicurezza, mancano di supporto tecnico ufficiale e sollevano questioni di responsabilità legale.

D’altra parte, i modelli closed source come GPT-4 (OpenAI), Claude (Anthropic) e Gemini (Google) mantengono il codice proprietario con accesso limitato e controllo centralizzato. L’interazione avviene principalmente tramite API, garantendo agli sviluppatori potenza di calcolo avanzata senza necessità di hardware specializzato, ma a costo di minore trasparenza e flessibilità.

La scelta tra questi approcci dipende dalle esigenze specifiche dell’organizzazione, bilanciando fattori tecnici, economici e strategici in un settore in rapida evoluzione.

I modelli conversazionali di intelligenza artificiale prima di ChatGpt

L’ecosistema dei modelli conversazionali di intelligenza artificiale antecedente al lancio di ChatGPT nel 2022 comprendeva prevalentemente modelli open source, una serie di versioni di GPT (GPT-2, GPT-Neo, GPT-J), DialoGPT, BlenderBot, RASA ecc. Il lancio di ChatGPT ha segnato uno dei momenti più significativi nel campo dell’IA, rendendo possibile, attraverso un’interfaccia molto intuitiva, la comunicazione con un modello di intelligenza artificiale, capace di generare risposte coerenti e versatili in linguaggio naturale. ChatGPT è accessibile gratuitamente per gli utenti (con versioni più avanzate a pagamento) pur rimanendo un modello closed source. Nessun dettaglio riguardante l’architettura, i dati o il processo di addestramento è stato reso pubblico.

L’innovazione introdotta da OpenAI sembrerebbe aver forzato grandi aziende come Google, Meta, Anthropic ad accelerare lo sviluppo e il rilascio delle proprie alternative concorrenti a ChatGPT. Durante il 2023, sono stati lanciati modelli come Bard (poi Gemini), LLaMA, Claude ecc.
Tra questi Large Language Models (LLM), LLaMA è l’unico modello open weight — un modello i cui pesi (parametri appresi durante l’addestramento), sono resi pubblici e possono essere riutilizzati liberamente — mentre le altre aziende hanno seguito l’approccio di OpenAI, mantenendo i propri modelli chiusi e non accessibili al pubblico.

Un altro momento chiave si è verificato nel gennaio 2025 con il lancio di DeepSeek-R1. Questa nuova serie di modelli open source ha rappresentato una svolta significativa nel settore offrendo un’alternativa accessibile e trasparente ai modelli proprietari dominanti sul mercato. In risposta a questa novità, aziende come OpenAI si sono viste costrette a rivedere le proprie pratiche, muovendosi nella direzione di una maggiore apertura.

Il caso DeepSeek: un nuovo competitor open source

DeepSeek-R1 è una serie di modelli open source, sviluppata dalla startup cinese DeepSeek, che si posiziona al livello di soluzioni leader come OpenAI o1 e o1-mini. Il lancio, ha portato con sé importanti novità, ma ha anche sollevato dubbi e preoccupazioni legati alla protezione dei dati e all’etica.

Tuttavia, essendo i modelli completamente open source, permettono l’uso autonomo tramite self o cloud hosting, senza dover dipendere da aziende terze come nel caso di OpenAI o Google. Ogni individuo o azienda, può scaricare questi modelli, personalizzarli secondo le proprie esigenze e gestirli in completa autonomia. Naturalmente, l’adozione di modelli open source come DeepSeek comporta che i costi di configurazione, gestione e manutenzione dell’infrastruttura rimangono a carico dell’utente finale. Come accennato però l’uso autonomo permette il controllo completo della gestione del modello e la conservazione dei dati, offrendo vantaggi in termini di privacy e conformità al GDPR.

La reazione del mercato: OpenAI e Meta rispondono a DeepSeek

L’ingresso dirompente di DeepSeek ha innescato reazioni significative da parte dei principali protagonisti del mercato, in particolare OpenAI e Meta.

OpenAI: un cambio di rotta verso l’open source

Tralasciando le discussioni e i dibattiti pubblici innescati dal lancio di DeepSeek, la reazione strategica di OpenAI è stata significativa. Recentemente, infatti, il CEO di OpenAI Sam Altman ha annunciato l’intenzione di “rilasciare un modello open weight molto presto”. Questa decisione rappresenta una deviazione sostanziale rispetto alla tradizionale politica dell’azienda, che ha storicamente mantenuto i suoi modelli più avanzati come soluzioni proprietarie accessibili solo tramite API. Sebbene non siano ancora stati annunciati modelli del tutto open source, la mossa sembra rispondere direttamente alla crescente pressione del mercato verso modelli più trasparenti e personalizzabili, nonché alla necessità di mantenere la leadership in un settore sempre più competitivo.

Meta: l’accelerazione di Llama 4

La risposta di Meta alla sfida posta da DeepSeek si è concretizzata principalmente nell’accelerazione dello sviluppo e del rilascio del nuovo modello Llama 4. Inizialmente, il CTO Andrew Bosworth aveva minimizzato l’impatto di DeepSeek, definendo il sistema “una grande innovazione open source, ma non un cambiamento epocale”, mentre l’azienda ha istituito gruppi di lavoro dedicati all’analisi delle tecniche di ottimizzazione del concorrente. Il Chief AI scientist di Meta Yann LeCun invece ha dichiarato che il successo di DeepSeek conferma come il progresso nell’AI deriva principalmente dall’innovazione architetturale e dall’apertura. Inoltre, ha affermato che la giusta chiave di lettura di tutto il caso risiede proprio nel fatto che “i modelli open source stanno superando quelli proprietari”.

Sebbene anche in questo caso il dibattito scientifico e di business sia fervente ( [5], [6]), sul piano operativo il modello conferma l’impegno verso una strategia open-weight riaffermando come l’innovazione nel campo dell’AI prosperi grazie all’apertura e alla collaborazione.

Secondo quanto riportato dall’azienda, LlaMA 4 segna un’evoluzione decisiva rispetto alle versioni precedenti, introducendo innovazioni sostanziali come un’architettura Mixture-of-Experts (MoE), in cui solo una parte del modello viene attivata a seconda della richiesta, rendendo l’elaborazione più efficiente senza compromettere la qualità delle risposte; capacità multimodali native che consentono l’elaborazione integrata di testo, immagini e video; una finestra di contesto ampliata; e disponibilità attraverso piattaforme come AWS (Amazon Web Services), Azure (Microsoft) e Hugging Face – uno dei più importanti hub open source dedicato all’AI che mette a disposizione modelli, dataset e applicazioni.

Particolarmente rilevante è stata la presentazione di un grafico comparativo che posiziona Meta Llama 4 Maverick come il modello con il miglior rapporto qualità-costi secondo le valutazioni di Chatbot Arena, piattaforma di riferimento per il confronto diretto tra diversi sistemi conversazionali. Questa analisi evidenzia come Meta stia puntando non solo sull’eccellenza tecnica, ma anche sull’efficienza economica, elemento cruciale nel dibattito tra soluzioni open e closed source.

Queste reazioni di OpenAI e Meta illustrano come la distinzione tra approcci open e closed source stia evolvendo, con tutti gli attori coinvolti che mostrano una chiara tendenza verso una maggiore apertura. Le aziende stanno progressivamente abbracciando filosofie più trasparenti e collaborative, influenzando la direzione dell’intero settore pur bilanciando strategicamente l’innovazione proprietaria.

AI Open vs AI Closed nella pratica aziendale

Nella pratica aziendale, la scelta tra open e closed source costituisce una decisione strategica fondamentale considerate le diverse implicazioni. Per quanto riguarda i costi, il closed source implica costi di licenza, offrendo però soluzioni “out of the box” pronte per l’utilizzo. D’altro canto, l’open source permette di ridurre le spese legate alle licenze, offrendo due opzioni per l’hosting: self o cloud. Il self hosting implica l’utilizzo del modello open source su un’infrastruttura proprietaria, richiedendo naturalmente un investimento in hardware, manutenzione e competenze tecniche. Il cloud hosting invece, consente di ospitare il modello su una piattaforma cloud, con un pagamento al provider per l’utilizzo delle risorse. Queste alternative garantiscono un controllo diretto sulla gestione dei dati, mentre, per quanto riguarda la protezione dei dati nel caso di closed source, si rimane dipendenti alle garanzie ufficiali offerte dal provider. Altri fattori chiave sono l’etica e la trasparenza: le soluzioni open permettono un pieno controllo del codice, contro l’opacità tipica dei software proprietari.

Infine, in merito alla scalabilità, il closed source si presenta spesso come una scelta più immediata e rapida, mentre l’open source, offre molte più flessibilità, richiedendo però competenze tecniche solide all’interno del team.

Tendenze emergenti nel mondo degli LLM: verso un futuro ibrido

L’evoluzione degli LLM ha seguito un rapido percorso di crescita, con una crescente competizione tra approcci aperti e proprietari che sta ridefinendo le direzioni future del settore. La specializzazione verticale rappresenta una tendenza chiave. Il passaggio da modelli generalisti a soluzioni task-specific tramite fine-tuning migliora l’accuratezza riducendo i requisiti e i costi computazionali – direzione che, anche secondo un articolo pubblicato su Forbes recentemente, rappresenta l’evoluzione naturale della competizione tra approcci open e closed source. Un recente articolo pubblicato su Nature invece dimostra un approccio alternativo promettente nel campo medico. Lo studio realizzato dai ricercatori di Forta Health presenta OpenMedLM, che utilizzando modelli open source con tecniche avanzate di prompt engineering come few-shot, chain-of-thought e self-consistency voting raggiunge risultati migliori su quattro benchmark medici chiave rispetto a modelli specializzati che richiedono costosi processi di fine-tuning e dati medici specifici.

Nell’era della connettività pervasiva, con oggetti tradizionalmente d’uso quotidiano trasformati in dispositivi che comunicano tra loro dati diventando nodi intelligenti di una rete globale, l’edge computing e l’Internet of Things sono nuove frontiere cruciali che influenzano anche l’implementazione di LLM. La necessità di elaborare dati in prossimità della loro origine spinge verso la quantizzazione di modelli open source per dispositivi con risorse limitate e in cui è fondamentale ridurre la latenza. Questi modelli si rivelano particolarmente adatti a questi scenari poiché possono essere fortemente compressi e personalizzati per hardware specifici, come si è visto con modelli Mistral ottimizzati per smartphone e gateway IoT. Questi sviluppi stanno portando a un consolidamento di approcci ibridi, dove i modelli più pesanti risiedono nel cloud mentre versioni distillate operano sui dispositivi edge, combinando i vantaggi di entrambi i paradigmi: la potenza computazionale del cloud e la reattività locale dell’edge. Una conferma concreta di questa tendenza emerge dal recente accordo tra IBM e Qualcomm. Annunciato a febbraio 2025, l’accordo mira proprio a implementare soluzioni di AI generativa enterprise-grade tra dispositivi edge e cloud.

Conclusioni: coesistenza e convergenza dei modelli

Dagli ultimi sviluppi, dunque, sembrerebbe che il mondo dell’AI generativa stia evolvendo verso modelli ibridi. Inizialmente caratterizzato da una forte spinta open source, il settore ha visto una progressiva chiusura da parte di alcuni attori chiave come OpenAI. Tuttavia, la recente apertura di questi ultimi, in parte come reazione all’emergere di competitor open source come DeepSeek, segna un’inversione di tendenza. Parallelamente, anche Meta sta intensificando il proprio impegno nello sviluppo di modelli open source. Risulta chiaro come i principali sforzi futuri si focalizzeranno sulla coesistenza di trasparenza collaborativa e specializzazione proprietaria per offrire soluzioni più flessibili alle esigenze aziendali. Questa tendenza emergente verso un modello ibrido promette di bilanciare i vantaggi della condivisione e della personalizzazione, consentendo alle aziende di sfruttare al meglio le diverse architetture e approcci.

Bibliografia