Fino a un paio di anni fa, la domanda era quasi retorica: vuoi usare l’intelligenza artificiale in azienda? Allora devi scegliere tra OpenAI, Google e Anthropic. Non c’era molto altro da valutare, almeno non per chi cercava prestazioni serie e strumenti affidabili. I modelli open source esistevano, ma erano percepiti come esperimenti per ricercatori o alternative di ripiego per chi non poteva permettersi le versioni commerciali.
Nel maggio del 2026, quella narrativa è superata. I modelli open source hanno raggiunto prestazioni paragonabili ai modelli proprietari di punta su un numero crescente di compiti rilevanti per le aziende. Il costo di accesso si è abbattuto in modo radicale. Le possibilità di personalizzazione e controllo che offrono non hanno equivalenti nel mondo dei modelli chiusi. Per le aziende italiane che lavorano con dati sensibili, che devono rispettare il GDPR, che vogliono non dipendere da un singolo fornitore americano, o che semplicemente vogliono capire cosa gira dentro il sistema che usano ogni giorno, la questione dei modelli open source ha smesso di essere un dettaglio tecnico e sta diventando una scelta strategica.
Cosa significa davvero “open source” nell’intelligenza artificiale
Prima di valutare i modelli, vale la pena chiarire cosa si intende con “open source” applicato all’intelligenza artificiale, perché il termine viene usato in modo molto variabile e non sempre preciso.
Secondo la definizione formalizzata dall’Open Source Initiative alla fine del 2024, un modello di intelligenza artificiale è davvero open source se il codice di addestramento e inferenza è pubblico e accessibile, se vengono resi noti almeno i criteri con cui sono stati selezionati i dati di addestramento, e se i pesi del modello — cioè i parametri appresi durante l’addestramento, che costituiscono l’essenza del modello — sono scaricabili, modificabili e utilizzabili liberamente.
Nella pratica, molti modelli vengono presentati come “open source” quando in realtà sono soltanto “open weight”: i pesi sono pubblici, ma il codice e i dati restano chiusi. Questo fenomeno, che gli esperti chiamano “openwashing”, è diffuso e vale la pena tenerlo a mente quando si valutano le opzioni disponibili. Un modello open weight non è la stessa cosa di un modello open source, anche se entrambi permettono di scaricare e usare il modello localmente.
I protagonisti del 2026
Il panorama dei modelli aperti nel 2026 è più ricco e competitivo di quanto sia mai stato. Alcune famiglie di modelli si sono affermate come riferimenti riconosciuti per contesti aziendali diversi.
Llama 4 di Meta è il punto di riferimento per chi cerca un modello di grande taglia con prestazioni elevate e licenza che consente l’uso commerciale. La versione Scout porta con sé una finestra di contesto da 10 milioni di token — un numero che non ha equivalenti tra i modelli proprietari — e un costo di inferenza ridotto del 30% rispetto alla generazione precedente. Per un’azienda che deve analizzare archivi documentali di grandi dimensioni, processare corpora estesi di testi, o costruire sistemi di ricerca interna su migliaia di documenti, Llama 4 Scout offre capacità che fino a poco tempo fa erano accessibili solo a chi poteva permettersi infrastrutture costose.
DeepSeek V4, rilasciato il 24 aprile 2026 con licenza MIT, ha fatto parlare di sé per due ragioni distinte. La prima è la dimensione: 1,6 trilioni di parametri totali, di cui 49 miliardi vengono attivati per ogni singola operazione grazie all’architettura mixture-of-experts, che rende il modello molto più efficiente di quanto le dimensioni complessive potrebbero suggerire. La seconda è il costo: i prezzi API sono tra i più bassi del mercato, e il modello può essere scaricato e installato sui propri server senza pagare alcuna licenza. Per le aziende europee, questo apre uno scenario che i modelli di OpenAI e Anthropic non possono offrire: usare un modello di fascia alta installato sui propri server in Italia, senza che un singolo dato esca dal perimetro aziendale.
Mistral Large 3, sviluppato dall’omonima azienda francese, si è affermato come il modello preferito dalle organizzazioni che devono bilanciare alte prestazioni e conformità normativa stringente. Il suo approccio nativamente multilingue lo rende particolarmente adatto al contesto europeo, e la sua struttura permette l’integrazione precisa con strumenti e API esterni. Non a caso Mistral è diventato uno dei modelli di riferimento nei progetti pubblici europei che richiedono un’alternativa europea ai fornitori americani.
Gemma 4 di Google DeepMind, rilasciata ad aprile 2026 con licenza Apache 2.0, è multimodale su tutte le varianti e introduce l’architettura mixture-of-experts anche nella famiglia Google. La versione da 31 miliardi di parametri raggiunge l’89,2% sul benchmark matematico AIME 2026, un risultato che la colloca tra i migliori modelli disponibili su compiti di ragionamento, con la libertà di uso commerciale che Apache 2.0 garantisce.
Il vantaggio che i benchmark non misurano: la sovranità del dato
I benchmark confrontano le prestazioni. Quello che non confrontano è qualcosa di diverso, ma per molte aziende più importante: il controllo su dove vanno i dati.
Quando un professionista o un’azienda usa ChatGPT, Claude o Gemini attraverso le rispettive interfacce o API, i testi che invia al modello vengono elaborati su server di proprietà di OpenAI, Anthropic o Google, in data center che si trovano prevalentemente negli Stati Uniti. Questo crea una serie di questioni concrete: chi ha accesso a quei dati? In quale giurisdizione vengono trattati? Cosa prevede il contratto di servizio riguardo all’uso dei dati per l’addestramento futuro dei modelli? Come si dimostra la conformità al GDPR quando il trattamento avviene su infrastrutture extraeuropee?
Queste domande non sono accademiche. Il GDPR impone che il trattamento dei dati personali sia documentato, controllato e limitato a quanto necessario. Con la scadenza del 2 agosto 2026 per l’applicazione integrale degli obblighi sui sistemi AI ad alto rischio introdotti dall’AI Act, le aziende europee si trovano davanti a un’ulteriore pressione normativa che richiede trasparenza sull’infrastruttura tecnologica usata.
Un modello open source installato sui propri server — in un data center italiano o europeo, o direttamente sulle macchine aziendali — risolve tutte queste questioni alla radice. I dati non escono mai dal perimetro aziendale. Non ci sono Data Processing Agreement con fornitori extraeuropei da verificare. Non c’è dipendenza da termini di servizio che possono cambiare in qualsiasi momento. Il controllo è completo, e la documentazione della conformità diventa molto più semplice.
Il crollo dei costi che ha cambiato i calcoli
Un argomento che due anni fa rendeva difficile la scelta dei modelli open source era il costo dell’infrastruttura necessaria per farli girare. Un modello di grandi dimensioni richiedeva GPU costose, competenze tecniche specializzate, e una manutenzione continua che le piccole e medie imprese difficilmente potevano sostenere.
Nel 2026, quel calcolo è cambiato in modo significativo. I costi delle GPU sono scesi. Le tecniche di ottimizzazione — quantizzazione, distillazione, architetture mixture-of-experts — hanno ridotto enormemente le risorse computazionali necessarie per ottenere buone prestazioni. Strumenti come Ollama, vLLM e llama.cpp permettono di installare e usare modelli di grandi dimensioni anche su hardware consumer, senza competenze di programmazione avanzate. Phi-4 di Microsoft, con i suoi 3,8 miliardi di parametri, supera GPT-4o su benchmark matematici specifici e può girare su workstation aziendali standard senza connessione cloud.
Per dare un’idea concreta: un’azienda che spende oggi 500 euro al mese in API di modelli commerciali per 20 utenti può, con un investimento iniziale in hardware e configurazione, costruire un sistema locale basato su modelli open source che ripaga l’investimento in 12-18 mesi, con il vantaggio permanente della sovranità sui dati e l’eliminazione del rischio di variazioni di prezzo o modifiche ai termini di servizio.
Cosa non risolvono da soli
Sarebbe sbagliato presentare i modelli open source come una soluzione universale senza limiti. Ci sono aspetti che meritano attenzione prima di scegliere questa strada.
Il primo è la complessità di implementazione. Installare un modello open source in un contesto aziendale non è complicato come installare un’app, ma richiede competenze tecniche che non tutte le organizzazioni hanno internamente. Serve qualcuno che configuri l’infrastruttura, aggiorni il modello quando escono nuove versioni, gestisca i problemi tecnici quando si presentano.
Il secondo riguarda i modelli di provenienza cinese, come DeepSeek. Usarli tramite API significa inviare dati ai server cinesi dell’azienda, con tutte le implicazioni di privacy e sicurezza che questo comporta. Usarli in locale, scaricando i pesi e installandoli sui propri server, elimina completamente questo problema — ma richiede appunto l’infrastruttura locale. Vale la pena distinguere con attenzione tra i due scenari: la provenienza geografica del produttore non impatta l’inferenza locale, perché nessun dato esce dalla propria macchina.
Il terzo è la questione del supporto. Un modello proprietario commerciale viene aggiornato, migliorato e mantenuto dal fornitore. Con un modello open source, il mantenimento è responsabilità di chi lo usa, a meno di non affidarsi a uno dei servizi di hosting specializzati che oggi offrono modelli open source su infrastruttura europea gestita.
Perché questa scelta diventerà sempre più comune
Il progetto OpenEuroLLM, sostenuto dalla Commissione Europea con 37,4 milioni di euro e coordinato da un consorzio di 20 centri di ricerca europei, sta lavorando allo sviluppo di un modello linguistico open source nativo europeo, addestrato su lingue e dati europei, conforme all’AI Act e progettato per servire le esigenze di aziende e istituzioni del continente. La prima versione è attesa entro fine 2026.
Questo non è un dettaglio: è il segnale che la sovranità digitale nell’intelligenza artificiale è diventata una priorità politica e industriale europea, e che i modelli open source sono il principale strumento con cui quella sovranità si costruisce concretamente.
Per un’azienda italiana che vuole capire dove investire oggi senza rischiare di trovarsi dipendente domani da un singolo fornitore con sede all’estero, tenere d’occhio questo spazio — con la consapevolezza di quello che offre e di quello che richiede — è già un vantaggio.
Antonio Sinibaldi — Formatore in Intelligenza Artificiale per aziende e professionisti. Docente del corso IA per l’Istituto Nazionale Tributaristi. Autore della collana IA PRATICA