La corsa ai modelli aperti non riguarda più soltanto l'accesso ai pesi: oggi conta chi può eseguirli, a quali condizioni e con quali controlli.
L'intelligenza artificiale sta entrando in una fase meno binaria. Per anni il confronto è stato raccontato come una scelta tra modelli chiusi, controllati dai grandi laboratori, e modelli aperti, disponibili alla comunità. Le notizie di questi giorni mostrano un quadro più utile e più concreto: l'apertura dei pesi è solo il primo livello. Subito dopo arrivano licenze, capacità di calcolo, sicurezza, dati e responsabilità.
Anthropic: test, non divieti
Anthropic ha chiarito pubblicamente di non sostenere un divieto generale per i modelli open weight. La società propone però test di sicurezza per i modelli più capaci, indipendentemente dal fatto che siano aperti o chiusi, e mantiene una linea severa su chip avanzati, distillazione industriale e rischi geopolitici.
La distinzione conta. Un modello con pesi disponibili può essere studiato, adattato e distribuito più facilmente; non per questo è automaticamente adatto a ogni impiego. Per le imprese, il criterio dovrebbe essere pragmatico: quali controlli sono necessari per quel modello, in quel processo, con quei dati?
È lo stesso criterio che applichiamo in TeraBrain quando assegniamo un modello a un agente: Claude di Anthropic sui compiti di ragionamento lungo e analisi documentale, GPT di OpenAI sui task generalisti, Gemini di Google sulle elaborazioni multimodali, modelli open weight dove contano costo, latenza o esecuzione in ambiente controllato. Nessun modello è la risposta a tutto.
GLM 5.2 e Kimi K3: pesi disponibili, adozione da verificare
Moonshot ha pubblicato i pesi di Kimi K3 con una licenza specifica. Le fonti lo descrivono come un modello multimodale e agentico di grandi dimensioni. È una mossa rilevante perché aumenta le opzioni per chi vuole sperimentare al di fuori dei servizi completamente gestiti.
Poche settimane prima Z.ai (Zhipu) aveva pubblicato GLM 5.2 su Hugging Face con licenza MIT: un Mixture-of-Experts da circa 745 miliardi di parametri, con circa 40 miliardi attivi per token e una finestra di contesto da un milione di token. Sui benchmark agentici dichiarati si colloca vicino ai modelli di frontiera, intorno a 81 su Terminal-Bench 2.1 contro 85 di Claude Opus 4.8, a un costo per token che i listini pubblici indicano tra le cinque e le sette volte inferiore, con differenze sensibili tra le fonti.
I due rilasci non sono equivalenti. Una licenza MIT e una licenza proprietaria “open weight” non concedono le stesse libertà: la seconda può includere limiti d'uso commerciale, obblighi di attribuzione o clausole di revoca. Va letta prima, non dopo.
C'è poi una distinzione che pesa ancora di più: usare l'API di un modello aperto non equivale a eseguirlo. Scaricare i pesi e ospitarli in un ambiente controllato è una scelta di governance; chiamare l'endpoint gestito del fornitore è un'altra cosa, con implicazioni diverse su residenza dei dati, giurisdizione e conformità. È un tema già sollevato in modo esplicito proprio per l'API di GLM 5.2. L'apertura dei pesi non trasferisce automaticamente il controllo a chi la usa: lo rende possibile, se qualcuno se ne assume l'onere.
Ma “scaricabile” non significa “pronto per la produzione”. Prima di adottare un modello open weight servono almeno quattro verifiche:
- Licenza e vincoli per l'uso commerciale.
- Requisiti reali di inferenza, memoria e latenza: un MoE da centinaia di miliardi di parametri non gira su un server qualsiasi.
- Trattamento dei dati e disponibilità di ambienti isolati.
- Qualità su casi d'uso propri, non solo sui benchmark pubblici.
L'apertura può ridurre la dipendenza da un singolo fornitore, ma sposta sull'utilizzatore una quota maggiore di responsabilità tecnica. Prima di inserire un nuovo modello nel routing della nostra piattaforma lo sottoponiamo esattamente a queste quattro verifiche, sui processi reali del cliente e non sui benchmark del fornitore.
La sicurezza diventa un workflow agentico
Microsoft ha presentato Perception, un'offerta di sicurezza agentica basata anche sul modello MAI-Cyber-1-Flash. L'idea di fondo è chiara: un sistema può usare un modello più efficiente per i casi comuni e riservare risorse più costose alle eccezioni difficili.
È lo stesso principio che molte aziende possono applicare ai propri processi: non scegliere un solo modello per tutto, ma instradare il lavoro in base a rischio, complessità e costo. La condizione essenziale è non delegare ciecamente. Un agente che propone una patch non deve avere automaticamente il potere di distribuirla.
Un agente che propone una patch non deve avere automaticamente il potere di distribuirla.
Un'alleanza per gli strumenti, non una scorciatoia
Nvidia ha annunciato l'Open Secure AI Alliance con CrowdStrike, Hugging Face e Dell, orientata a strumenti condivisi per safety e cybersecurity. La collaborazione è un segnale importante: la sicurezza dell'AI non può restare confinata nel singolo modello.
Gli ingredienti minimi di un'architettura affidabile restano prosaici ma decisivi: sandbox separate, privilegi minimi, registri delle azioni, revisione umana sulle operazioni ad alto impatto e possibilità di interrompere il sistema dall'esterno.
La privacy non è un dettaglio di configurazione
Le cronache su conversazioni AI finite nei risultati dei motori di ricerca ricordano che la privacy è anche una questione di implementazione web. Regole di crawling, pagine condivisibili, tag di indicizzazione e link pubblici possono trasformare una funzione comoda in un rischio.
Per chi progetta prodotti con AI, una checklist di pubblicazione dovrebbe includere test contro l'indicizzazione involontaria, revisione dei permessi e un confine chiaro tra contenuti privati e contenuti destinati al web.
Come lo facciamo in TeraBrain
La nostra piattaforma nasce proprio da questa impostazione: multi-modello per scelta, non per opportunismo. Ogni agente usa il modello più adatto al suo compito e la piattaforma combina OpenAI, Claude, Gemini, modelli open weight come GLM e modelli verticali con routing e fallback automatici. Se un fornitore cambia prezzi, licenza o disponibilità, il processo del cliente non si ferma.
- Routing per rischio e costo: modelli leggeri sui volumi ripetitivi, modelli di frontiera sulle eccezioni che valgono davvero.
- Modelli open weight per i casi in cui i dati non devono uscire da un perimetro definito.
- Sandbox separate, privilegi minimi e log completo di ogni azione dell'agente.
- Approvazione umana obbligatoria sulle operazioni ad alto impatto: l'agente propone, la persona autorizza.
- Verifica delle licenze e della residenza dei dati prima dell'adozione, non dopo l'incidente.
Il costo lo misuriamo per attività completata, non per token. È l'unica metrica che dice davvero se un modello conviene su quel processo.
Il punto per le imprese
Il vantaggio non nasce dall'avere il modello più grande o più aperto. Nasce dalla capacità di combinarlo con un processo verificabile. Nei prossimi mesi vinceranno le organizzazioni che sapranno misurare il costo per attività completata, scegliere il modello adeguato, rispettare le licenze e mantenere il controllo sulle azioni degli agenti.
L'AI aperta amplia il campo delle possibilità. La governance decide se quelle possibilità diventano un vantaggio reale.
Se state valutando quali modelli portare nei vostri processi, e con quali controlli, possiamo analizzare insieme un caso d'uso reale e costruire un percorso verificabile.
Fonti: Techmeme; comunicazioni e pagine pubbliche di Anthropic, Microsoft, Nvidia, Moonshot e Z.ai; fonti giornalistiche collegate da Techmeme. Le valutazioni di prestazione e costo riportate dai fornitori sono trattate come dichiarazioni da verificare.