Modelli AI open source: guida completa

I modelli AI open source sono modelli di intelligenza artificiale i cui pesi — i parametri numerici appresi durante l'addestramento — sono pubblicamente disponibili e scaricabili. In pratica puoi prendere il modello, eseguirlo su un server tuo (o su un cloud a tua scelta), adattarlo e usarlo senza dipendere dall'API di un singolo fornitore. È l'alternativa ai modelli "chiusi" come ChatGPT, Claude o Gemini, che usi solo tramite il servizio di chi li ha creati.

C'è però una distinzione onesta da fare subito: molti modelli presentati come "open source" sono in realtà a pesi aperti (open weight). Puoi scaricarli ed eseguirli, ma la licenza spesso pone restrizioni — limiti agli usi commerciali, divieti su certi casi, nessun rilascio dei dati di addestramento. Open source in senso stretto (la definizione OSI) richiede molto di più: libertà piena di usare, modificare e ridistribuire. Sapere in quale categoria ricade un modello evita brutte sorprese legali.

In questa guida vediamo cosa significa davvero open source nell'AI, i vantaggi e i limiti reali, una panoramica delle famiglie principali (Llama, Mistral, DeepSeek, Qwen, Gemma) senza classifiche assolute, e soprattutto quando un modello aperto conviene a una PMI e quando invece è meglio un'API gestita.

Cosa significa "open source" per un modello AI

Nel software tradizionale open source significa una cosa chiara: il codice sorgente è pubblico, lo puoi leggere, modificare e ridistribuire. Con i modelli AI la faccenda è più sfumata, perché un modello non è solo codice: è fatto di codice, dati di addestramento e pesi (i miliardi di numeri che il modello ha imparato). Un modello può essere "aperto" su alcuni di questi piani e chiuso su altri.

Per orientarti, tieni a mente tre livelli di apertura:

• Open source in senso stretto (OSI): pesi, codice e — idealmente — informazioni sui dati sono rilasciati con una licenza che consente uso, modifica e ridistribuzione senza restrizioni rilevanti. È il livello più libero e anche il più raro tra i modelli grandi.
• Pesi aperti (open weight): i pesi sono scaricabili ed eseguibili, ma la licenza pone condizioni — può vietare alcuni usi, limitare l'uso commerciale oltre una certa soglia, o non rilasciare i dati di addestramento. È la categoria in cui ricade la maggior parte dei modelli "famosi".
• Chiuso (proprietario): accedi al modello solo tramite l'API o l'app del fornitore. Non scarichi nulla. È il caso di ChatGPT, Claude e Gemini.

Perché la distinzione conta davvero

Non è pedanteria. La differenza tra open source puro e pesi aperti ha conseguenze pratiche: una licenza con restrizioni commerciali può impedirti di usare il modello in un prodotto a pagamento; una clausola sul numero di utenti attivi può scattare proprio quando l'azienda cresce; l'assenza dei dati di addestramento rende impossibile sapere su cosa il modello è stato istruito (e quindi quali bias o limiti porta con sé). Per una PMI che vuole costruire qualcosa di stabile, la licenza è una scelta di rischio quanto la qualità del modello.

Quali sono i vantaggi dei modelli AI open source

I motivi per cui un'azienda sceglie un modello aperto invece di un'API chiusa sono concreti e quasi sempre riconducibili a quattro temi.

• Controllo: il modello gira dove decidi tu. Nessun fornitore può cambiarne il comportamento, deprecarlo o aumentarne il prezzo da un giorno all'altro.
• Privacy e residenza dei dati: i dati non escono dalla tua infrastruttura. Per documenti sensibili, dati clienti o requisiti GDPR stringenti è spesso l'unica via davvero serena.
• Costi prevedibili sui volumi alti: paghi l'infrastruttura, non il singolo token. Su volumi alti e costanti un modello self-hosted può costare meno di un'API a consumo.
• Personalizzazione: puoi adattare il modello al tuo dominio con tecniche come il fine-tuning, cosa non sempre possibile (o conveniente) sui modelli chiusi.

Il filo comune è l'indipendenza: non sei legato alle decisioni di un singolo fornitore. Per alcune aziende questo è un dettaglio, per altre — chi tratta dati regolamentati o vuole evitare il vendor lock-in — è il fattore decisivo.

Quali sono gli svantaggi e i limiti

Il rovescio della medaglia è altrettanto concreto, e va detto chiaramente perché è la parte che il marketing tende a nascondere. "Gratis da scaricare" non significa "gratis da usare".

• Competenze: servono persone che sappiano installare, ottimizzare e mantenere il modello. Non è plug-and-play come aprire ChatGPT.
• Infrastruttura: i modelli grandi richiedono GPU costose o cloud GPU a noleggio. Quelli piccoli girano anche su hardware modesto, ma con qualità inferiore.
• Manutenzione: aggiornamenti, sicurezza, monitoraggio, gestione dei picchi di carico. Tutto questo, con un'API chiusa, lo fa il fornitore al posto tuo.
• Qualità variabile: i migliori modelli chiusi restano spesso avanti su compiti generici. Un modello aperto va scelto e testato sul caso d'uso specifico, non dato per equivalente.

Quali sono le principali famiglie di modelli open source

Ecco una panoramica delle famiglie che incontri più spesso, senza classifiche assolute: ognuna ha punti di forza diversi e il "migliore" dipende dal compito, dalla lingua e dalla licenza che ti serve. I nomi e le versioni cambiano in fretta, quindi verifica sempre la pagina ufficiale prima di decidere.

Un punto da non sottovalutare: la provenienza geografica conta per i dati. Modelli sviluppati da aziende cinesi (DeepSeek, Qwen) sono ottimi tecnicamente, ma se ti colleghi alla loro API ufficiale i dati transitano su server soggetti a giurisdizione extra-UE. Per dati personali o sensibili la via prudente è il self-hosting dei pesi su infrastruttura europea, così il modello gira da te e nulla esce verso server esterni. Lo stesso vale, in generale, quando vuoi eseguire un modello in locale: ne parliamo nella guida sui modelli AI locali.

Come si confronta un modello aperto con uno chiuso

La scelta non è ideologica: è una valutazione di costi, rischi e competenze. Per un metodo strutturato, la guida come scegliere un modello AI entra nei criteri uno per uno.

Esempi pratici

Due scenari realistici di PMI italiane, per capire quando un modello aperto è la scelta giusta e quando no.

1. Studio legale — riservatezza assoluta dei documenti. Uno studio deve usare l'AI per riassumere e classificare atti e contratti che non possono in alcun modo lasciare i propri sistemi. Un'API chiusa, anche affidabile, implicherebbe inviare il testo a server esterni. La soluzione è eseguire un modello a pesi aperti in self-hosting su un server europeo controllato dallo studio: i documenti restano dentro, il modello lavora lì. Qui l'open source non è un risparmio, è un requisito di compliance. Vedi anche AI per studi legali.

2. E-commerce — alto volume di descrizioni prodotto. Un negozio online genera migliaia di descrizioni e risposte automatiche al mese. Sui volumi alti, il costo a token di un'API a pagamento diventa significativo. Un modello aperto, anche di dimensioni medie, girato su un cloud GPU a costo fisso, può abbattere la spesa mensile — a patto che la qualità sul compito specifico (descrizioni brevi, tono coerente) sia adeguata, cosa da verificare con un test reale. Se invece i volumi fossero bassi, l'API resterebbe più conveniente.

In entrambi i casi la domanda guida è la stessa: cosa mi serve davvero — privacy, costo o qualità generica? La risposta decide la tecnologia, non il contrario.

Errori da evitare

• Scambiare "pesi aperti" per "open source senza vincoli". È l'errore più frequente. Prima di usare un modello in un prodotto commerciale, leggi la licenza: alcune impongono limiti che scattano proprio quando cresci.
• Sottovalutare il costo dell'infrastruttura. "Il modello è gratis" è vero solo a metà. GPU, manutenzione e tempo delle persone possono superare il costo di un'API, specie sui volumi bassi.
• Inseguire il modello "più potente" senza un test. Le classifiche generiche dicono poco sul tuo caso. Un modello più piccolo ben adattato spesso batte uno enorme su un compito specifico. Misura sui tuoi dati.
• Inviare dati sensibili all'API ufficiale di modelli extra-UE. DeepSeek o Qwen sono ottimi, ma la loro API porta i dati fuori dall'UE. Per dati regolamentati, self-hosting o niente.
• Adottare un modello aperto solo "per principio". L'indipendenza è un valore, ma se non hai un requisito reale di privacy, costo o personalizzazione, un'API gestita ti dà lo stesso risultato con molto meno sforzo.

Come applicarlo in azienda

Decidere tra un modello aperto e un'API gestita è una scelta strutturale: conviene affrontarla con metodo, non a sensazione.

1. Parti dal requisito vincolante. Hai un obbligo di privacy o residenza dei dati? Allora il self-hosting di un modello aperto è candidato naturale. Se no, prosegui.
2. Stima i volumi reali. Quante richieste al mese, con che picchi. Volumi alti e costanti spingono verso l'open source; volumi bassi o irregolari verso l'API a consumo.
3. Valuta le competenze interne. Hai chi sa gestire GPU, deployment e manutenzione? In caso contrario, metti a budget un partner o scegli l'API.
4. Fai un test sul caso d'uso. Prendi un modello aperto candidato e provalo sui tuoi dati reali, confrontandolo con un modello chiuso. Decidi sui numeri, non sulle promesse.
5. Calcola il costo totale. Licenze, infrastruttura, manutenzione e ore delle persone — confrontale con il costo dell'API equivalente sui tuoi volumi.

Questo è esattamente il tipo di valutazione per cui esiste una consulenza AI: capire se nel tuo caso l'open source è un vantaggio reale o un costo nascosto, ed evitare scelte tecnologiche prese per moda. Quando la decisione porta a costruire qualcosa di stabile e integrato nei processi, entrano in gioco il software su misura e gli agenti AI, che possono usare indifferentemente modelli aperti o chiusi a seconda del requisito. Se vuoi vedere come sperimentiamo con questi modelli, dai un'occhiata al The Lab.

Conclusione

I modelli AI open source non sono né una panacea né un ripiego: sono uno strumento con un profilo preciso. Danno controllo, privacy e costi prevedibili sui volumi alti, ma chiedono in cambio competenze, infrastruttura e manutenzione. La distinzione tra open source puro e pesi aperti non è un dettaglio accademico: cambia cosa puoi legalmente farci. E le famiglie principali — Llama, Mistral, DeepSeek, Qwen, Gemma — vanno scelte per caso d'uso, lingua e licenza, mai per classifica generica. Per una PMI la domanda giusta non è "qual è il modello più potente?", ma "il mio requisito reale è privacy, costo o qualità?". Da qui puoi proseguire con come scegliere un modello AI e con i modelli AI locali per capire quando far girare tutto in casa.

Se vuoi passare dai test con ChatGPT a un sistema AI integrato nei processi aziendali, Giallo Studio progetta agenti e automazioni su misura — con modelli aperti o chiusi a seconda di cosa serve davvero.