Il modello frontier ora lo scarichi
Il divario tra AI open e chiusa è sceso a circa tre mesi: cosa cambia per chi decide se costruire, comprare o ospitare.
Luciano Cipriano
7/30/20264 min read
Ciao a tutti,
Ben arrivati su WikiLuc.
Per anni, quando un cliente mi chiedeva "qual è il modello migliore?", la risposta implicita era "quello dietro un paywall, di un grande lab americano". Era un riflesso quasi automatico. A maggio 2026 quel riflesso è diventato sbagliato: il modello migliore, o quasi, oggi lo scarico, lo faccio girare sul mio hardware e non pago un centesimo per token. Non è una sfumatura tecnica — è un cambiamento che ribalta come si prendono le decisioni di architettura.
Di cosa parliamo oggi:
Quanto si è ristretto davvero il gap tra modelli open e chiusi
Cosa significa per la scelta build-vs-buy e per il self-hosting
La questione della sovranità del dato e del costo per token
Dove conviene un open-weight e dove invece no
Partiamo dal problema.
Il gap più piccolo mai misurato
Cosa intendiamo per "open-weight"
Una precisazione che evita equivoci: "open-weight" non vuol dire necessariamente open source in senso pieno. Significa che i pesi del modello sono scaricabili e puoi eseguirlo dove vuoi, senza passare per l'API di qualcuno. La licenza può variare, ma il punto pratico è quello: il modello è in casa tua.
E qui sta la notizia. A maggio 2026 i modelli open-weight inseguono lo stato dell'arte di circa tre mesi in media — il divario più piccolo mai misurato. Modelli come Qwen 3.5, DeepSeek V3.2/V4, GLM-5 e Llama 4 eguagliano o battono le alternative proprietarie su molti benchmark chiave. Tre mesi: il tempo che separa chi paga per il frontier chiuso da chi scarica gratis qualcosa di quasi equivalente.
[~3 mesi: gap medio open vs closed · 0: costo per token su modello self-hosted · 87: punteggio del miglior open-weight (DeepSeek V4)]
Tre mesi: è tutto ciò che oggi separa il frontier a pagamento da un open-weight che scarichi gratis.
Cosa cambia per build-vs-buy
Per anni la scelta è stata semplice: chiamare l'API di un grande lab era quasi sempre la mossa razionale, perché il gap di qualità giustificava il costo e la dipendenza. Con un divario di tre mesi, l'equazione cambia. Per molti casi d'uso, un open-weight self-hosted "abbastanza buono" oggi vince su un frontier chiuso "leggermente migliore ma a pagamento", soprattutto quando i volumi sono alti e il costo per token, moltiplicato per milioni di chiamate, diventa la voce dominante.
Attenzione: questo non significa che il self-hosting sia gratis. Sposti il costo dal listino del modello all'infrastruttura — GPU, MLOps, manutenzione, aggiornamenti. È un trade-off, non un pasto gratis. Ma è un trade-off che dodici mesi fa non aveva senso porsi e oggi sì, perché la qualità non è più il fattore che decide da solo.
La sovranità del dato
C'è poi una ragione che pesa più del costo, e che vedo diventare decisiva proprio in Europa: la sovranità del dato. Quando chiami l'API di un lab, i tuoi prompt — spesso pieni di dati sensibili — escono dal tuo perimetro. Con un modello open-weight ospitato in casa, non escono affatto. Per banche, sanità, pubblica amministrazione, difesa, questa differenza non è un di più: è ciò che rende un progetto AI ammissibile o no. La chiusura del gap di qualità toglie l'ultimo alibi a chi diceva "vorrei tenermi i dati in casa, ma i modelli open non sono abbastanza buoni". Adesso lo sono quasi.
Le domande operative da farsi
I miei volumi sono tali che il costo per token, moltiplicato per le chiamate reali, supera il costo di gestire la mia infrastruttura?
I dati che mando al modello sono sensibili al punto da rendere il self-hosting non un'opzione ma un requisito?
Ho le competenze MLOps per ospitare e mantenere un modello, o quel costo nascosto cancella il risparmio sul per-token?
Sono le domande che fino a ieri si potevano rimandare e che ora definiscono la strategia AI di un'organizzazione. La direzione è chiara: con il gap che continua a stringersi, la scelta tra open e chiuso smetterà di essere una questione di qualità e diventerà una questione di controllo — su costi, dati e dipendenze. Chi inizia oggi a porsi queste domande arriverà preparato a un mondo in cui "quale modello" conterà meno di "chi lo controlla".
Notizie da tenere d'occhio
Il gap open-closed a ~3 mesi
I migliori open-weight inseguono il frontier di pochi mesi, il minimo storico.
Perché importa: erode la giustificazione principale per restare legati alle API proprietarie.Self-hosting come scelta di sovranità
Tenere i dati nel proprio perimetro diventa fattibile senza sacrificare troppa qualità.
Perché importa: sblocca progetti AI in settori regolati dove i dati non possono uscire.Il costo si sposta dal token all'infrastruttura
Niente per-token, ma GPU e MLOps da gestire. Perché importa: il risparmio è reale solo se hai le competenze per sostenere l'infrastruttura.
Una cosa da provare
🔧 Una leaderboard aggiornata di open-weight (Hugging Face / BenchLM) — Prima di dare per scontato che "serve per forza l'API del grande lab", confronta il tuo caso d'uso con i punteggi dei migliori open-weight del mese. Spesso scoprirai che un modello scaricabile copre il 90% di ciò che ti serve — e quel 90%, ospitato in casa, può valere più del 100% che esce dal tuo perimetro.
La chiusura del gap open-closed non è la vittoria di una squadra sull'altra, ma uno spostamento di potere: dai pochi che possedevano i modelli migliori ai molti che ora possono scaricarli. La lucidità con cui un'organizzazione sceglie tra controllo e comodità — sapendo che la qualità non è più la variabile decisiva — è ciò che separa chi userà l'AI alle proprie condizioni da chi resterà ospite a casa di qualcun altro.
Grazie per aver letto questo articolo fammi sapere cosa ne pensi!
Ci vediamo presto qui su WikiLuc!