IA · 15 settembre 2026 · 5 min di lettura
Il vantaggio dei modelli chiusi scende a quattro mesi: il report Mozilla e la svolta open-weight di Salesforce
In sintesi: Secondo il nuovo rapporto di Mozilla, il divario di capacità tra i modelli commerciali proprietari della Silicon Valley e le migliori alternative open-weights si è ridotto ad appena 4,4 mesi, a fronte di un costo fino a cinque volte superiore per le soluzioni chiuse. Quasi in contemporanea, Salesforce ha annunciato al Dreamforce Koa, un modello di ragionamento derivato dall'open-weight Nemotron di Nvidia per la sua piattaforma Agentforce, confermando una transizione strutturale del mondo enterprise verso architetture aperte e indipendenti dai grandi laboratori.
di Team Mocchi's
Per mesi la narrativa dei grandi laboratori di intelligenza artificiale è rimasta immutata: soltanto investimenti multimiliardari in infrastrutture proprietarie potevano garantire il livello di ragionamento necessario ai carichi di lavoro complessi. I dati del nuovo rapporto biennale State of Open Source AI diffuso da Mozilla, anticipati da Ars Technica, mostrano però una realtà radicalmente diversa: il vantaggio temporale dei modelli chiusi della Silicon Valley rispetto ai migliori pesi aperti si è contratto a soli 4,4 mesi.
Il differenziale economico, al contrario, non accenna a diminuire. Mantenere l'accesso ai modelli di frontiera proprietari comporta oggi una spesa fino a cinque volte superiore rispetto all'orchestrazione di alternative aperte. L'analisi evidenzia come modelli open-weights di punta, quale Kimi K3 di Moonshot AI, abbiano raggiunto indici compositi di performance sull'Artificial Analysis Intelligence Index distanti appena tre punti percentuali da sistemi proprietari come Fable 5 di Anthropic, pur operando a circa il 30% del costo computazionale.
Un premio di prezzo sempre più difficile da giustificare
La metrica del distacco tra le due categorie si basa sulle valutazioni indipendenti del consorzio di ricerca METR, che misura il cosiddetto orizzonte temporale dei compiti: la durata di un'attività complessa che un modello riesce a completare in autonomia con un tasso di successo affidabile del 50%. Se sul fronte della pura estensione temporale i sistemi closed mantengono una capacità superiore di 1,7 volte, l'intervallo temporale necessario ai pesi aperti per colmare quel margine si è dimezzato progressivamente nel corso del 2026.
Come evidenziato dal Chief Technology Officer di Mozilla, Raffi Krikorian, la scelta di pagare tariffe premium per i modelli proprietari non riguarda più la totalità dell'infrastruttura aziendale, ma si restringe a carichi estremamente circoscritti: compiti professionali altamente specialistici, finestre di contesto eccezionalmente estese e recupero di dati ad altissima densità. Per la maggioranza delle routine operative, organizzazioni come DoorDash hanno già ridefinito la propria pipeline, destinando la gestione quotidiana a modelli aperti e riservando le API commerciali solo ai casi di complessità critica.
La svolta enterprise: Salesforce e Nvidia lanciano Koa
La conferma che il modello di consumo dell'IA stia virando lontano dalla dipendenza diretta dai laboratori proprietari arriva anche dal mondo aziendale statunitense. In occasione della conferenza annuale Dreamforce, come riporta TechCrunch, Salesforce ha presentato Koa, il suo primo modello specializzato nel ragionamento logico per vendite, marketing e supporto clienti.
Koa non nasce dall'accordo con un fornitore chiuso, bensì dal post-addestramento verticale condotto insieme a Nvidia sul modello a pesi aperti Nemotron. Integrato all'interno della piattaforma Agentforce, il modello sostituisce il ricorso sistematico a servizi esterni per la risoluzione autonoma di problemi procedurali. La motivazione tecnica ed economica è duplice: ottimizzare il consumo di token indirizzando il ragionamento solo sui processi di business effettivi ed eliminare alla radice il timore che flussi di dati proprietari e codice aziendale alimentino modelli ospitati da terze parti.
I laboratori proprietari continuano a conservare un forte vantaggio competitivo nell'offerta chiavi in mano, garantendo supporto contrattuale, standard di conformità integrati e responsabilità legale, elementi fondamentali per le strutture prive di team interni di machine learning engineering. Tuttavia, la presenza di router intelligenti e gateway aziendali capaci di smistare le richieste al modello più conveniente dimostra come il monopolio del ragionamento sintetico si stia rapidamente sgretolando.
Il punto di Mocchi's
Per il mercato italiano e per le aziende manifatturiere e dei servizi, i dati di Mozilla e la mossa di Salesforce rappresentano un cambio di paradigma atteso. La tentazione di delegare ogni automazione a costose API proprietarie d'oltreoceano si scontra ormai con l'insostenibilità economica e con i vincoli imposti dall'AI Act e dalla sovranità sui dati aziendali. Costruire architetture ibride — fondate su pesi aperti specializzati e confinati nella propria infrastruttura cloud o on-premise, con fallback mirati sui modelli di frontiera solo per carichi eccezionali — non è più un semplice esercizio di indipendenza tecnologica, ma la scelta ingegneristica più razionale per mantenere margini e controllo operativo sul lungo periodo.