Da quando l’intelligenza artificiale generativa è esplosa nel dibattito pubblico, soprattutto dopo il lancio di ChatGPT alla fine del 2022, ci siamo abituati a immaginarla come un servizio.
Tu fai una domanda.
Il modello risponde.
Nel caso dell’utente consumer, paghi un abbonamento o usi una versione gratuita limitata.
Nel caso dell’utente professionale, della startup o dell’azienda, il fornitore calcola il costo a token: input, output, chiamate API, integrazioni, consumo mensile.
Semplice. Pulito. Comodo.
Ma quel modello, oggi, non basta più a descrivere ciò che sta accadendo.
Il mercato dell’intelligenza artificiale, già da tempo, si sta spaccando in due grandi direzioni. Da una parte ci sono i modelli chiusi: ChatGPT, Claude, Gemini e gli altri sistemi proprietari venduti tramite abbonamenti, API, piattaforme cloud o contratti enterprise. Dall’altra ci sono i modelli open-weight: modelli scaricabili, installabili, adattabili, eseguibili su server propri, cloud privati, workstation, laptop e, nelle versioni più piccole, perfino dispositivi mobili.
La differenza non è solo tecnica. È politica. È economica. È strategica.
Perché quando usi un modello chiuso, affitti intelligenza.
Quando usi un modello open-weight, almeno in parte, la porti dentro casa.
E questa differenza cambia tutto.
Non elimina i rischi. Non garantisce automaticamente libertà. Non rende ogni piccolo utente “sovrano”. Ma introduce una crepa nel vecchio schema: non tutto deve passare dai server centrali dei soliti grandi fornitori.
Open-weight non vuol dire automaticamente open source
Qui bisogna essere precisi, perché il linguaggio conta.
Non è corretto dire genericamente che “tutti chiamano open source ciò che non lo è”. Molti utenti tecnici distinguono benissimo tra software open source, modello open-weight, licenza permissiva, licenza commerciale e semplice disponibilità al download.
Il problema è un altro: nel marketing, nei media e perfino in parte della comunicazione aziendale, il termine “open” viene spesso usato in modo ambiguo. A volte significa realmente open source. A volte significa solo “puoi scaricare i pesi”. A volte significa “puoi usarlo, ma dentro limiti stabiliti da noi”. A volte significa “è aperto abbastanza da attirare sviluppatori, ma non abbastanza da rendere davvero riproducibile il sistema”.
Un software open source tradizionale permette di leggere il codice sorgente, modificarlo, redistribuirlo e studiarne il funzionamento. Nel caso dell’intelligenza artificiale, però, il modello non è solo codice. È anche dati di addestramento, pipeline, filtri, procedure di selezione, lavoro umano, criteri di sicurezza, addestramento, fine-tuning, reinforcement learning, valutazioni, benchmark, pesi finali.
Un modello open-weight mette a disposizione i pesi, cioè la struttura matematica già addestrata che consente al modello di funzionare. Ma questo non significa necessariamente poter ricostruire da zero l’intero processo che lo ha generato.
Esempi concreti.
Meta ha presentato per anni Llama come un grande progetto aperto. Ed è vero che i modelli Llama hanno avuto un impatto enorme sulla comunità AI. Ma la Open Source Initiative ha contestato più volte l’uso del termine “open source” per Llama, perché la licenza Meta contiene restrizioni e perché non tutto il processo di costruzione del modello è completamente aperto secondo la definizione classica di open source.
OpenAI, con gpt-oss-120b e gpt-oss-20b, ha rilasciato modelli open-weight sotto licenza Apache 2.0, quindi con una licenza molto permissiva. Ma anche qui l’apertura dei pesi non equivale automaticamente alla piena trasparenza dell’intero ciclo di addestramento, dei dataset, delle filtrature, delle scelte effettuate a monte.
Google, con Gemma, parla di modelli open-weight utilizzabili anche commercialmente in modo responsabile. È un’apertura importante, ma non va confusa con l’idea romantica del “tutto aperto, tutto verificabile, tutto comunitario”.
DeepSeek, Qwen e altri modelli cinesi hanno reso accessibili pesi e strumenti che hanno messo pressione all’intero mercato occidentale. Ma anche in quel caso resta spesso una zona opaca: quali dati? Quali filtri? Quali priorità? Quali vincoli politici, culturali o industriali sono incorporati nel modello?
In altre parole: puoi avere accesso alla macchina, ma non sempre sai davvero come è stata costruita.
Questa distinzione è fondamentale. Perché l’apertura dei pesi riduce la dipendenza operativa dal fornitore, ma non elimina automaticamente l’opacità a monte. Un modello può essere scaricabile e al tempo stesso restare una scatola nera parziale.
È qui che il racconto ingenuo dell’“AI gratis per tutti” comincia a scricchiolare.
La vera frattura: affittare intelligenza o possedere una parte dell’infrastruttura
Non è vero che per una piccola azienda o per un freelance il modello chiuso sia sempre la scelta migliore. Dipende.
Per chi vuole solo scrivere testi, fare ricerche, automatizzare qualche processo, generare immagini, creare codice o gestire un assistente interno, un abbonamento a un modello chiuso può essere la soluzione più rapida. Non devi comprare hardware, non devi gestire GPU, non devi pensare a deployment, sicurezza, aggiornamenti, ottimizzazioni.
Paghi e usi.
Ma se una piccola realtà comincia a produrre molti contenuti, tradurre documenti, analizzare archivi, generare bozze, automatizzare assistenza, creare agenti, gestire knowledge base interne, allora il discorso cambia.
Non serve essere una multinazionale per porsi la domanda: quanto mi costa dipendere sempre da API esterne? Quanto mi costa, nel tempo, non avere nessun controllo sul modello? Cosa succede se il fornitore cambia prezzo, policy, limiti, filtri, condizioni d’uso o disponibilità?
A quel punto i modelli open-weight diventano interessanti. Non sempre più economici in automatico, ma strategicamente diversi.
Il costo marginale per richiesta può scendere drasticamente quando il modello gira su infrastruttura propria o su servizi ottimizzati per modelli aperti. Però c’è una precisazione importante: il self-hosting non è magicamente più conveniente in ogni scenario. Se hai poco traffico, hardware sottoutilizzato, poca competenza tecnica e carichi variabili, potresti spendere più che usando API esterne. Se invece hai volumi alti, carichi prevedibili, dati sensibili o workflow ripetitivi, allora l’economia può inclinarsi verso modelli locali, ibridi o self-hosted.
La vera svolta, quindi, non è “API contro locale”.
La vera svolta è l’architettura ibrida.
Usi il modello chiuso quando ti serve la frontiera: ragionamento complesso, qualità massima, affidabilità superiore, multimodalità avanzata.
Usi modelli open-weight o locali per compiti ripetitivi, documenti interni, bozze, classificazioni, riassunti, traduzioni, automazioni, ricerca su archivi, assistenti verticali.
Questo è il punto che molti non vedono: la democratizzazione non consiste nel sostituire un gigante con un altro. Consiste nel poter combinare strumenti diversi, riducendo la dipendenza da un unico centro di potere.
Google ha capito che la partita è doppia
In questa guerra, Google occupa una posizione particolare.
OpenAI vende soprattutto accesso ai propri modelli. Anthropic ha costruito gran parte della propria identità sulla sicurezza, sul controllo e sulla prudenza nell’accesso. Meta gioca in modo aggressivo sul terreno dei modelli aperti perché il suo vero business non è vendere API, ma proteggere il proprio ecosistema sociale, pubblicitario e infrastrutturale. I laboratori cinesi, da DeepSeek a Qwen, usano i modelli aperti come leva di penetrazione globale.
Google, invece, può giocare su entrambi i tavoli.
Da una parte ha Gemini, il prodotto premium, chiuso, integrato nell’ecosistema Google, venduto a consumatori, sviluppatori e aziende. Dall’altra ha Gemma, la famiglia di modelli open-weight con cui entra nel territorio di Meta, DeepSeek, Qwen e di tutti quelli che vogliono far girare l’AI fuori dalle API tradizionali.
Apparentemente Google regala. In realtà presidia.
Il modello può essere gratuito o facilmente accessibile, ma l’infrastruttura no.
Se scarichi un modello e vuoi usarlo seriamente, ti servono server, acceleratori, cloud, deployment, monitoraggio, sicurezza, scalabilità. E Google possiede proprio questo: Google Cloud, TPU, Android, Chrome, Pixel, Workspace, Colab, AI Studio, Vertex AI.
Il modello gratuito diventa un imbuto.
Ti attira con l’apertura. Ti forma dentro il suo ecosistema. Ti abitua ai suoi strumenti. Ti rende compatibile con la sua infrastruttura. E quando devi scalare, sei già predisposto a restare lì.
Questo non è un complotto. È capitalismo di piattaforma applicato all’intelligenza artificiale.
Ti do il motore.
Ti faccio guidare.
Poi ti porto sulla mia autostrada.
Il cloud è il vero registratore di cassa
Qui bisogna uscire dalla retorica del “gratis”.
La battaglia dell’AI non è solo sul modello. È sul calcolo.
Chi controlla il calcolo controlla la nuova fabbrica invisibile dell’economia digitale. E questa fabbrica non produce bulloni, automobili o frigoriferi. Produce risposte, codice, immagini, decisioni, sintesi, previsioni, automazioni, assistenza, sorveglianza, marketing, propaganda, gestione del lavoro.
I numeri di Google Cloud raccontano molto più di mille slogan sull’innovazione: nel primo trimestre 2026 Alphabet ha dichiarato che Google Cloud ha superato per la prima volta i 20 miliardi di dollari di ricavi trimestrali, con crescita del 63% anno su anno e backlog oltre i 460 miliardi di dollari.
Questo significa che l’AI non è solo un prodotto. È un acceleratore di contratti cloud, data center, chip, servizi enterprise, lock-in infrastrutturale.
Il cloud diventa il terreno su cui si decide chi possiederà la capacità computazionale delle imprese, degli Stati, delle università, dei media, delle banche, della sanità, della difesa.
In questo senso, un modello open-weight non è necessariamente un atto di libertà. Può essere anche un’esca industriale.
Ma attenzione: proprio perché il modello può essere scaricato, copiato, adattato e integrato, quella stessa esca può essere usata in modo intelligente da chi non vuole farsi ingoiare.
Una piccola realtà può partire dal cloud, imparare, prototipare, generare valore, poi spostare parte dei carichi su modelli locali. Può usare un modello chiuso per le attività più delicate e uno aperto per il lavoro quotidiano. Può creare un archivio interno, un assistente redazionale, un sistema di ricerca documentale, un motore di traduzione, un copilota per scrivere codice, un agente per analizzare bandi, normative, dati, articoli, documenti pubblici.
E questo cambia la scala del possibile.
La Cina ha incrinato il mito dell’AI come club privato occidentale
C’è poi il livello geopolitico, forse il più importante.
Il 2025 ha segnato una svolta: i modelli cinesi hanno dimostrato di poter competere con quelli occidentali a costi molto più bassi. DeepSeek R1, in particolare, ha provocato uno shock nei mercati finanziari e nell’immaginario tecnologico occidentale. Nvidia ha perso centinaia di miliardi di capitalizzazione in un solo giorno, non perché il mondo avesse smesso di aver bisogno di chip, ma perché il mito dell’AI come gioco riservato a pochi giganti iper-finanziati era stato incrinato.
Il messaggio era devastante: forse non servono sempre budget colossali, data center sterminati e modelli chiusi per arrivare a risultati competitivi.
Da quel momento, la domanda per le aziende occidentali è diventata imbarazzante: se un modello cinese open-weight costa meno, funziona bene, si può installare localmente e permette di evitare le API occidentali, perché non usarlo?
Per una startup può essere una scelta tecnica. Per una banca, un ospedale, un ministero, un’azienda strategica, diventa una questione di sovranità.
È accettabile che infrastrutture critiche europee o americane costruiscano processi interni su modelli cinesi? È accettabile che l’Europa, già dipendente dal cloud americano, finisca per dipendere anche da modelli cinesi? È accettabile che la nostra sovranità digitale si riduca a scegliere se affidarci a Washington o a Pechino?
La risposta ufficiale sarà piena di parole rassicuranti: sicurezza, partnership, compliance, governance, trasparenza. Ma il nodo reale è più brutale: l’Europa controlla poco della pila tecnologica fondamentale dell’AI.
Non controlla i modelli principali.
Non controlla i grandi cloud.
Non controlla i chip.
Non controlla i sistemi operativi dominanti.
Non controlla le piattaforme di distribuzione.
Non controlla gli ecosistemi pubblicitari.
Non controlla gli standard di fatto.
E allora il dibattito sull’AI “aperta” rischia di diventare un diversivo: aperta per chi? Controllata da chi? Addestrata su quali dati? Ottimizzata per quali interessi? Dipendente da quale infrastruttura?
Ma proprio qui si apre anche un’opportunità.
Se l’Europa istituzionale si muove lentamente, le reti civiche, i piccoli media, le imprese etiche, le scuole indipendenti, le comunità locali, i professionisti, i programmatori, i ricercatori e gli attivisti possono cominciare a costruire dal basso una cultura dell’AI diversa: meno passiva, meno estrattiva, meno dipendente, più consapevole.
Non basta invocare la sovranità digitale. Bisogna praticarla.
OpenAI apre quando la pressione diventa troppa
OpenAI ha costruito la propria fortuna sulla chiusura progressiva. Dopo GPT-2, la traiettoria è stata chiara: modelli sempre più potenti, sempre meno ispezionabili, sempre più venduti come servizio.
Il rilascio dei modelli open-weight gpt-oss-120b e gpt-oss-20b nell’agosto 2025 ha segnato un cambio di postura, ma non una conversione filosofica.
OpenAI non è diventata improvvisamente una paladina dell’apertura. Ha risposto a una pressione.
La pressione veniva da più fronti: DeepSeek, Meta, Qwen, la comunità di ricerca, i clienti enterprise attratti dall’autonomia, la politica americana interessata a non lasciare il campo open-weight alla Cina.
Ma la frontiera più avanzata resta chiusa.
Questa è la chiave: i modelli aperti vengono rilasciati quando servono a non perdere il mercato, non quando mettono davvero in discussione il cuore del business. È un’apertura calibrata, controllata, strategica.
Abbastanza apertura per restare rilevanti.
Non abbastanza da rinunciare al monopolio della frontiera.
Anthropic e il paradosso della sicurezza controllata
Anthropic rappresenta un’altra logica ancora.
Il caso Project Glasswing, collegato a Claude Mythos Preview, mostra il lato più delicato della questione. Secondo le ricostruzioni disponibili, Anthropic ha dato accesso selettivo a modelli capaci di individuare vulnerabilità software gravi, proprio per aiutare organizzazioni sensibili a chiudere falle prima che venissero sfruttate.
La promessa è nobile: usare l’AI per scoprire vulnerabilità prima che lo facciano gli attaccanti.
Ma qui nasce un paradosso enorme.
Se un modello è abbastanza potente da individuare vulnerabilità zero-day, allora diventa esso stesso un’infrastruttura sensibile. Chi decide chi può usarlo? Con quali criteri? Sotto quale controllo pubblico? Chi verifica le vulnerabilità trovate? Chi decide quando divulgarle? Chi garantisce che il fornitore non diventi un archivio centralizzato di debolezze del mondo digitale?
La sicurezza, in questo scenario, diventa anche potere di accesso.
Anthropic può sostenere di non rilasciare certi modelli per prudenza. Ed è un argomento serio. Non tutto ciò che può essere aperto dovrebbe necessariamente essere buttato in rete senza filtri. Ma anche il controllo centralizzato non è neutro. Perché consegna a un’azienda privata la facoltà di decidere chi può accedere a una capacità cognitiva critica.
È la vecchia domanda del potere, travestita da etica della sicurezza.
Nessuno apre per generosità. Ma l’apertura produce comunque effetti reali
Il punto centrale è questo: nessuno dei grandi attori apre per pura generosità.
Meta apre perché vuole impedire che OpenAI, Google o Anthropic controllino da sole lo strato fondamentale dell’AI e perché un ecosistema di modelli aperti rafforza indirettamente il suo impero sociale e pubblicitario.
Google apre perché può monetizzare altrove: cloud, TPU, dispositivi, Android, ricerca, pubblicità, enterprise.
OpenAI apre quando deve difendersi da pressioni esterne e recuperare terreno nella comunità open-weight.
Anthropic chiude perché ha costruito il proprio brand sulla sicurezza e perché il controllo selettivo dell’accesso è parte della sua identità strategica.
I laboratori cinesi aprono perché l’open-weight è un cavallo di Troia perfetto: consente di conquistare sviluppatori, aziende e mercati globali senza passare dai canali tradizionali del software proprietario occidentale.
La domanda vera, quindi, non è: “Quale azienda è più buona?”
La domanda vera è: “Quale modello di dipendenza stiamo scegliendo?”
Ma sarebbe un errore vedere solo il lato oscuro.
Anche quando l’apertura nasce da interessi industriali, può produrre conseguenze impreviste. Linux non è diventato importante perché le multinazionali erano buone. È diventato importante perché una comunità, un’infrastruttura e un insieme di interessi si sono intrecciati fino a creare uno standard alternativo.
Con l’AI può accadere qualcosa di simile, ma su una scala ancora più profonda.
La grande opportunità: piccoli soggetti, potenza cognitiva aumentata
Per la prima volta, una piccola realtà può fare cose che fino a pochi anni fa richiedevano redazioni, agenzie, consulenti, sviluppatori, traduttori, analisti, grafici, project manager, data scientist.
Un piccolo media indipendente può analizzare centinaia di documenti pubblici, confrontare dichiarazioni, estrarre timeline, tradurre fonti estere, generare bozze, verificare contraddizioni, costruire archivi tematici, produrre mappe concettuali, creare newsletter, ottimizzare SEO, sintetizzare dossier, preparare interviste, riorganizzare anni di materiale.
Una piccola impresa etica può comunicare come un grande brand, senza svendersi a un’agenzia senz’anima. Può costruire campagne, contenuti, manuali, percorsi formativi, assistenti per i clienti, sistemi di onboarding, storytelling, strategie editoriali, analisi di mercato.
Un’associazione ecologica può monitorare delibere, bandi, dati ambientali, report scientifici, documenti comunali, studi di impatto, articoli internazionali. Può spiegare temi complessi a cittadini comuni. Può trasformare conoscenza dispersa in pressione civica organizzata.
Un educatore può costruire percorsi personalizzati, tutor locali, materiali adattati al livello dello studente, esercizi, mappe, simulazioni, dialoghi, verifiche, spiegazioni alternative. Non per sostituire l’insegnante, ma per liberarlo dalla parte più meccanica e permettergli di tornare al cuore del suo lavoro: relazione, discernimento, crescita.
Un coach, un terapeuta, un formatore, un facilitatore può usare l’AI per progettare percorsi, rielaborare appunti, creare strumenti, costruire domande, generare scenari, organizzare conoscenze, rendere più accessibile un sapere trasformativo.
Un cittadino può leggere documenti che prima avrebbe ignorato.
Un gruppo locale può diventare più competente.
Un piccolo giornale può diventare più documentato.
Una comunità può smettere di dipendere solo dalle grandi piattaforme per esistere.
Qui si intravede qualcosa di enorme: la possibilità di far emergere, collettivamente, il denominatore positivo del lavoro umano.
Non l’AI come sostituzione dell’uomo.
L’AI come amplificatore della parte migliore dell’uomo: attenzione, cura, memoria, ricerca, collegamento, linguaggio, progettazione, denuncia, proposta, immaginazione.
Brand activism, pedagogia, ecologia, evoluzione sociale
Il brand activism oggi è spesso diventato una posa: aziende che si tingono di verde, di arcobaleno, di inclusivo o di etico quando conviene, mentre continuano a funzionare secondo logiche estrattive.
L’AI può peggiorare tutto questo, certo. Può generare propaganda perfetta, greenwashing industriale, campagne emotive costruite a tavolino, avatar sorridenti, finte comunità, finti valori.
Ma può anche fare l’opposto.
Può aiutare piccole realtà autentiche a raccontarsi meglio. Può rendere visibile ciò che oggi resta sommerso: agricoltura rigenerativa, educazione alternativa, medicina integrata, artigianato, comunità locali, economia mutualistica, imprese sociali, cultura indipendente, tecnologie appropriate, pratiche spirituali serie, ricerca interiore, progetti di autonomia, cooperative, scuole parentali, reti ecologiche, iniziative di quartiere.
Fino a ieri, molte di queste realtà avevano un problema: facevano cose importanti, ma comunicavano male. Avevano sostanza, ma poca forma. Avevano valori, ma pochi strumenti. Avevano visione, ma poca capacità di tradurla in contenuti, strategie, prodotti, percorsi, documentazione, formazione.
L’AI può colmare questo divario.
Non sostituendo l’anima con il marketing, ma aiutando l’anima a trovare una forma più efficace.
È qui che l’AI può diventare pedagogica, ecologica, sociale, evolutiva.
Pedagogica, se aiuta le persone a capire meglio.
Ecologica, se aiuta a leggere la complessità dei sistemi viventi e dei danni ambientali.
Sociale, se rafforza comunità e non solo consumatori isolati.
Evolutiva, se amplia la coscienza dei problemi invece di anestetizzarla.
Rendere obsoleti i modelli attuali
La frase può sembrare ambiziosa: usare l’AI per far diventare obsoleti i modelli attuali.
Ma bisogna capirla bene.
Non significa che domani una piccola associazione batte Google, OpenAI o Meta sul loro stesso terreno. Non significa che un singolo con un laptop costruisce il prossimo modello da migliaia di miliardi di parametri.
Significa una cosa più sottile e forse più potente: usare l’AI per rendere obsoleti alcuni modelli organizzativi, mediatici, educativi ed economici.
Il modello mediatico basato su pochi centri che filtrano tutto può diventare meno inevitabile, se mille piccole redazioni aumentate dall’AI imparano a lavorare bene sulle fonti.
Il modello educativo standardizzato può diventare meno inevitabile, se insegnanti, genitori, studenti e formatori costruiscono percorsi personalizzati e comunitari.
Il modello aziendale basato solo su advertising, manipolazione dell’attenzione e crescita cieca può diventare meno inevitabile, se piccole imprese etiche riescono a comunicare e organizzarsi con la stessa potenza operativa dei grandi.
Il modello politico fondato sull’ignoranza tecnica dei cittadini può diventare meno inevitabile, se gruppi locali imparano a leggere atti, bilanci, leggi, delibere, dati e documenti.
Il modello culturale basato sulla delega passiva può diventare meno inevitabile, se le persone ricominciano a produrre conoscenza, non solo a consumare contenuti.
In questo senso, l’intelligenza artificiale può essere l’ennesimo strumento di controllo oppure un acceleratore di risveglio organizzativo.
Dipende da chi la usa.
Dipende da come la usa.
Dipende dall’architettura di dipendenza che accetta.
Dipende dal grado di coscienza con cui viene integrata.
La falsa alternativa tra chiuso e aperto
Il dibattito pubblico tende a semplificare: chiuso uguale controllo, aperto uguale libertà. Ma la realtà è più scomoda.
Un modello chiuso può offrire maggiore sicurezza operativa, aggiornamenti continui, responsabilità contrattuale, compliance enterprise, supporto professionale. Ma concentra potere, dati, pricing e capacità decisionale in poche mani.
Un modello open-weight può offrire autonomia, risparmio, audit parziale, personalizzazione, indipendenza dal fornitore. Ma può anche diffondere capacità pericolose, nascondere opacità nei dati di addestramento, creare dipendenze da cloud e hardware, moltiplicare rischi di sicurezza.
La scelta non è morale. È architetturale.
Chi controlla il modello?
Chi controlla il cloud?
Chi controlla i dati?
Chi controlla i chip?
Chi controlla gli standard?
Chi controlla gli aggiornamenti?
Chi controlla le policy di utilizzo?
Chi può spegnere il sistema?
Chi può cambiare i prezzi?
Chi può decidere che un certo uso non è più permesso?
Chi può accedere ai log?
Chi può osservare ciò che una società sta cercando di capire?
Queste sono le domande che dovrebbero stare al centro del dibattito.
Il rischio per l’Europa: diventare colonia cognitiva
Per Didentro, il punto politico più importante è questo: l’intelligenza artificiale rischia di trasformarsi nella più grande infrastruttura coloniale del XXI secolo.
Non coloniale nel senso ottocentesco del termine, con eserciti, bandiere e governatori. Coloniale in senso cognitivo, infrastrutturale, computazionale.
Se le imprese europee pensano con modelli americani, archiviano dati su cloud americani, automatizzano processi con API americane, cercano alternative in modelli cinesi, comprano chip asiatici o americani, rispettano regolamenti europei scritti spesso in ritardo rispetto alla tecnologia reale, allora l’Europa non sta governando la transizione AI. La sta subendo.
E la sta subendo con il linguaggio della “trasformazione digitale”, della “competitività”, della “semplificazione”, della “produttività”.
Ma sotto queste parole si nasconde una questione molto più profonda: chi possiederà le macchine che mediano il pensiero operativo della società?
Perché l’AI non è solo uno strumento. È un’interfaccia tra l’uomo e la realtà. Decide quali informazioni sintetizzare, quali ipotesi proporre, quali errori commettere, quali opzioni rendere più visibili, quali possibilità rendere invisibili.
Quando un’azienda usa l’AI per scrivere, assumere, valutare, programmare, rispondere ai clienti, analizzare documenti, fare previsioni, filtrare contenuti, generare immagini o interpretare dati, sta delegando una parte del proprio processo cognitivo.
E chi controlla il processo cognitivo controlla una quota crescente della realtà sociale.
Non serve rifiutare l’AI. Serve smettere di essere ingenui
La conclusione non è “fermiamo l’intelligenza artificiale”. Sarebbe ridicolo, impossibile e probabilmente anche sbagliato.
La conclusione è: smettiamo di accettare il racconto infantile dell’AI come magia gratuita.
Quando un modello viene regalato, chiediamoci cosa viene venduto altrove.
Quando un’azienda parla di apertura, chiediamoci cosa resta chiuso.
Quando un modello gira localmente, chiediamoci da dove vengono i pesi, i dati, gli strumenti, le librerie, l’hardware.
Quando un fornitore parla di sicurezza, chiediamoci chi controlla il controllore.
Quando l’Europa parla di regolazione, chiediamoci se possiede davvero qualcosa da regolare o se sta solo normando infrastrutture altrui.
Ma allo stesso tempo, smettiamo anche di vedere solo la minaccia.
Perché in questa frattura si apre una possibilità storica: costruire media migliori, scuole migliori, imprese migliori, reti migliori, comunità più consapevoli, strumenti più accessibili, forme nuove di attivismo, ricerca, educazione, cura, ecologia, economia locale.
La vera libertà digitale non consiste nel poter scegliere tra cinque chatbot. Consiste nel possedere, comprendere e governare almeno una parte significativa dell’infrastruttura che produce intelligenza automatica.
Altrimenti passeremo dalla dipendenza dai social alla dipendenza dai modelli.
Dalla dipendenza dai motori di ricerca alla dipendenza dagli agenti.
Dalla dipendenza dal cloud alla dipendenza cognitiva completa.
Il futuro dell’AI non sarà deciso solo da chi avrà il modello più intelligente. Sarà deciso da chi controllerà l’intera filiera: chip, energia, data center, modelli, cloud, dispositivi, dati, sviluppatori, normative, standard, interfacce.
Ma sarà deciso anche da chi saprà usare questa tecnologia per rendere obsolete le forme più vecchie, pesanti e manipolatorie dell’organizzazione umana.
Il punto non è adorare l’AI.
Il punto non è demonizzarla.
Il punto è strapparla alla passività.
Perché mentre i grandi attori combattono la guerra per rendere inevitabile la propria infrastruttura, i piccoli possono fare una cosa diversa: usare quella stessa crepa per costruire intelligenza distribuita, coscienza collettiva, autonomia culturale e nuove forme di azione.
Non sarà automatico.
Ma è possibile.
Ed è proprio questa possibilità che rende il presente così pericoloso.
E così interessante.
Fonti consultate
Google Blog – Gemma 4
Google Cloud Blog – Gemma 4 su Google Cloud
Google AI for Developers – Gemma model overview
Alphabet Investor Relations – risultati Q1 2026
OpenAI – Introducing gpt-oss
Open Source Initiative – Open Source AI Definition 1.0
Open Source Initiative – analisi critica della licenza Llama
Stanford HAI – AI Index 2026
Reuters – DeepSeek e impatto sui mercati/Nvidia
Reuters – small language models e riduzione dei costi/energia
Anthropic – Claude Mythos Preview
Cloudflare – Project Glasswing e modelli AI per cybersecurity
Commissione Europea – obblighi GPAI e modelli open-source
Linux Foundation Europe – AI Act e open source
Studi tecnici su self-hosting, costi LLM, modelli open-weight e small language models
Per maggiori informazioni sulle fonti consultate scriveteci.