L'Italia può guadagnare dai modelli IA open weight

La lettera pubblicata il 24 luglio 2026 dal ceo di Nvidia, Jensen Huang, e sottoscritta da Microsoft, Meta, Hugging Face, Ibm, Mistral e altri venti firmatari, ha mandato scosse telluriche in tutto il settore delle tecnologie digitali. Intitolato Open Weights and American AI Leadership, il documento chiede a Washington di non imporre restrizioni premature ai modelli di intelligenza artificiale scaricabili. Ventiquattr’ore dopo i firmatari erano cinquanta, con l’aggiunta di OpenAI e Google, che nella prima lista non comparivano. Prima ancora di prendere una posizione forte nella guerra di religione fra modelli di AI “aperti” e “chiusi”, Huang dice una cosa molto semplice: nell’intelligenza artificiale il vantaggio strategico non dipende soltanto da chi possiede il sistema più potente, ma da chi costruisce l’ecosistema sul quale gli altri scelgono di innovare. E’ una differenza di lessico che segnala una differenza di strategia. Europa e Italia farebbero bene a prenderla sul serio.

La lettera non è un manifesto libertario, e non è neppure un atto di beneficenza industriale. E’ un documento di politica economica scritto da soggetti che hanno interessi (e relativi conflitti) molto concreti. Ma proprio per questo merita attenzione. Quando i principali attori dell’AI americana, nell’ambito della feroce competizione con la Cina, sostengono che i modelli open weight – cioè scaricabili, ispezionabili, adattabili ed eseguibili su infrastruttura propria – sono una componente decisiva della leadership tecnologica, stanno dicendo che l’AI non sarà vinta soltanto dai laboratori di frontiera. Sarà vinta, soprattutto, da chi renderà più facile la diffusione dell’AI nei settori ordinari dell’economia.

Qui è opportuno essere precisi. Open weight non significa automaticamente open source. Nel dibattito pubblico le due formule vengono spesso sovrapposte, ma in diritto europeo non coincidono. L’AI Act distingue sistemi e modelli di uso generale e riconosce eccezioni specifiche solo in determinate condizioni; per i modelli general purpose, anche se open source, restano obblighi su copyright e sintesi dei dati di training, più severi in presenza di rischi sistemici. Bisogna quindi smettere di trattare “pesi aperti” e “zona franca regolatoria” come sinonimi. Detto questo, il punto di Huang resta forte. Se i pesi sono disponibili, l’innovazione non resta confinata dentro poche API proprietarie. Università, startup, imprese, ospedali, fabbriche e pubbliche amministrazioni possono adattare un modello al proprio dominio, farlo girare nei propri ambienti e usare i propri dati. Si riduce il lock-in, aumenta la contendibilità. E per un’Europa che difficilmente replicherà nel breve periodo i budget dei frontier labs americani o l’aggressività cinese, è una buona notizia.

Il vero interesse europeo non è addestrare ogni volta da zero il modello più grande del mondo. E’ entrare nella parte economicamente più interessante della catena del valore: fine-tuning, integrazione industriale, deployment on-premise, applicazioni verticali, AI per manifattura, sanità, servizi professionali, software di filiera, amministrazione pubblica. In altre parole: usare la divisione del lavoro invece di sognare una costosa autarchia digitale. Gli open weights rendono questa partecipazione molto più plausibile, perché permettono anche a soggetti non titanici di costruire valore senza chiedere il permesso continuo al proprietario dell’API.

Ma qui occorre evitare la scorciatoia ideologica speculare. Difendere i pesi aperti non significa negare i rischi. La stessa lettera lo riconosce: una volta rilasciati, i pesi sfuggono al controllo originario, e versioni modificate possono essere difficili da rintracciare o revocare. La Commissione europea, nelle sue linee guida sui modelli AI general purpose, insiste sul fatto che l’open sourcing dei modelli più avanzati può rendere più facile aggirare o rimuovere mitigazioni del rischio. La domanda da farsi è se la risposta debba essere una stretta generalizzata sui modelli aperti oppure un regime più mirato sui rischi e sugli usi effettivamente sensibili.

E’ qui che molta critica europea sbaglia bersaglio. Ridurre l’AI a un oggetto da classificare, documentare e mettere in conformità il prima possibile è una tentazione burocratica comprensibile, ma insufficiente. L’AI Act non è così rozzo come a volte lo dipingono i suoi critici: distingue modelli e sistemi, prevede eccezioni, sandbox, codici di condotta e applicazione graduale. Il problema è la cultura con cui verrà implementato: in Europa, e spesso in Italia, ogni margine di discrezionalità rischia di diventare un nuovo onere documentale, ogni area grigia un freno precauzionale, ogni rischio un motivo per allargare il controllo ex ante.

La linea più intelligente non è “via le regole”, bensì niente restrizioni generalizzate sui modelli open weight; sono legittimi invece obblighi più severi e controlli più penetranti quando si entra nei casi ad alto rischio, nei servizi essenziali o nei contesti in cui un output automatizzato può produrre danni sistematici e difficilmente reversibili.

Per l’Italia la conseguenza dovrebbe essere abbastanza chiara. Non c’è nessuna ragione per aggiungere strati di prudenza domestica a un quadro europeo già complesso. Il compito dello Stato non è impedire che circolino i pesi aperti. E’ distinguere dove occorre cautela forte e dove invece occorre lasciare spazio a competizione, test, sandbox e adattamento settoriale.

La parte interessante per l’Italia, però, sta in una regolarità storica delle tecnologie di uso generale, che non producono valore dove vengono inventate ma dove vengono adattate. L’Italia non addestrerà modelli di frontiera, e non è un buon motivo per intristirsi. Le tecnologie generali si monetizzano nella co-invenzione, e la co-invenzione richiede esattamente le doti in cui la specializzazione italiana è competitiva: mercati piccoli, molte nicchie verticali, margini difesi da conoscenza tacita e da relazioni lunghe con il cliente. E’ il profilo opposto a quello che serve per costruire un modello generalista, ed è il profilo giusto per costruirci sopra.

Il caso più evidente è la meccanica strumentale. L’Italia è fra i primi esportatori mondiali di macchine utensili e impianti per confezionamento, imbottigliamento, carta e alimenti, e ogni macchina venduta genera un flusso di dati che oggi in larga parte si perde. Un modello piccolo, addestrato sui guasti di quella specifica famiglia di macchine, che gira dentro il quadro elettrico e segnala il cuscinetto prima che si pianti, vale più di un sistema generalista che sa tutto e non conosce niente. E nessun cliente serio accetta che i propri dati di processo transitino da un terzo: l’esecuzione locale è un requisito industriale. E’ anche la strada con cui un costruttore di macchine può diventare fornitore di servizi ricorrenti, compiendo quel passaggio dalla vendita al canone che la meccanica italiana insegue da anni.

Il secondo caso sono i distretti: molte imprese piccole, conoscenza distribuita, un lessico tecnico che non esiste nei manuali. Nessuna delle aziende di Belluno, Arzignano, del Cusio o del packaging emiliano può permettersi un reparto AI; un consorzio può permettersi un addestramento. E’ il caso del progetto Ucima per una AI della filiera del packaging: un bene di club, pagato una volta e usato da tutti.

Il terzo riguarda lingua e documenti. I modelli generalisti parlano bene l’italiano ma lo capiscono meno nei registri che contano davvero: capitolati d’appalto, referti clinici, sentenze, schede di sicurezza, norme tecniche. Adattare un modello aperto a questi corpora è alla portata di un ateneo, di uno studio professionale o di un’associazione; riaddestrarne uno da zero non lo è. Vale anche per sanità e pubblica amministrazione, dove i vincoli sui dati rendono spesso indispensabile l’esecuzione locale. E vale, con un vantaggio comparato ancora poco sfruttato, per archivi e beni culturali.

Il calcolo, per una volta, non manca. IT4LIA, l’AI Factory italiana ospitata al Tecnopolo di Bologna e gestita dal Cineca, eroga servizi dall’aprile 2025 appoggiandosi al supercomputer Leonardo, e ha in installazione un sistema dedicato da 290 milioni di euro, cofinanziato in parti uguali da EuroHPC e dal governo italiano, con verticali dichiarati che sono manifattura, agritech, cybersicurezza e meteorologia. L’accesso è gratuito per piccole e medie imprese, startup, ricerca e amministrazioni. Il vincolo, dunque, non è l’infrastruttura: sono le competenze per usarla e una politica industriale che continua a premiare l’acquisto del macchinario e non l’adattamento del software che lo rende migliore. Un credito d’imposta che finanzia il tornio e non le duecento ore di specializzazione che lo rendono prevedibile sta comprando la parte meno preziosa della transizione.

La tentazione italiana ed europea è credere che la sovranità si costruisca controllando tutto. Ma nelle tecnologie generali la sovranità vera si costruisce scegliendo bene dove stare nella catena del valore, con quali regole e con quale velocità. Per anni abbiamo discusso di human in the loop. La lettera di Huang propone qualcosa di diverso: market in the loop, il controllo che deriva da un ecosistema distribuito. Non significa eliminare responsabilità e tutele nei contesti ad alto rischio. Significa riconoscere che il miglior processo di scoperta collettiva resta il mercato competitivo. Letto senza ingenuità ma anche senza riflessi pavloviani, Huang dice questo: l’AI può diffondere capacità produttiva oppure diventare un nuovo feudo amministrato da pochi operatori e molti moduli di compliance. Se Europa e Italia vogliono evitare il secondo esito, non devono adorare i pesi aperti. Devono fare qualcosa di più difficile: smettere di averne paura.