Un anno fa, scegliere un modello di IA significava sceglierne uno tra tre API chiuse e accettare il prezzo. Quella impostazione predefinita non è più automatica. I rilasci di pesi aperti di Meta, Mistral, DeepSeek e una lista crescente di laboratori ora gestiscono compiti di codifica, riassunto e classificazione a un livello che soddisfa la maggior parte delle esigenze di produzione. La domanda per i proprietari di siti non è più se i modelli con pesi aperti siano abbastanza buoni. È quali carichi di lavoro giustifichino ancora il pagamento per un'API chiusa.
Cosa significa realmente peso aperto
Un modello con pesi aperti pubblica i suoi parametri addestrati affinché chiunque possa scaricarli ed eseguirli. Ciò significa che i pesi del modello addestrato sono scaricabili, ma i dati di addestramento e il codice di addestramento completo di solito non vengono rilasciati, e la licenza potrebbe aggiungere restrizioni d'uso. Quella distinzione è importante perché pesi aperti non significa open source in senso stretto.
I termini di licenza variano molto tra i vendor e questo crea un rischio reale per i team di approvvigionamento. Alcuni laboratori rilasciano modelli sotto licenze su misura con limiti di produzione, clausole di uso etico o requisiti di giurisdizione, quindi l'approvvigionamento deve leggere ogni licenza di peso prima di firmare piuttosto che presumere che si applichi uno standard permissivo. Gli accordi Llama di Meta, ad esempio, aggiungono specifiche condizioni commerciali una volta che un prodotto supera una certa soglia di utenti.
Mistral ha intrapreso un percorso diverso con i suoi recenti rilasci. Mistral Small 4 è stato distribuito come modello a 119B di parametri sotto licenza Apache 2.0 permissiva, descritto come l'unico rilascio di un grande laboratorio senza asterischi di licenza. Quel tipo di chiarezza è abbastanza raro da essere degno di nota di per sé.
Quanto è grande il divario di performance ora
Il tracciamento indipendente ci fornisce numeri reali anziché pretese dei vendor. Da gennaio 2026, i modelli open-weight più capaci sono rimasti indietro rispetto ai modelli frontier closed di una media di quattro mesi nell'Epoch Capabilities Index, con un divario medio di 8 punti, simile al divario tra GPT-5 e GPT-5.5. È una differenza misurabile, ma è molto più piccola del vantaggio pluriennale che i laboratori chiusi avevano un tempo.
Il divario varia anche drasticamente in base al tipo di attività. Sui benchmark di programmazione nello specifico, GLM-5.1 e Kimi K2.6 arrivano intorno al 58 percento su SWE-Bench Pro, alla pari con un modello chiuso di fascia media come GPT-5.5, anche se i migliori programmatori chiusi continuano a guadagnare terreno. Per il lavoro testuale quotidiano, il quadro sembra ancora più forte per i modelli a pesi aperti. Per classificazione, estrazione, riassunto, risposta alle domande con recupero aumentato e la maggior parte della programmazione, un buon modello a pesi aperti nel 2026 non è un compromesso. Fa il lavoro.
Dove i modelli chiusi mantengono ancora un chiaro vantaggio è nel ragionamento complesso in più passaggi. Il vantaggio residuo dei modelli chiusi è reale ma specifico, e si manifesta nel ragionamento agentico a lungo raggio, compiti che eseguono venti, trenta o più passaggi dipendenti, dove un errore iniziale deve essere individuato e corretto invece di essere ignorato. Il lavoro multimodale racconta una storia simile. Il multimodale è la categoria in cui il divario tra chiuso e aperto rimane più ampio, poiché il ragionamento unificato testo-immagine-audio-video richiede corpora di addestramento, infrastruttura e lavoro di allineamento che i rilasci open-weight non hanno ancora raggiunto ai massimi livelli.
Il calcolo dei costi non è semplice come sembra
Il prezzo è il motivo per cui la maggior parte dei team inizia a guardare ai modelli con pesi aperti. Noleggiare un modello aperto da un host di terze parti è spesso drasticamente più economico di un'API chiusa. Uno studio sui prezzi di listino ha rilevato che l'accesso API a pesi aperti costa in media circa $0.23 per milione di token contro $1.86 per i modelli chiusi, circa otto volte più economico. Tuttavia, quel numero descrive l'accesso ospitato, non il costo di esecuzione della propria infrastruttura.
L'hosting in proprio comporta costi che un semplice confronto di prezzi spesso ignora. L'economia del self-hosting ruota attorno all'utilizzo, perché affitti le GPU a ore a prescindere dall'arrivo delle richieste; un endpoint che serve un traffico irregolare a basso utilizzo può facilmente costare più per token rispetto a un'API di frontiera. Aggiungi il tempo di ingegneria per la distribuzione e la manutenzione, e il calcolo cambia ulteriormente. Includere il tempo necessario per la gestione, inclusi deployment, scaling, aggiornamenti e risposta agli incidenti, sposta il punto di pareggio oltre le stime più comuni, e tale calcolo è diventato più difficile nel 2026 a causa dell'aumento dei prezzi di noleggio e della scarsità di capacità GPU.
Sotto un certo volume, noleggiare da un fornitore specializzato batte direttamente l'auto-hosting. Sotto circa 100 milioni di token al mese, le API con pesi aperti serverless battono i rig GPU self-hosted sul costo totale una volta che vengono presi in considerazione capacità inattiva, ops e failover. La maggior parte degli operatori di siti piccoli e medi cade ben sotto quella soglia, il che rende la decisione più semplice di quanto suggerisca il marketing.
Scegliere tra aperto e chiuso per progetti reali
Le imprese non trattano più questa come una scelta singola aut-aut. La ricerca ha rilevato che le organizzazioni gestiscono o valutano una media di sette modelli, con il 78 percento che gestisce autonomamente parte dell'inferenza, e il modello maturo è ibrido: pesi aperti auto-ospitati per lavoro sensibile, ad alto volume, sensibile alla latenza o offline; API chiuse per il ragionamento più difficile e la coda lunga esplosiva, con un livello di routing che decide per richiesta. Per un piccolo operatore, quella configurazione di routing completa è eccessiva, ma la logica sottostante si applica ancora su scala ridotta.
Il controllo dei dati è spesso il fattore decisivo piuttosto che la pura capacità. Se un singolo prompt che lascia la tua rete è inaccettabile, per cartelle cliniche, dati finanziari, materiale riservato o un rigoroso mandato di residenza dei dati, l'opzione open-weight auto-ospitata è solitamente l'unica che soddisfa pienamente il requisito, scambiando la convenienza con il controllo fisico. Se il tuo sito gestisce record dei clienti o contenuti regolamentati, questo solo fatto potrebbe risolvere la questione prima ancora che le prestazioni entrino nella conversazione.
Per compiti ad alto volume e bassa sensibilità, il calcolo favorisce quasi sempre l'open weight. Se esegui un volume elevato e costante su dati non sensibili come classificazione, sintesi o generazione di codice su milioni di richieste, la fattura per token su un modello chiuso di frontiera diventa la voce di spesa dominante, che è il caso più chiaro per l'open-weight. Tieni l'API chiusa a portata di mano per il problema difficile occasionale e lascia che il modello più economico gestisca il carico di routine.
Conclusione
Il dibattito tra open source, pesi aperti e modelli AI chiusi non riguarda più se i modelli aperti siano abbastanza buoni. Si tratta di abbinare ogni carico di lavoro allo strumento giusto. Le API chiuse vincono ancora sui compiti di ragionamento più difficili e sul lavoro multimodale completo, ma i modelli a pesi aperti gestiscono ora la maggior parte dei lavori quotidiani a una frazione del costo. Prima di rinnovare un contratto API chiuso, testa un modello a pesi aperti sul tuo carico di lavoro effettivo per una settimana. Potresti scoprire che il divario conta molto meno della fattura.
