Cosa significa davvero "open weight"
Il termine open weight indica che i parametri numerici (i "pesi") di un modello addestrato sono scaricabili e utilizzabili liberamente, in genere sotto una licenza permissiva o con alcune restrizioni d'uso specifiche. È un concetto diverso da "open source" in senso stretto: quasi mai vengono pubblicati anche il dataset di addestramento completo e il codice usato per allenarlo, quindi non è possibile ricreare il modello da zero, ma è possibile scaricarlo, eseguirlo in locale e in molti casi modificarlo tramite fine-tuning. Esempi noti di famiglie open weight sono Llama (Meta), Mistral, Qwen (Alibaba) e Gemma (Google).
I modelli proprietari
I modelli proprietari — come le famiglie GPT di OpenAI, Claude di Anthropic o Gemini di Google — sono invece accessibili solo tramite API a pagamento: i pesi non vengono distribuiti e il modello gira esclusivamente sull'infrastruttura del fornitore. In cambio, questi modelli sono generalmente tra i più capaci disponibili in un dato momento, e l'azienda che li offre si occupa interamente della scalabilità, degli aggiornamenti e della manutenzione infrastrutturale.
Privacy e controllo dei dati
Con un modello open weight eseguito in locale, i dati elaborati non lasciano mai l'infrastruttura di chi lo usa: un vantaggio decisivo per applicazioni che trattano informazioni sensibili o soggette a vincoli normativi stringenti. Con un modello proprietario, i dati inviati transitano — anche solo per l'elaborazione della richiesta — sui server del fornitore, il che richiede di valutare con attenzione le condizioni contrattuali su conservazione ed eventuale riutilizzo dei dati per l'addestramento futuro.
Costi: capitale contro consumo
Un modello open weight eseguito in locale ha un costo iniziale (hardware, in particolare GPU con VRAM sufficiente) ma nessun costo variabile legato all'uso: una volta acquistata l'infrastruttura, ogni richiesta elaborata è "gratuita" nei limiti della capacità disponibile. Un modello proprietario funziona invece a consumo, tipicamente a token elaborati: nessun investimento iniziale, ma un costo che cresce linearmente con l'utilizzo, il che lo rende più conveniente per volumi bassi o imprevedibili e meno conveniente su carichi di lavoro molto intensi e costanti.
Qualità e aggiornamento
I modelli proprietari di punta tendono in genere a mantenere un vantaggio in termini di capacità di ragionamento complesso e affidabilità su compiti articolati, e vengono aggiornati dal fornitore senza intervento da parte dell'utente. I migliori modelli open weight hanno però ridotto progressivamente questo divario, in particolare sui compiti più comuni (riassunto, estrazione di informazioni, generazione di testo strutturato), e offrono il vantaggio di poter essere ulteriormente specializzati tramite fine-tuning su dati specifici di un dominio.
Come scegliere in pratica
Per un prototipo rapido o un'applicazione con volumi di utilizzo imprevedibili, un modello proprietario via API riduce il time-to-market e la complessità operativa. Per un'applicazione con requisiti stringenti di privacy, un volume di richieste elevato e prevedibile, o la necessità di specializzare il modello su un dominio molto verticale, un modello open weight eseguito su infrastruttura propria diventa spesso la scelta più sostenibile nel tempo.