Indagine dopo indagine, emerge sempre lo stesso dato: la maggior parte delle aziende utilizza ormai l'IA open source. Ottantanove percento, sessantatré percento, "quasi universale": scegliete la cifra che preferite, ma tutte indicano la stessa direzione. Tuttavia, se si guarda all'utilizzo effettivo, misurato in token elaborati anziché in caselle di controllo spuntate, il quadro che emerge è ben diverso. Questo articolo mette a confronto i risultati delle indagini sull'adozione con i dati reali sull'utilizzo, dimostrando perché affermare che "utilizziamo l'open source" e "l'open source è il luogo in cui si svolge effettivamente il nostro lavoro sull'IA" non sono la stessa cosa.
I principali dati sull'adozione
Metrica del sondaggio | figura |
Organizzazioni che già utilizzano l'IA open-source in qualche forma | 63% |
Organizzazioni che utilizzano software open source in qualsiasi punto del loro stack di intelligenza artificiale | 89% |
Progetti di intelligenza artificiale che integrano modelli open-source durante lo sviluppo | % 60 + |
Aziende che implementano almeno un modello open-source in produzione | 89% |
A prima vista, questi dati suggeriscono che l'IA open source ha sostanzialmente vinto, raggiungendo un'adozione quasi universale nell'ambito dell'IA aziendale. Questa è la versione dei fatti che viene ripetuta più spesso dagli addetti ai lavori del settore.
Il numero che racconta una storia diversa: dove vanno realmente i token
I sondaggi sull'adozione chiedono "lo usi davvero?". Il volume di utilizzo misura ciò che viene effettivamente utilizzato. La differenza tra i due dati rappresenta la vera storia.
Metrico | figura |
Quota del volume totale di token AI che confluisce verso modelli chiusi (proprietari) | ~ 80% |
Quota del volume totale di token AI destinati ai modelli aperti | ~ 20% |
Costo medio aggiuntivo per token dei modelli chiusi rispetto alle alternative aperte | Circa 6 volte più costoso |
Questo è il dato che raramente compare accanto alle statistiche di adozione. Sebbene la stragrande maggioranza delle aziende dichiari di "utilizzare" l'IA open source in qualche parte della propria infrastruttura, circa quattro token su cinque effettivamente elaborati nel settore passano attraverso modelli proprietari e chiusi, modelli che costano circa sei volte di più per token rispetto alle alternative aperte disponibili.
Riconciliare i due numeri
Queste non sono statistiche contraddittorie, bensì descrivono due diversi livelli di come le aziende implementano effettivamente l'intelligenza artificiale:
I sondaggi sull'adozione contano l'ampiezza: un'azienda che utilizza un piccolo modello open source per uno strumento interno, insieme a un'implementazione proprietaria molto più ampia per il suo prodotto principale rivolto ai clienti, viene considerata "utilizzatrice di open source" in un sondaggio, anche se tale utilizzo rappresenta una minima parte dell'attività totale.
Il volume del token misura la profondità: individua dove si concentra il lavoro computazionale effettivo e, di conseguenza, il valore e il costo aziendale effettivi.
Il modello aziendale tipico: modelli open-source per carichi di lavoro interni meno critici, sensibili ai costi o specializzati; modelli proprietari di punta per i lavori più critici, più visibili ai clienti e con prestazioni più elevate.
Ciò produce la combinazione apparentemente strana ma costante di un'“adozione” quasi universale a fronte di un volume di token ancora fortemente concentrato in modelli chiusi.
Dimensioni e crescita del mercato
Metrico | figura |
Dimensioni del mercato dei modelli di intelligenza artificiale open-source, 2026 | $23.08 miliardi |
Dimensioni previste del mercato entro il 2030 | $50.03 miliardi |
Tasso di crescita composto annuo | ~ 21.3% |
Riduzione dei costi segnalata grazie all'utilizzo dell'IA open-source | Costo totale di proprietà inferiore di circa il 35% |
Il mercato sta crescendo rapidamente e il vantaggio in termini di costi è reale e sostanziale: le aziende che migrano carichi di lavoro significativi verso modelli open source registrano un costo totale di proprietà inferiore di circa un terzo. Si tratta di un incentivo concreto e misurabile che spinge verso l'open source nel tempo, anche se non ha ancora ribaltato l'equilibrio complessivo tra token e volume di transazioni.
Il divario di prestazioni si sta riducendo, ma non si è ancora completamente colmato.
Metrico | figura |
Divario prestazionale tra il miglior modello chiuso e il miglior modello aperto (a marzo 2026) | 3.3% |
Modelli chiusi nella top 10 della classifica dell'Arena | 6 fuori 10 |
Modelli aperti nella top 10 | 4 fuori 10 |
Il divario si è ridotto significativamente rispetto a un paio d'anni fa, quando i modelli open source erano molto più indietro rispetto ai modelli proprietari di punta. Tuttavia, i modelli closed mantengono ancora un leggero vantaggio ai vertici delle classifiche di performance e occupano tuttora la maggior parte delle posizioni di vertice: un divario piccolo ma reale che probabilmente spiega in parte perché i carichi di lavoro più critici siano ancora favoriti dai modelli proprietari.
Cosa è successo nei principali laboratori di pesatura a peso libero nella prima metà del 2026?
Il panorama dei titoli azionari a peso variabile ha subito cambiamenti significativi nel corso del 2026, non solo rispetto agli anni precedenti.
Qwen Abbiamo adottato una strategia di rilascio ad alta cadenza, distribuendo frequentemente varianti destinate a diversi casi d'uso e tipologie di carico di lavoro durante la prima metà dell'anno.
DeepSeek hanno adottato l'approccio opposto, puntando su un unico importante reset architetturale: DeepSeek V4, rilasciato a marzo 2026, utilizza un design Mixture-of-Experts con 236 miliardi di parametri totali ma solo 21 miliardi attivi per inferenza, ottenendo prestazioni paragonabili ai modelli di classe GPT-4o a una frazione del costo computazionale
MetaNonostante sia uno dei primi e più importanti laboratori di IA open-weight con la sua famiglia Llama, non ha rilasciato nessuna nuova versione open-weight di Llama tra il 1° gennaio e la metà di maggio 2026: una pausa notevole per l'azienda più associata alla diffusione dei modelli open-weight nel mainstream.
La pausa di Meta rappresenta un dato particolarmente interessante, considerate le altre mosse dell'azienda nel 2026: anziché continuare a promuovere Llama come alternativa gratuita e open source, Meta ha lanciato un'API a pagamento, Meta Model, basata sui suoi nuovi modelli Muse Spark e sta sviluppando "Meta Compute", un servizio cloud commerciale. L'azienda che ha contribuito a legittimare l'IA open-weight su larga scala sembra stia spostando almeno parte della sua strategia verso un modello più tradizionale e orientato alla generazione di ricavi, proprio mentre il resto dell'ecosistema open-weight (Qwen, DeepSeek) accelera.
Perché le aziende affermano che l'open source offre un ROI migliore, anche con una quota di mercato inferiore
Una statistica complica la semplice interpretazione dei dati sul volume dei token, che porta a concludere che "i modelli chiusi stanno vincendo": i benchmark interni mostrano che le organizzazioni che utilizzano modelli di intelligenza artificiale open source registrano un ritorno sull'investimento superiore di circa il 25% rispetto alle organizzazioni che si affidano esclusivamente ad API proprietarie.
Non si tratta necessariamente di una contraddizione. Probabilmente riflette una questione di selezione: le aziende che implementano con successo modelli open source tendono a farlo per carichi di lavoro ben definiti e sensibili ai costi, dove il calcolo del ROI è favorevole e facile da misurare, mentre le aziende che si affidano interamente ad API proprietarie potrebbero gestire un mix più ampio e complesso di carichi di lavoro sperimentali e di produzione, dove misurare un ROI preciso è più difficile. In altre parole, l'open source potrebbe mostrare un ROI migliore in parte perché viene implementato in modo più deliberato e selettivo.
Cosa significa andare avanti
L'andamento dei dati indica una convergenza graduale piuttosto che un vincitore netto. Il divario prestazionale si sta riducendo, il divario di costi favorisce nettamente i modelli aperti e la crescita del mercato dell'IA open source sta superando la crescita complessiva del mercato dell'IA. Tuttavia, il volume di token – il dato che riflette effettivamente la distribuzione attuale del peso computazionale e commerciale del settore – è ancora fortemente orientato verso i modelli chiusi, e il cambiamento in questo senso è stato molto più lento di quanto suggerirebbero i dati delle indagini sull'adozione. Le aziende sembrano star costruendo un ambiente realmente misto: modelli aperti per attività specializzate e sensibili ai costi, e soluzioni proprietarie di punta per le attività in cui anche gli ultimi punti percentuali di prestazione contano di più.
Conclusione
La storia dell'adozione dell'IA open source e quella del suo utilizzo non coincidono, e la maggior parte delle analisi si concentra solo sulla prima. I sondaggi sull'adozione dipingono un quadro di penetrazione quasi totale dell'open source nell'IA aziendale, e tecnicamente è corretto: la maggior parte delle aziende lo utilizza in qualche modo. Tuttavia, i dati sul volume di token, ovvero il dato che riflette effettivamente la concentrazione del lavoro computazionale e del valore aziendale, mostrano che circa l'80% dell'attività continua a fluire attraverso modelli proprietari chiusi, che costano circa sei volte di più per token. La vera tendenza non è un passaggio netto dai modelli chiusi a quelli aperti, bensì una divisione più ampia e deliberata, con i modelli aperti che assorbono i carichi di lavoro specializzati e sensibili ai costi, mentre le soluzioni proprietarie di punta mantengono i progetti più critici, almeno fino a quando quel divario prestazionale del 3.3%, attualmente in calo, non si azzererà completamente.
Domande frequenti
Le indagini sull'adozione includono qualsiasi azienda che utilizzi l'IA open source, anche per un singolo strumento di minore importanza, mentre il volume dei token riflette il carico di lavoro computazionale effettivo. La maggior parte delle imprese si affida a modelli open source per attività di piccole dimensioni e a basso costo, mentre le operazioni più complesse e ad alto rischio vengono gestite tramite modelli proprietari.
Sì, in modo significativo. I modelli chiusi costano in media circa sei volte di più per token, e le aziende che migrano i carichi di lavoro applicabili a modelli open source segnalano un costo totale di proprietà inferiore di circa il 35%.
Sono competitivi, ma non ancora alla pari ai massimi livelli: all'inizio del 2026, il miglior modello chiuso superava il miglior modello aperto di circa il 3.3%. I modelli chiusi occupavano ancora sei delle prime dieci posizioni nelle principali classifiche di performance dell'IA.
Meta non ha fornito una motivazione ufficiale, ma la tempistica coincide con il lancio della sua API a pagamento Meta Model e con la spinta a monetizzare commercialmente i modelli più recenti. Ciò suggerisce un cambiamento strategico rispetto al precedente approccio che privilegiava i pesi aperti.
Qwen e DeepSeek sono stati i contributori più attivi: Qwen ha rilasciato frequenti aggiornamenti del modello, mentre DeepSeek ha lanciato la sua architettura V4 nel marzo 2026, che a quanto pare offre prestazioni di livello GPT-4o a un costo computazionale notevolmente inferiore.
