I modelli open-weight hanno raggiunto, in circa quattro mesi, le prestazioni dei migliori modelli chiusi di frontiera valutati pubblicamente, e il divario tra loro è diventato solo più volatile.
Questo sta trasformando la corsa AI tra open e closed in una questione commerciale sempre più importante. Se i modelli open possono avvicinarsi alle prestazioni di frontiera offrendo alle aziende un maggiore controllo sui dati, sull’infrastruttura e sulla personalizzazione, per cosa stanno ancora pagando le imprese i laboratori di frontiera? E dove si accumula infine il valore?
Per comprendere lo scenario, è utile partire da ciò che intendiamo con modelli open e closed. L’apertura esiste su uno spettro, dai modelli completamente aperti che gli utenti possono scaricare e modificare liberamente, ai modelli open-weight con restrizioni variabili. I modelli closed mantengono privati i propri pesi e controllano l’accesso.
Per le aziende che devono decidere su quali modelli costruire, le differenze vanno oltre le prestazioni e il prezzo.
Alex Karp, CEO di Palantir, ha avvertito che le imprese rischiano di cedere la propria “alpha”, ovvero la conoscenza proprietaria e i processi che distinguono la loro attività, ai fornitori di modelli di frontiera.
Satya Nadella ha espresso un concetto simile in un saggio su X: “In sostanza paghi per l’intelligenza due volte, una volta con il denaro e un’altra con qualcosa di ancora più prezioso: la conoscenza proprietaria che devi rivelare per rendere quell’intelligenza utile. Più vuoi che il modello funzioni bene, più di quella conoscenza devi fornirgli!”
Entrambi sono avvertimenti sulla dipendenza strategica e aiutano a spiegare perché sempre più imprese stanno esplorando i modelli open.
Ma nonostante le preoccupazioni riguardo alla cessione della conoscenza proprietaria, le evidenze mostrano che le aziende sono ancora disposte a pagare per le prestazioni di frontiera, anche quando i migliori modelli open-weight restano indietro di soli pochi mesi. I ricavi dei laboratori di frontiera continuano ad accelerare, mentre la spesa per token si distribuisce su una gamma molto più ampia di modelli.
Le aziende leader utilizzano entrambi, scegliendo i modelli open per la personalizzazione e il controllo, e i modelli closed di frontiera quando necessitano delle massime capacità disponibili. Alcuni hanno riportato miglioramenti di efficienza diversi ordini di grandezza e notevoli risparmi sui costi abbinando diversi modelli ai flussi di lavoro più adatti. Trattiamo alcuni di questi esempi nel Deep Dive qui sotto.
Alcuni sviluppatori di modelli adottano entrambi gli approcci. Google ha Gemini e Gemma, mentre Meta ha Muse Spark e Llama. Perché mantenere chiuso un modello e regalarne un altro? E se i modelli open sono gratuiti da scaricare, quali vincoli comportano? Come competono finanziariamente i loro sviluppatori con i laboratori closed?
Il nostro Deep Dive di 99 pagine esamina l’economia dietro queste scelte e come potrebbero plasmare chi cattura i profitti dell’AI e quali aziende possono preservare il potere di prezzo man mano che l’uso dell’AI diventa sempre più economico.
Il report completo include anche:
- Se i laboratori di frontiera possano sostenere i costi del restare al passo mentre i concorrenti cinesi spingono i prezzi verso il basso.
- I cinque fattori su cui competono i modelli e i compromessi che ciascuno richiede.
- I tre luoghi in cui un modello può essere eseguito e come l’industria si divide tra essi.
- Un caso studio che riporta fino a 12x maggiore efficienza ingegneristica e oltre 20x di risparmio sui costi.
- Perché NVIDIA e Samsung stanno investendo negli open weights e da dove potrebbero provenire i ritorni.
Spero che vi piaccia leggere e fatemi sapere cosa ne pensate nel nostro gruppo:
