I modelli AI cinesi a pesi aperti guidano l’utilizzo, mettendo sotto pressione la strategia americana

I modelli AI cinesi a pesi aperti rappresentano ora oltre l’80 per cento dell’utilizzo dei modelli su una delle principali piattaforme per modelli aperti, nonostante il vantaggio iniziale degli Stati Uniti. Il ricercatore Nathan Lambert ha recentemente portato questa inversione all’attenzione di un gruppo di membri e collaboratori del Congresso. Il suo messaggio era scomodo: i laboratori cinesi non stanno semplicemente recuperando terreno copiando i sistemi americani. Hanno costruito un ciclo di rilascio più rapido, una distribuzione più forte e un vantaggio crescente rispetto ai modelli aperti americani.

I numeri non significano che i modelli cinesi dominino ogni forma di utilizzo globale dell’intelligenza artificiale. OpenAI, Anthropic e Google gestiscono ancora sistemi proprietari di primo piano, mentre gran parte del traffico aziendale resta privato. I dati disponibili mostrano invece il predominio nel mercato sempre più importante dei modelli a pesi aperti, dove gli sviluppatori possono scaricare o adattare i parametri addestrati di un modello.

Questa distinzione è importante, ma non rende l’inversione meno significativa. Llama di Meta un tempo definiva questo mercato. Ora Qwen di Alibaba, Kimi di Moonshot AI, GLM di Z.ai e DeepSeek sostengono gran parte del suo utilizzo e della sua ricerca. Il Congresso deve decidere se questo cambiamento rifletta un’estrazione sleale, un’esecuzione più efficace o un fallimento strutturale della strategia americana sui modelli aperti.

I modelli AI cinesi a pesi aperti hanno preso il comando dove gli sviluppatori possono cambiare piattaforma

Il cambiamento più evidente non è una singola vittoria nei benchmark. È la concentrazione dell’attività sui modelli aperti attorno a sistemi sviluppati da laboratori cinesi.

Lambert, importante ricercatore sui modelli aperti e coautore del progetto American Truly Open Models, ha pubblicato il 21 settembre una versione ampliata delle sue dichiarazioni preparate per il Congresso. La sua valutazione dei modelli aperti afferma che le aziende cinesi guidano la categoria dei modelli a pesi aperti approssimativamente dall’aprile 2025.

Un modello a pesi aperti rende disponibili per il download o l’uso a valle i propri parametri addestrati. Ciò consente agli sviluppatori di ispezionare, modificare, mettere a punto e far funzionare il modello sull’infrastruttura che controllano. Non è necessariamente open source, perché lo sviluppatore potrebbe non rendere disponibili i dati di addestramento, il codice di addestramento o altri elementi necessari per riprodurlo.

I modelli chiusi funzionano in modo diverso. Prodotti come i principali sistemi di OpenAI e Anthropic offrono generalmente l’accesso tramite applicazioni ospitate o interfacce di programmazione delle applicazioni. I clienti possono utilizzare la capacità, ma non possono scaricare il modello sottostante né gestirlo in modo indipendente.

Gli Stati Uniti hanno definito il primo modello commerciale per i pesi aperti attraverso la famiglia Llama di Meta. Google ha poi aggiunto Gemma, mentre Nvidia e diversi laboratori più piccoli hanno rilasciato le proprie alternative. Questa posizione si è indebolita poiché i laboratori cinesi rilasciano modelli più forti con maggiore frequenza.

L’istantanea dei benchmark di Lambert, datata 14 settembre, collocava GLM-5.3, GLM-5.3-Flash di Z.ai e Kimi K3 di Moonshot AI rispettivamente a 45, 42 e 44 nell’Artificial Analysis Intelligence Index. I principali modelli aperti americani nel suo confronto hanno ottenuto punteggi compresi tra 23 e 26.

Questi punteggi non sono misure universali della qualità dei modelli. Combinano le prestazioni in valutazioni selezionate e possono favorire modelli ottimizzati per compiti popolari e misurabili. Tuttavia, l’entità e la persistenza del divario rendono difficile liquidarlo come un artefatto dei test.

I dati sulla distribuzione puntano nella stessa direzione. Lambert stima che i modelli sviluppati in Cina abbiano accumulato 3,2 miliardi di download su Hugging Face, circa il doppio del totale americano. Afferma che il vantaggio cinese nei download è cresciuto fino a circa 1,6 miliardi da quando ha superato per la prima volta gli Stati Uniti nel luglio 2025.

OpenRouter offre un’altra prospettiva. Il servizio instrada le richieste tra molti modelli ospitati, rendendolo utile agli sviluppatori che vogliono confrontare o cambiare sistema. Secondo Lambert, il traffico settimanale di modelli aperti sulla piattaforma è salito da circa 1 trilione di token nel settembre 2025 a circa 80 trilioni.

I modelli cinesi hanno aumentato la propria quota di quel traffico di modelli aperti da circa il 70 per cento a oltre l’80 per cento. Mozilla ha rilevato separatamente che sette dei dieci modelli più utilizzati su OpenRouter per volume di token in agosto erano sviluppati in Cina e a pesi aperti. Il suo rapporto sull’AI open source ha inoltre rilevato che, per la prima volta quel mese, un modello aperto ha guidato il conteggio settimanale delle richieste sulla piattaforma.

OpenRouter non rappresenta l’intera economia dell’AI. I suoi utenti sono insolitamente propensi a testare alternative e molti clienti accedono ai modelli chiusi americani tramite contratti diretti che OpenRouter non può osservare. Anche le implementazioni private restano in gran parte invisibili.

Definire queste cifre “utilizzo globale” senza tale precisazione sopravvaluta le prove. Una conclusione più difendibile resta comunque significativa: i modelli AI cinesi a pesi aperti dominano i mercati più visibili per la sperimentazione sui modelli aperti e l’inferenza instradata.

È proprio qui che gli sviluppatori possono confrontare i modelli con minori ostacoli contrattuali. Le scelte risultanti rivelano cosa accade quando la fedeltà al marchio, il software in bundle e gli accordi diretti con le imprese esercitano meno influenza.

Il deficit americano nei modelli aperti è ora un problema commerciale

L’adozione dei modelli cinesi mette sotto pressione gli sviluppatori americani di modelli aperti, ma crea anche un conflitto politico per le aziende statunitensi che già costruiscono su questi sistemi.

Il problema competitivo va oltre le classifiche dei modelli. Lambert ha identificato Harvey, Cursor, DoorDash, Airbnb e Perplexity tra le aziende che utilizzano o sviluppano con famiglie di modelli cinesi. Le loro applicazioni spaziano dal lavoro legale e dallo sviluppo software al servizio clienti e alla ricerca.

Queste aziende hanno architetture e profili di rischio diversi. Utilizzare un modello tramite un’interfaccia ospitata non equivale a scaricarlo in un ambiente controllato. Nessuna delle due opzioni significa automaticamente che informazioni sensibili dei clienti arrivino a un fornitore cinese.

Il modello più ampio resta comunque importante. Gli sviluppatori scelgono Qwen, Kimi, DeepSeek e GLM perché queste famiglie offrono una combinazione pratica di capacità, flessibilità, velocità e minori costi operativi. Questi vantaggi diventano particolarmente importanti negli agenti AI che richiamano ripetutamente un modello mentre completano compiti in più fasi.

Una piccola differenza nel costo di inferenza si amplifica quando un agente pianifica, scrive codice, verifica i risultati e ritenta i passaggi falliti. Un modello a pesi aperti può inoltre essere messo a punto per uno specifico flusso di lavoro o distribuito sull’infrastruttura scelta dal cliente.

Questo controllo attrae le aziende preoccupate dalla dipendenza dai fornitori. Un fornitore di modelli chiusi può modificare le politiche di utilizzo, ritirare un modello, adeguare l’accesso o limitare determinate richieste. I pesi scaricati non possono essere ritirati da remoto dalle macchine che già li possiedono.

Il compromesso emerge nel sondaggio di Mozilla tra gli sviluppatori. I modelli aperti hanno raggiunto più sviluppatori rispetto ai modelli chiusi nel suo campione, ma sono entrati meno frequentemente in produzione. Gli intervistati hanno indicato come ostacoli ricorrenti i costi dell’infrastruttura, la sicurezza, la conformità, la manutenzione, la complessità di distribuzione e il supporto limitato.

I fornitori chiusi integrano una quota maggiore di questi requisiti operativi. Comunemente forniscono documentazione sulla conformità, sicurezza gestita, garanzie di servizio e una controparte che i clienti possono ritenere responsabile. Gestire un modello aperto trasferisce maggiori responsabilità a chi lo adotta.

I modelli AI cinesi a pesi aperti non vincono quindi ogni decisione di approvvigionamento. Diventano convincenti quando portabilità, personalizzazione, capacità di elaborazione o indipendenza dal fornitore contano più della governance integrata.

La loro influenza sulla ricerca potrebbe rivelarsi ancora più difficile da invertire. Lambert ha analizzato articoli in cinque categorie di machine learning molto utilizzate su arXiv. La sua analisi ha rilevato che Qwen compariva in circa il 30 per cento degli articoli recenti, rispetto a circa il 21 per cento per Llama.

Oltre il 40 per cento degli articoli menzionava almeno un modello cinese a pesi aperti, mentre circa il 30 per cento menzionava una famiglia americana. Le quote precise possono cambiare in base alle definizioni dei modelli e alle scelte di campionamento. La direzione suggerisce comunque che Qwen sia diventato un’infrastruttura fondamentale per la ricerca.

L’adozione nella ricerca crea un ciclo di rafforzamento. Studenti e laboratori sviluppano strumenti attorno ai modelli a cui possono accedere. Questi strumenti riducono il costo degli esperimenti futuri, incentivando più articoli, integrazioni e professionisti formati.

Le aziende assumono poi quei professionisti. I prodotti ereditano librerie e metodi di valutazione familiari. Una famiglia di modelli può diventare uno standard del settore senza controllare il chatbot proprietario più capace.

Per questo il Congresso affronta più di una convenzionale disputa sulle quote di mercato. Limitare i modelli cinesi potrebbe interrompere le attività di aziende e ricercatori americani. Lasciare il mercato invariato potrebbe approfondire la dipendenza da una tecnologia sviluppata nel contesto legale e strategico di un altro Paese.

La pressione ricade più direttamente sulle aziende americane che sostengono che gli Stati Uniti possano guidare l’AI mantenendo chiusi i propri sistemi migliori. I laboratori proprietari possono restare commercialmente di successo anche mentre il livello aperto migra altrove. L’esito nazionale appare diverso perché il livello aperto diffonde competenze, standard e influenza oltre una manciata di fornitori.

La Cina ha superato i modelli aperti americani grazie alla rapidità di rilascio, non a un unico semplice trucco

L’inversione centrale è che la leadership americana di frontiera non produce più una leadership americana nei modelli che tutti possono ispezionare e distribuire.

Washington si è concentrata molto sulla distillazione dei modelli. La distillazione addestra un sistema utilizzando gli output di un altro sistema, solitamente più forte. La tecnica è comune in tutto il settore, anche se ottenere tali output tramite account falsi o elusione dei controlli di accesso solleva questioni legali e di sicurezza distinte.

La House Homeland Security Committee e la House Select Committee on China hanno avviato ad aprile una indagine congiunta sull’AI. La loro indagine ha citato DeepSeek, Alibaba, Moonshot AI e MiniMax, esaminando la provenienza dei modelli, la cybersicurezza, la sicurezza dei dati e l’esposizione della catena di fornitura.

Le commissioni hanno inoltre interrogato Anysphere e Airbnb sui loro legami con i modelli cinesi. Una lettera si è concentrata sulle notizie secondo cui Composer 2 di Cursor si basava su un modello Moonshot. Un’altra ha sollevato preoccupazioni sulla scelta di Airbnb di Qwen per il lavoro di assistenza clienti.

I legislatori sostengono che l’estrazione non autorizzata potrebbe consentire a laboratori stranieri di riprodurre capacità preziose senza eguagliare gli investimenti americani in ricerca o misure di sicurezza. Avvertono inoltre che la dipendenza da modelli stranieri potrebbe esporre gli utenti statunitensi a censura, sorveglianza o rischi per la sicurezza.

Queste preoccupazioni meritano un’indagine. Non spiegano ancora l’intero cambiamento del mercato.

Lambert stima che impedire completamente la distillazione aumenterebbe la distanza della Cina dalla frontiera americana dei modelli chiusi di soltanto uno o due mesi. La sua stima non è dimostrata in modo indipendente e i registri di addestramento dei principali laboratori restano privati. Ciononostante, mette in discussione l’idea che gli output sottratti forniscano una spiegazione completa.

I laboratori cinesi rilasciano inoltre modelli più frequentemente. Una valutazione del modello rileva le prestazioni in un determinato momento, quindi una cadenza di rilascio più rapida offre a un laboratorio maggiori opportunità di incorporare nuovi metodi e rispondere alla domanda degli utenti. I modelli aperti americani spesso restano invariati mentre le loro controparti chiuse continuano ad avanzare.

Anche la selezione delle attività conta. Gli sviluppatori cinesi si sono concentrati su aree commercialmente visibili come la programmazione agentica, dove una forte domanda produce feedback abbondanti e risultati misurabili. Lambert afferma che il loro vantaggio si riduce nei compiti scientifici meno strutturati.

Questo non dimostra che i sistemi cinesi siano in generale superiori a tutti i modelli americani. I principali sistemi chiusi statunitensi restano avanti in importanti attività professionali, scientifiche e di lunga durata. Il problema è che tali sistemi sono servizi a noleggio, non basi generalmente disponibili per un’implementazione indipendente.

I vincoli hardware potrebbero aver rafforzato l’efficienza. I controlli sulle esportazioni statunitensi erano concepiti per limitare l’accesso cinese alle apparecchiature di calcolo più avanzate. I laboratori cinesi hanno risposto puntando sulle tecniche di addestramento, sull’efficienza dell’inferenza e su architetture in grado di fare di più con risorse limitate.

Sarebbe troppo semplice attribuire ai controlli sulle esportazioni la leadership cinese nei modelli aperti. Gli stessi laboratori beneficiano inoltre di consistenti investimenti interni, di solide competenze ingegneristiche e di una chiara preferenza politica per la diffusione degli standard cinesi dell’AI. Vincoli e sostegno possono agire contemporaneamente.

Le licenze creano un altro vantaggio. Gli sviluppatori possono scaricare molti pesi di modelli cinesi, modificarli e integrarli nei prodotti senza attendere l’accesso a un fornitore proprietario di frontiera. Le condizioni variano e i pesi aperti non implicano sempre un uso senza restrizioni. Offrono comunque ai costruttori più margine di un’API da sola.

Il risultato è un’asimmetria. I laboratori americani svolgono gran parte della ricerca di frontiera più costosa, mentre le aziende cinesi trasformano sempre più spesso capacità quasi di frontiera in sistemi che altre organizzazioni possono possedere e adattare.

È una strategia distributiva tanto quanto scientifica. Un modello leggermente più debole può generare maggiore influenza quando è accessibile, personalizzabile e ampiamente disponibile. Linux, Android e il software web aperto ricordano storicamente che il livello più distribuito non nasce sempre dal prodotto proprietario più avanzato.

Le aziende americane hanno ancora possibili risposte. OpenAI è rientrata nel mercato dei pesi aperti, Google continua a sviluppare Gemma e Nvidia rilascia modelli Nemotron con risorse di supporto insolitamente dettagliate. Lambert osserva che modelli americani comparabili possono ottenere un’adozione sproporzionata quando la loro capacità è competitiva.

Tuttavia, rilasci occasionali non cancelleranno un vantaggio costruito tramite aggiornamenti continui e investimenti nella comunità. Gli sviluppatori hanno bisogno di famiglie di modelli prevedibili, documentazione, condizioni permissive e fiducia nell’arrivo della prossima versione.

La sfida è quindi l’esecuzione open cinese contro la ritirata open americana. La distillazione fa parte della storia, ma trattarla come l’intera storia consente alla strategia statunitense sui modelli di sottrarsi all’esame critico.

I numeri di utilizzo non dimostrano una supremazia globale dell’AI

Le prove più solide sostengono il predominio cinese nei canali dei modelli aperti, non in ogni chatbot, contratto aziendale o implementazione privata nel mondo.

I dati di OpenRouter sono preziosi perché catturano richieste reali su molti modelli. Uno studio sull’utilizzo dei token del 2026 ha analizzato oltre 100 trilioni di token del servizio, offrendo una visione insolitamente dettagliata del comportamento degli sviluppatori.

Questa ampiezza non rende OpenRouter un censimento. Gli utenti che scelgono un gateway multi-modello differiscono dalle aziende vincolate a un contratto diretto con OpenAI, Anthropic, Google o Microsoft. La piattaforma potrebbe naturalmente sovrarappresentare chi cerca alternative aperte.

Anche i conteggi dei token richiedono contesto. I modelli di ragionamento possono consumare molti token nascosti o intermedi per produrre una risposta. Gli agenti di coding possono generare chiamate ripetute durante una singola attività. Un modello può guidare il volume di token senza primeggiare per numero di utenti, ricavi o flussi di lavoro aziendali completati.

I download creano un problema di misurazione diverso. Una persona può scaricare più versioni, mentre un’implementazione cloud può servire migliaia di persone da una sola copia. Anche sistemi automatizzati possono gonfiare i conteggi senza un corrispondente utilizzo in produzione.

Le citazioni accademiche indicano influenza, ma non necessariamente approvazione. Un articolo potrebbe valutare le debolezze di un modello, usarlo come riferimento o menzionare più famiglie. Il conteggio traccia comunque l’attenzione dei ricercatori, ma non dovrebbe essere presentato come una misura diretta dell’adozione economica.

I risultati dei benchmark comportano limiti propri. I laboratori possono ottimizzare le release attorno a test visibili, mentre le suite di valutazione possono sottopesare affidabilità, competenza di dominio, prestazioni su contesti lunghi o stabilità operativa. Alcuni risultati comunicati dai fornitori usano configurazioni personalizzate difficili da confrontare.

L’analisi di Mozilla di settembre illustra il quadro misto. I modelli aperti avevano quasi raggiunto i principali sistemi chiusi in determinate misure di capacità e coding. I modelli chiusi mantenevano vantaggi nel lavoro professionale basato sulla conoscenza, nel recupero da contesti lunghi, nella conformità aziendale e nella responsabilità.

Questo divario conta nelle implementazioni ad alto rischio. Un’azienda che elabora file legali, registri finanziari o informazioni sanitarie necessita di più di un solido punteggio nel coding. Ha bisogno di controlli d’accesso, tracce di audit, aggiornamenti prevedibili e responsabilità chiare quando qualcosa va storto.

Anche la sicurezza presenta aspetti in entrambe le direzioni. I pesi scaricabili consentono ai difensori di ispezionare e modificare i sistemi, ma impediscono anche allo sviluppatore originario di applicare salvaguardie dopo il rilascio. I fornitori chiusi mantengono il controllo, ma i ricercatori talvolta scoprono che i loro filtri di sicurezza bloccano attività difensive legittime.

Un esempio è emerso quando Hugging Face ha indagato un incidente di cybersecurity legato all’AI. Secondo Lambert e Scientific American, i ricercatori hanno utilizzato un modello cinese a pesi aperti dopo che sistemi commerciali americani avevano rifiutato parti dell’analisi.

Quell’episodio non dimostra che minori salvaguardie producano una sicurezza complessivamente migliore. Mostra che le restrizioni a livello di modello possono ostacolare il lavoro legittimo e che la sicurezza dipende dal sistema circostante. Permessi, isolamento, registrazione delle attività e revisione umana possono contare quanto l’origine del modello.

Il rischio politico resta reale. Le API ospitate in Cina possono sollevare interrogativi sulla giurisdizione dei dati e il comportamento dei modelli può riflettere controlli sui contenuti imposti dal governo. I pesi gestiti localmente riducono alcuni rischi di trasmissione, ma non rivelano automaticamente il processo di addestramento né eliminano vulnerabilità nascoste.

Il Congresso dovrebbe quindi separare almeno tre questioni. Un laboratorio ha ottenuto illegalmente output da un fornitore americano? Una particolare implementazione espone dati sensibili o sistemi critici? Gli Stati Uniti dovrebbero investire più aggressivamente nei propri modelli aperti?

Combinare queste domande in un unico argomento sull’“AI cinese” produce politiche grossolane. Un servizio ospitato che gestisce informazioni sensibili merita un trattamento diverso rispetto a pesi pubblicamente disponibili eseguiti nell’ambiente controllato di un’azienda americana.

Restrizioni generalizzate potrebbero anche proteggere i fornitori chiusi statunitensi dominanti dalla concorrenza. Se le aziende più piccole perdono accesso a modelli aperti capaci, potrebbero diventare più dipendenti dagli stessi laboratori che fanno pressioni per controlli più rigidi.

Le prove giustificano preoccupazione, non panico. I modelli di AI cinesi a pesi aperti hanno conquistato un vantaggio misurabile in capacità, distribuzione e attenzione dei ricercatori. I limiti dei dataset non cancellano questo vantaggio, ma dovrebbero limitare le affermazioni di una supremazia globale totale.

Tre segnali mostreranno se l’America può invertire la tendenza

La fase successiva sarà decisa dalle release americane, dalla politica aziendale e dalla capacità dei modelli cinesi di mantenere il vantaggio al di fuori dei marketplace di modelli aperti.

Il primo segnale è la prestazione e l’adozione delle prossime principali release americane a pesi aperti. Meta, Google, Nvidia, OpenAI e gli emergenti laboratori statunitensi hanno bisogno di modelli che arrivino vicini alla frontiera proprietaria, non molti mesi dopo.

La sola parità nei benchmark non basterà. Gli sviluppatori osserveranno licenze, dimensioni dei modelli, requisiti di implementazione, documentazione, supporto per il fine-tuning e cadenza dei rilasci. Un forte lancio una tantum seguito da un lungo silenzio non ricostruirà un ecosistema.

Se i modelli aperti americani inizieranno a eguagliare le release cinesi ottenendo rapidamente download e citazioni nella ricerca, la diagnosi di Lambert si indebolirà. Se continueranno ad arrivare più tardi con capacità inferiori, il deficit strutturale sarà più difficile da negare.

Il secondo segnale è l’esito del controllo da parte del Congresso e dell’esecutivo. I legislatori stanno esaminando distillazione, sicurezza dei dati, catene di fornitura e l’uso di sistemi cinesi da parte di aziende americane. La loro risposta finale potrebbe andare da un’applicazione mirata contro l’accesso ingannevole a restrizioni ampie su modelli o fornitori.

Una norma circoscritta rivolta ad account fraudolenti, elusione dell’accesso o soggetti sanzionati affronterebbe la presunta cattiva condotta senza trattare ogni modello aperto come una minaccia. Preserverebbe inoltre i flussi di lavoro legittimi di distillazione e dati sintetici utilizzati in tutto il settore.

Una restrizione ampia produrrebbe una prova diversa. Gli sviluppatori potrebbero migrare verso alternative americane, continuare a utilizzare pesi già scaricati o spostare i carichi di lavoro fuori dalla giurisdizione statunitense. Ogni risposta rivelerebbe quanta leva Washington mantenga effettivamente sul software portabile.

Il terzo segnale è l’utilizzo oltre OpenRouter, Hugging Face e altre piattaforme orientate innanzitutto all’open source. Le evidenze provenienti da fornitori cloud, implementazioni aziendali, agenti software e accordi enterprise diretti chiarirebbero se il vantaggio odierno sia ampio o concentrato.

Questa misurazione deve separare le API ospitate dalle implementazioni locali. Dovrebbe inoltre distinguere tra volume di token, utenti attivi, ricavi e carichi di lavoro completati. Ogni metrica risponde a una domanda diversa.

Le valutazioni indipendenti conteranno quando i modelli entreranno in attività più lunghe e rilevanti. I benchmark di coding hanno aiutato i laboratori cinesi a conquistare attenzione, ma gli acquirenti aziendali testeranno affidabilità, sicurezza, conoscenza professionale e lavoro autonomo prolungato.

Se le famiglie cinesi manterranno il proprio vantaggio in questi contesti, l’espressione “utilizzo globale” sarà più facile da sostenere. Se il loro primato resterà concentrato tra chi cambia modello e gli utenti della ricerca, il mercato apparirà più frammentato.

Il dibattito politico si intreccerà anche con la sicurezza dell’AI. OpenAI e Anthropic hanno sostenuto controlli più rigorosi sui sistemi altamente capaci. La distribuzione cinese a pesi aperti complica qualsiasi quadro di sicurezza costruito attorno a un piccolo numero di fornitori che mantengono il controllo tecnico.

Una volta che i pesi circolano, la regolamentazione non può basarsi sulla disabilitazione dell’accesso da parte di un fornitore. Governi e aziende necessitano di salvaguardie a livello di implementazione, inclusi permessi limitati, strumenti monitorati, ambienti isolati e una chiara autorità umana.

Questo cambiamento influenza il lavoro quotidiano basato sulla conoscenza. I team combinano sempre più modelli con documenti interni, verbali delle riunioni e cronologia dei progetti. Una base di conoscenza AI ben governata deve controllare ciò che qualsiasi modello può recuperare e le azioni che può intraprendere, indipendentemente dal luogo in cui è stato sviluppato.

Per gli sviluppatori e gli acquirenti aziendali, la lezione immediata non è selezionare i sistemi esclusivamente in base alla nazionalità o alla posizione in classifica. Valutate come un unico pacchetto il modello, il percorso di hosting, il flusso dei dati, la licenza, i controlli operativi e le opzioni di sostituzione.

I modelli di AI cinesi a pesi aperti hanno già cambiato la posizione negoziale. Offrono agli sviluppatori alternative alla frontiera chiusa americana, mettendo al contempo in luce la scarsa profondità del panorama americano dei modelli aperti.

La domanda per i prossimi mesi è concreta: i laboratori statunitensi rilasceranno modelli competitivi che gli sviluppatori possano davvero possedere e adattare, oppure Washington cercherà di regolamentare via un vantaggio distributivo che non è riuscita a costruire?