L'allarme arriva da chi l'open-source lo vive come infrastruttura quotidiana. Irene Solaiman, dirigente di Hugging Face, ha avvertito che l'aumento degli attacchi informatici contro le piattaforme AI aperte potrebbe spingere verso controlli di sicurezza più rigidi. Il rischio, ha spiegato, è che queste restrizioni finiscano per erodere l'accessibilità che rende le comunità open-source preziose per gli sviluppatori di tutto il mondo.

Non si tratta solo di una questione di fiducia nei repository. Quando una piattaforma come Hugging Face — che ospita modelli, dataset e pipeline condivise — è sotto pressione, la risposta più immediata è chiudere progressivamente l'accesso: autenticazione obbligatoria, limiti più severi, versioni gated dei pesi. Ogni barriera riduce l'attrito per chi attacca, ma aumenta l'attrito per chi vuole sperimentare. È un trade-off classico tra sicurezza e apertura, ma nel mondo dei LLM ha conseguenze strutturali.

La prima conseguenza è che l'open-source rischia di diventare un open-source a due velocità. I grandi laboratori e le aziende con infrastruttura propria potranno scaricare i pesi una volta, mantenerli in mirror locali e lavorare in isolamento. I ricercatori indipendenti, i team piccoli e le comunità che non hanno risorse per il self-hosted restano legati a un accesso via via più mediato. In questo scenario, la sovranità sui modelli non è più solo un tema di privacy, ma anche di continuità operativa: chi dipende da un repository remoto espone la propria pipeline a decisioni di sicurezza che non controlla.

La seconda conseguenza è più sottile. Se le piattaforme aperte irrigidiscono i controlli, il valore si sposta verso chi possiede hardware e competenze per l'inference locale. Un attacco non blocca solo il download di un modello: può rallentare l'intero ciclo di sperimentazione. Chi ha già investito in infrastruttura on-premise, con VRAM adeguata e procedure di mirroring, guadagna un vantaggio competitivo non perché abbia modelli migliori, ma perché ha ridotto la dipendenza da un punto di accesso esterno. È un segnale strutturale: la sicurezza delle piattaforme condivise sta diventando una variabile che influenza anche le scelte di deployment.

Non va dimenticato il paradosso. Le restrizioni pensate per proteggere l'ecosistema possono spingere una parte della comunità verso repository meno curati, dove la sicurezza è ancora più debole. Oppure verso un'adozione più cauta, in cui i modelli open-source vengono filtrati da team interni prima di entrare in produzione. Questo cambia gli incentivi: la fiducia non è più solo nella licenza o nella comunità, ma nella capacità di verificare e isolare il software in un ambiente controllato.

Per chi valuta deployment on-premise, il punto non è se abbandonare le piattaforme aperte, ma come ridurre l'esposizione a decisioni di sicurezza altrui. AI-RADAR dedica a questi trade-off un percorso su /llm-onpremise, con framework analitici per confrontare accesso, controllo e TCO. L'allarme di Solaiman, in fondo, segnala che il confine tra open-source e infrastruttura si sta facendo più rigido: chi vuole restare aperto deve accettare di essere anche un po' più chiuso.