Non è più una fase di attesa. L'ultimo State of Open Source AI di Mozilla chiude con una sentenza netta: l'AI aperta è pronta per essere messa in produzione, non solo sperimentata. I numeri citati da Raffi Krikorian, CTO di Mozilla, raccontano di un ecosistema diventato infrastruttura: su Hugging Face ci sono 2,5 milioni di modelli pubblici e 13 milioni di utenti, con un terzo delle aziende Fortune 500. Su OpenRouter, i modelli open-weight sono passati da una quota marginale a circa un terzo del traffico di produzione alla fine del 2025; sei mesi dopo la piattaforma muove 25mila miliardi di token a settimana, cinque volte di più, e la singola fonte di traffico maggiore è un modello aperto.

Il dato sui benchmark non lascia spazio a equivoci: in primavera il miglior modello chiuso ha ottenuto 60 e i migliori aperti 54, contro un punteggio di 22 un anno prima. Il frontier resta avanti sui problemi più difficili, ma per i carichi che la maggior parte degli sviluppatori porta davvero in produzione, prezzo, controllo e possibilità di deployment contano più del punteggio grezzo.

Il report osserva che l'Europa c'è ma non guida il frontier. I modelli aperti più capaci valutati sono in gran parte cinesi: Kimi K3, GLM-5.3 e Qwen 3.8. Mistral Medium 3.5, il giocatore europeo, appare più indietro nello spettro di capacità e la sua apertura arriva con vincoli commerciali: una licenza MIT modificata con un carve-out sui ricavi. La distinzione tra open weights e open source genuino non è solo formale: determina cosa un'azienda può davvero fare con il modello e quanto controllo mantiene.

Il rapporto posiziona l'AI aperta come leva di sovranità tecnicica: mantenere proprietà e controllo locale di modelli, dati e infrastruttura invece di affittare l'accesso dai grandi provider. Il caso svizzero è emblematico: un consorzio pubblico ha addestrato un modello nazionale su supercomputer pubblici e ha rilasciato pesi, dati e codice di addestramento. Ma è un'eccezione: tra le 16 release notevoli esaminate da Mozilla, nessuna ha fornito la ricetta completa dei dati richiesta dalla definizione Open Source Initiative.

Il dato più utile per capire dove l'Europa può guadagnare terreno non è la capacità dei modelli, ma la loro messa in produzione. Il 79% degli sviluppatori intervistati usa modelli aperti, ma solo il 51% degli utilizzatori di modelli aperti li porta in produzione, contro il 63% dei modelli chiusi. Mozilla attribuisce questo divario soprattutto a tooling operativo e fiducia, non alle prestazioni grezze. In pratica, esistono modelli abbastanza capaci; mancano orchestrazione, conformità, sicurezza e infrastruttura di deployment. Per chi valuta il deployment on-premise, i trade-off non sono solo tecnici: su AI-RADAR ci sono framework analitici su /llm-onpremise per orientarsi tra controllo locale, costi e complessità operativa.

Questa lettura ha una conseguenza strutturale: la competizione si sposta sopra il livello del modello, verso chi sa costruire pipeline di deployment affidabili per settori regolati. Non è una scommessa sul prossimo foundation model europeo, ma su integrazione, audit, security e tooling enterprise. Ed è qui che l'economia può abbassare la barriera: modelli aperti capaci girano su hardware relativamente modesto e Mozilla sostiene che i guadagni maggiori arrivano dal post-training, non da pretraining sempre più grandi. La differenziazione si sposta su dati di post-training, progettazione delle ricompense e ambienti di reinforcement learning, ambiti in cui aziende più piccole possono competere con meno capitale e meno compute.

Il Regno Unito è il banco di prova più concreto di questa traiettoria. Il programma Sovereign AI da 500 milioni di sterline finanzia Lumen Sovereign, addestrato interamente su Isambard-AI a Bristol e descritto da Cosine come il primo modello frontier sovrano britannico. Tredici organizzazioni partecipano alla fase di progettazione, tra cui HSBC, Lloyds, NatWest, LSEG, BAE Systems, Babcock, BT e Alan Turing Institute. Mozilla precisa che si tratta di accordi di design, non impegni di acquisto. Lumen usa dataset proprietari che coprono più di 30 flussi di lavoro regolamentati ed è pensato per il deployment air-gapped dentro l'infrastruttura dei clienti entro fine 2026. L'obbligo di detenere i pesi esclude di fatto i provider solo API: un mercato crescente per modelli open-weight e AI on-premise, in cui il controllo fisico dei pesi è parte della conformità e della sicurezza. Anche il piano di Cohere di triplicare la presenza nel Regno Unito è letto dal report come segnale di domanda crescente di AI sovrana.

Resta il nodo regolatorio. Il report si chiede se l'AI Act europeo, usando il compute di addestramento come proxy del rischio sistemico, riesca a stare al passo con modelli sempre più efficienti. I modelli sparse possono raggiungere capacità comparabili con molto meno compute, con il rischio che modelli simili ricadano sotto obblighi diversi. In più, l'open source non offre un'esenzione generale: chi modifica in modo sostanziale modelli aperti per usi ad alto rischio, come assunzioni, credit scoring o diagnostica medica, può diventare responsabile degli obblighi normativi.

La direzione per l'Europa sembra essere quella di smettere di inseguire il frontier e costruire infrastruttura di deployment controllabile. Non è la storia di un modello europeo che batte i cinesi, ma di un ecosistema che cerca di rendere l'AI aperta una risorsa di sovranità, un deployment alla volta.