L’ascesa dei modelli open-weight cinesi
Nel panorama dell’intelligenza artificiale del 2026, l’ascesa dei modelli open-weight cinesi rappresenta il fenomeno più dirompente per gli equilibri competitivi globali. Ciò che era iniziato come una rincorsa silenziosa si è trasformato in un sorpasso percepito: i modelli cinesi non solo hanno raggiunto la parità con i sistemi occidentali di punta, ma lo hanno fatto con una strategia radicalmente diversa, basata sull’apertura dei pesi e su un’efficienza computazionale che ha scardinato il paradigma dominante della Silicon Valley.
DeepSeek-R1 e la fine del paradigma "scale is all you need"
Il punto di svolta va individuato in DeepSeek-R1, il modello che ha dimostrato come prestazioni competitive con GPT-4 fossero raggiungibili usando circa un decimo delle risorse computazionali dei rivali americani. Il dato è tanto più rilevante se tradotto in costi: milioni di dollari per i modelli cinesi contro le centinaia di milioni richiesti da quelli occidentali. Questa efficienza ha rotto l’assunto su cui si era costruita l’intera strategia americana — che la scala dei parametri e dei capitali fosse la condizione necessaria per competere ai massimi livelli. DeepSeek ha invece dimostrato che l’ottimizzazione architetturale e l’ingegneria dell’inferenza possono supplire alla potenza bruta, un approccio che è stato efficacemente definito la "matita sovietica" dell’AI: non la penna spaziale più costosa e sofisticata, ma uno strumento che risolve il problema con eleganza e pragmatismo. A ciò si aggiunge DSpark, la decodifica speculativa lanciata da DeepSeek, che accelera ulteriormente i modelli su hardware meno potente, ampliando la base di utenti potenziali e riducendo la dipendenza da infrastrutture di calcolo di fascia alta.
Qwen, Kimi K3 e i modelli di punta del 2026
La seconda metà del 2026 ha consolidato la leadership cinese nell’open-weight con una generazione di modelli che non ha più nulla da invidiare ai leader americani. Il rilascio di Qwen3.8-Max di Alibaba, con i suoi 2,4 trilioni di parametri, ha segnato un salto qualitativo: specializzato in task agentici a lungo orizzonte, il modello ha dimostrato di poter lavorare in autonomia per circa 125 ore consecutive — quasi cinque giorni — replicando esperimenti scientifici complessi partendo dal solo testo di un paper. Sui benchmark, Qwen3.8-Max è alla pari con GPT-5.6 Sol e Fable 5 di Anthropic, superandoli in ragionamento visivo e uso agentico del computer. Il costo, però, è di un ordine di grandezza inferiore: 2 dollari per milione di token in input contro i 10 dollari di Fable 5, e 6 contro 50 per i token in output.
A fianco di Qwen, Kimi K3 di Moonshot AI ha fatto il suo debutto a luglio, con test pubblicati che lo collocano immediatamente dietro i modelli americani più avanzati, ma con un piano di rilascio dei pesi aperto e un targeting esplicito degli utenti USA. L’effetto combinato è stato duplice: da un lato ha messo in allerta la Silicon Valley, che ha visto modelli competitivi distribuiti gratuitamente; dall’altro ha accelerato la migrazione di utenti americani dalle piattaforme proprietarie di OpenAI e Anthropic verso alternative cinesi più economiche. L’ecosistema cinese del 2026 include inoltre GLM-5.2 di Z.ai (753B totali, 40B attivi, licenza MIT), MiniMax-M2, DeepSeek V3.2 e MiMo-V2-Flash, a testimonianza di una pluralità di attori e approcci che rende l’offerta cinese non un fenomeno isolato ma un sistema industriale maturo.
La diffusione globale degli open-weight
L’elemento strategicamente più rilevante è la diffusione globale di questi modelli, che superano ormai Llama di Meta nei download su GitHub. La Cina, tradizionalmente associata a pratiche di controllo e chiusura, è diventata di fatto il fornitore di sovranità tecnologica per Paesi terzi: i pesi aperti, una volta scaricati, non possono essere richiamati — non esiste un "kill switch" capace di revocarne l’uso, a differenza dei modelli proprietari occidentali che dipendono da policy esterne e infrastrutture cloud. Per aziende e governi europei, questo significa poter implementare modelli di frontiera on-premise, con dati che non escono dal perimetro aziendale e costi marginali quasi nulli.
Il fenomeno ha implicazioni profonde anche sul piano geopolitico. La strategia cinese di rilasciare gratuitamente i propri modelli migliori aggira di fatto le restrizioni all’esportazione USA e crea una dipendenza globale dall’ecosistema cinese: chi adotta Qwen o DeepSeek per i propri sistemi critici costruisce un legame strutturale con la tecnologia cinese che nessun ordine esecutivo potrà recidere. La risposta normativa americana — la revisione pre-rilascio dei modelli voluta dall’amministrazione Trump — appare inefficace contro modelli già pubblici e scaricabili da chiunque. Nel frattempo, la cosiddetta "distillation war" aggiunge un ulteriore livello di complessità: la Cina ha sfruttato la distillazione dai modelli USA per accelerare il proprio sviluppo, una pratica che OpenAI e Anthropic cercano di bloccare ma che è ormai difficilmente controllabile. Il risultato è un mercato in cui le barriere all’ingresso sono crollate e la competizione si è spostata dal capitale all’ingegneria — un terreno su cui l’ecosistema cinese ha dimostrato di saper giocare con un vantaggio competitivo difficile da colmare.
Vantaggio competitivo nei costi e nell’efficienza
Il vantaggio competitivo dei modelli cinesi non si limita alla sola distribuzione open-weight, ma affonda le radici in una radicale differenza di approccio economico e ingegneristico. La riduzione dei costi di addestramento, l’efficienza architetturale e la pressione competitiva sui prezzi dei modelli chiusi occidentali rappresentano i tre pilastri di una strategia che ha ridefinito l’equazione economica dell’AI.
Costi di addestramento ridotti
Il divario nei costi di addestramento è il dato quantitativo più eclatante dell’intero fenomeno. DeepSeek-R1 ha dimostrato che prestazioni competitive con GPT-4 erano raggiungibili con un investimento di milioni di dollari, contro le centinaia di milioni richieste dai modelli occidentali. Il rapporto di circa un decimo delle risorse computazionali rispetto ai rivali americani non è un dato marginale, ma la prova che la competizione nel settore non si gioca più solo sulla disponibilità di capitale. La rottura del paradigma "scale is all you need" ha un corollario strategico rilevante: le barriere all’ingresso per competere ai massimi livelli sono crollate. Non è necessario possedere data center giganteschi o un accesso privilegiato ai chip più avanzati per produrre un modello competitivo. L’ottimizzazione per hardware meno pregiato e per chip nazionali Huawei/SMIC indebolisce il monopolio di Nvidia e delle memorie HBM, sottraendo ai fornitori americani la leva principale del loro potere negoziale.
Efficienza architetturale e innovazioni
Il vantaggio cinese non è solo una questione di risorse: è il risultato di innovazioni ingegneristiche specifiche che hanno cambiato il rapporto tra potenza computazionale e prestazioni. DeepSeek ha introdotto DSpark, una decodifica speculativa che accelera l’inferenza su hardware meno potente, ampliando la base di utenti potenziali senza richiedere infrastrutture di calcolo di fascia alta. Questo tipo di innovazione è la "matita sovietica" dell’AI: non lo strumento più costoso e sofisticato, ma quello che risolve il problema con eleganza e pragmatismo. La conseguenza è duplice: da un lato, modelli come Qwen3.8-Max e Kimi K3 raggiungono la parità con i leader americani su benchmark complessi — ragionamento visivo, uso agentico del computer, task di lunga durata — con un costo per token di un ordine di grandezza inferiore. Qwen3.8-Max costa 2 dollari per milione di token in input contro i 10 dollari di Fable 5, e 6 contro 50 per i token in output. Questa ottimizzazione non riguarda solo i modelli di punta: l’intero ecosistema cinese, da GLM-5.2 a MiniMax-M2, è costruito sulla stessa filosofia, dove l’efficienza è un requisito strutturale e non un’eccezione.
Confronto con i modelli chiusi occidentali
Il confronto con i modelli chiusi americani è spietato. I modelli cinesi possono essere implementati on-premise, con dati che non escono dal perimetro aziendale e costi marginali quasi nulli dopo il download iniziale. I modelli proprietari, al contrario, richiedono un pagamento per token, una connettività costante e l’accettazione di infrastrutture cloud esterne. L’ecosistema cinese ha inoltre superato Llama di Meta nei download su GitHub, un segnale che la community internazionale di sviluppatori percepisce i modelli cinesi come superiori non solo per prezzo ma anche per flessibilità. Il fenomeno è duplice: da un lato, la pressione sui modelli chiusi americani è crescente, con utenti che abbandonano le piattaforme proprietarie di OpenAI e Anthropic per alternative cinesi più economiche. Dall’altro, la dipendenza da proprietà intellettuale derivata — come nel caso della distillazione da Claude Fable — rende il vantaggio competitivo americano strutturalmente fragile: se modelli derivati replicano funzionalità simili a costi ridotti di ordini di grandezza, il modello di business basato su data center giganteschi e prezzi premium rischia l’obsolescenza. La risposta normativa americana, con la revisione pre-rilascio dei modelli, appare inefficace contro modelli già pubblici e scaricabili da chiunque. Nel confronto diretto, la sovranità tecnologica offerta dai modelli cinesi rappresenta un vantaggio competitivo per le aziende europee che cercano di ridurre la dipendenza da fornitori americani.
Strategia geopolitica: open-weight come arma
La distribuzione open-weight non è una scelta commerciale tra le altre, ma il perno di una strategia geopolitica consapevole e coerente. Laddove gli Stati Uniti hanno costruito la propria supremazia sull’export control dei chip e sulla protezione dei modelli proprietari, la Cina ha rovesciato il tavolo: invece di difendere i propri sistemi, li regala. L’obiettivo non è la generosità, ma la creazione di un ecosistema alternativo che renda irrilevanti le sanzioni e che leghi a sé, strutturalmente, il mercato globale dell’intelligenza artificiale.
Il primo effetto strategico è il contrasto diretto alle restrizioni all’esportazione. I controlli americani sono concepiti per impedire alla Cina l’accesso ai chip più avanzati e alle tecnologie critiche: il presupposto implicito è che senza hardware di punta e senza l’accesso ai modelli chiusi occidentali, l’ecosistema cinese non possa competere. Il rilascio dei pesi — il codice addestrato del modello, scaricabile e implementabile da chiunque — rende questa premessa obsoleta. Una volta pubblicati, i pesi non possono essere revocati, bloccati o sanzionati: non esiste un "kill switch" capace di richiamarli indietro, né un’infrastruttura cloud da oscurare. L’ordine esecutivo dell’amministrazione Trump per la revisione pre-rilascio dei modelli è, da questo punto di vista, un provvedimento tardivo e sostanzialmente inefficace: mira a controllare modelli che sono già pubblici e distribuiti in tutto il mondo. La Cina ha di fatto neutralizzato lo strumento normativo americano più potente — il controllo del flusso tecnologico — rendendolo inapplicabile al bene che più conta nel settore.
A ciò si aggiunge la costruzione deliberata di un ecosistema alternativo. I modelli cinesi non sono rilasciati uno a uno, come iniziative isolate: formano un sistema industriale maturo che comprende Qwen di Alibaba, Kimi K3 di Moonshot, DeepSeek, GLM-5.2 di Z.ai (con licenza MIT), MiniMax-M2, e molti altri. Questa pluralità di attori e approcci garantisce continuità, ridondanza e capacità di innovazione distribuita: se un laboratorio viene colpito da sanzioni o restrizioni, gli altri continuano a operare. Ma l’ecosistema non si limita ai modelli: include l’ottimizzazione per chip nazionali Huawei/SMIC, che riduce la dipendenza dalla supply chain americana, e l’integrazione con piattaforme di uso quotidiano — come la scelta di Qwen da parte di Apple per l’AI in Cina, che porta i modelli cinesi nel cuore del mercato consumer globale. Il superamento di Llama di Meta nei download su GitHub è il segnale più tangibile che questo ecosistema ha già conquistato la community internazionale degli sviluppatori: chi adotta Qwen o DeepSeek per i propri sistemi critici costruisce un legame strutturale con la tecnologia cinese che nessuna sanzione potrà recidere.
Il risultato combinato è un’inversione di paradigma: la Cina, tradizionalmente percepita come un regime di controllo, si presenta oggi come il fornitore di sovranità tecnologica per i Paesi terzi — e in particolare per l’Europa. Un’azienda italiana che scarica Qwen e lo implementa on-premise ottiene ciò che nessun modello americano può offrire: dati che non escono dal perimetro aziendale, costi marginali quasi nulli, e nessuna dipendenza da policy esterne o infrastrutture cloud. Il che spiega il paradosso per cui il paese associato alla sorveglianza di massa diventa il garante della privacy aziendale europea. La strategia open-weight, in definitiva, trasforma il vantaggio competitivo americano in un passivo: i modelli chiusi occidentali, nella percezione del mercato, diventano il lusso costoso e fragile, mentre quelli cinesi rappresentano la scelta pragmatica, sovrana e sostenibile. Una competizione che non si gioca più sulla qualità dei modelli — ormai comparabile — ma sull’architettura di fiducia e dipendenza che ciascun ecosistema è in grado di costruire. E su questo terreno, la Cina ha giocato una partita che gli Stati Uniti non hanno ancora compreso appieno.
Impatto su Silicon Valley e reazioni USA
La reazione a catena innescata dall’arrivo di modelli come Kimi K3 e Qwen3.8-Max ha colto la Silicon Valley in uno stato di sorprendente vulnerabilità, innescando un dibattito interno che ha assunto i contorni di una vera e propria resa dei conti. La prima conseguenza è stata una spaccatura netta tra i colossi americani. Da un lato, le grandi aziende con modelli di business basati su piattaforme chiuse e costose — in primis OpenAI e Anthropic — hanno visto nell’open-weight cinese una minaccia esistenziale immediata, che mina alla radice la loro capacità di monetizzare l’accesso ai modelli di frontiera. Dall’altro, una coalizione di grandi tech e startup ha assunto una posizione diametralmente opposta, schierandosi pubblicamente contro l’ipotesi di un ban dei modelli open-weight cinesi. Questa fazione, che include attori come Meta con il suo modello Llama, ha compreso che il valore non sta più nel modello in sé ma nell’ecosistema di servizi, dati e piattaforme che ci costruisci intorno. Per loro, un divieto non solo sarebbe inutile — i pesi dei modelli sono già pubblici e irreversibilmente distribuiti — ma rappresenterebbe un autogol, rimuovendo l’unica arma competitiva (l’apertura) per contrastare l’ascesa cinese. Questa divisione ha paralizzato di fatto qualsiasi risposta coesa dell’industria, lasciando il campo alle mosse unilaterali del potere politico.
Sul fronte normativo, la risposta delle istituzioni americane è apparsa dettata più dall’ansia di fare qualcosa che da una strategia ponderata. L’ordine esecutivo dell’amministrazione Trump che impone una revisione pre-rilascio dei modelli è stato accolto con scetticismo persino da chi ne condivideva le premesse, in quanto misura tardiva e di dubbia efficacia: si tenta di regolamentare un flusso di tecnologia che ha già saturato il mercato. Le misure di controllo all’export sui chip e le pressioni per fermare la pratica della distillazione — con cui i modelli cinesi vengono addestrati sfruttando gli output di quelli americani — rivelano un approccio difensivo, che cerca di chiudere la stalla quando i buoi sono già scappati. La percezione prevalente, al di là delle dichiarazioni ufficiali, è che gli Stati Uniti stiano reagendo con gli strumenti del passato — controllo della catena di fornitura e protezione della proprietà intellettuale — a una partita che si gioca su un campo diverso, dove la scarsità non è più l’hardware ma l’adozione e l’ecosistema.
Emerge con chiarezza la percezione di una minaccia competitiva che ha ormai superato la soglia psicologica. Non è più solo una questione di sicurezza nazionale o di leadership tecnologica: la paura concreta, più volte evocata nel dibattito americano, è che l’ecosistema cinese, con la sua offerta a costo zero e la sua efficienza, stia rendendo l’intero comparto americano dell’AI un "bene rifugio" obsoleto. La Silicon Valley si trova così a fare da spettatrice a un paradosso: la Cina, il paese associato al controllo e alla sorveglianza, si è trasformata nel fornitore di sovranità tecnologica per chiunque voglia sfuggire all’influenza americana. Mentre i modelli USA vengono percepiti come un lusso costoso e fragile, quelli cinesi rappresentano la scelta pragmatica, sovrana e sostenibile. Questa dinamica sta spingendo molte aziende globali a rivedere le proprie architetture, adottando un approccio multi-modello che non mette più le uova nello stesso paniere, con ripercussioni profonde per il futuro equilibrio di mercato.
La guerra della distillazione
La distillazione è la pratica di addestrare un modello AI più piccolo ed economico utilizzando gli output di un modello più grande e avanzato come dati di addestramento. In termini concreti, un laboratorio cinese può interrogare sistematicamente un modello chiuso come Claude Fable di Anthropic con migliaia di prompt mirati, raccogliere le risposte e usarle per addestrare un proprio modello che replica funzionalità simili a una frazione del costo computazionale. Non è una copia letterale dei pesi del modello originale, ma una compressione della sua conoscenza e delle sue capacità comportamentali in un’architettura nuova ed efficiente. La tecnica è nota da anni nella letteratura accademica, ma la sua industrializzazione su scala massiccia — con modelli di frontiera come bersaglio — è un fenomeno recente che ha trasformato una curiosità di ricerca in un’arma competitiva.
Controversie e accuse reciproche
La reazione americana alla distillazione su scala industriale è stata rapida e aggressiva. OpenAI e Anthropic hanno denunciato pubblicamente la pratica come un furto di proprietà intellettuale, sostenendo che i modelli cinesi come Kimi K3 siano in realtà "cloni" dei propri sistemi, addestrati sfruttando illegalmente i loro output. Le accuse hanno assunto toni di sicurezza nazionale: Dario Amodei, CEO di Anthropic, ha proposto di contrastare la distillazione su scala industriale con misure drastiche, inclusa l’interruzione della vendita di chip potenti alla Cina e l’imposizione di test di sicurezza obbligatori. La risposta cinese, però, è stata di netto rifiuto: gli esperti del settore hanno respinto le accuse definendo la distillazione una pratica standard dell’industria, non dissimile da ciò che gli stessi laboratori americani fanno tra loro da anni. La distillazione, sostengono, non è furto: utilizza output pubblici per creare modelli nuovi, non copia i pesi del modello originale.
La controversia, tuttavia, ha un fondo più complesso di quanto le accuse reciproche lascino intendere. Da un lato, è innegabile che la distillazione dai modelli USA abbia accelerato lo sviluppo cinese: la capacità di partire dalle conoscenze già incorporate in Claude o GPT ha permesso ai laboratori cinesi di risparmiare anni di ricerca e miliardi di dollari in addestramento. Dall’altro, la posizione americana è stata definita "schizofrenica": OpenAI e Anthropic hanno costruito parte dei propri modelli addestrandosi su dati pubblici, inclusi quelli generati da altri sistemi, e la distinzione tra "apprendimento legittimo" e "furto" è molto più sfumata di quanto le dichiarazioni ufficiali lascino intendere. Il vero nodo non è legale ma strategico: la distillazione ha reso il vantaggio competitivo americano strutturalmente fragile, perché se modelli derivati replicano funzionalità simili a costi ridotti di ordini di grandezza, il modello di business basato su data center giganteschi e prezzi premium rischia l’obsolescenza.
Implicazioni per l’innovazione
La guerra della distillazione ha conseguenze profonde che vanno ben oltre la disputa legale tra i due blocchi. La prima è la democratizzazione strutturale dell’accesso all’AI avanzata: la distillazione abbassa le barriere all’ingresso in modo così radicale che chiunque — un laboratorio di ricerca, una startup, un’azienda medio-grande — può ottenere un modello competitivo senza dover investire centinaia di milioni di dollari in infrastrutture di calcolo. Questo significa che la competizione si è spostata dal capitale all’ingegneria: non conta più chi ha i data center più grandi, ma chi sa ottimizzare meglio le risorse disponibili. La "matita sovietica" dell’AI — l’approccio che risolve il problema con eleganza e pragmatismo invece che con potenza bruta — diventa il paradigma dominante, e su questo terreno l’ecosistema cinese ha dimostrato un vantaggio competitivo difficile da colmare.
La seconda implicazione è l’erosione del concetto stesso di proprietà intellettuale nell’AI. Se i modelli di frontiera possono essere distillati in modo sistematico, il valore del modello originale si riduce drasticamente: perché pagare 10 dollari per milione di token di input quando un derivato offre prestazioni simili a 2 dollari? La risposta americana — tentare di bloccare la distillazione con misure legali e tecniche — appare destinata all’inefficacia: la pratica è ormai troppo diffusa, i modelli derivati troppo numerosi e i pesi scaricati irreversibilmente distribuiti. Per l’ecosistema europeo, e in particolare per aziende come NewLoader, la lezione è chiara: la distillazione ha reso l’AI di frontiera un bene commoditizzato, e la strategia vincente non è cercare di proteggere la scarsità ma sfruttare l’abbondanza. La pluralità di modelli disponibili — cinesi, americani, europei — combinata con un’architettura multi-modello che seleziona il sistema migliore per ogni task, è l’unica risposta razionale a un mercato in cui la superiorità tecnica ha smesso di essere sinonimo di superiorità economica.
Confronto culturale e percezione pubblica
Il divario nella percezione pubblica dell’intelligenza artificiale tra Cina e Occidente è uno degli aspetti meno analizzati ma più rivelatori della competizione tecnologica in corso. I dati disponibili dipingono un quadro di polarizzazione netta: i sondaggi condotti da KPMG International e dall’Università del Queensland su diciassette paesi mostrano che il 95% dei cittadini cinesi si dichiara ottimista sull’AI, contro il 41% degli americani che ritiene i benefici superiori ai rischi. Solo il 36% dei cinesi si dice "impaurito" dalla tecnologia, una percentuale che negli Stati Uniti sale vertiginosamente. Questo non è un dettaglio sociologico: è il riflesso di due narrazioni pubbliche costruite consapevolmente, che orientano l’adozione, gli investimenti e la regolamentazione in direzioni opposte.
Narrativa pubblica in Cina e Occidente
La differenza di tono nella comunicazione istituzionale e commerciale dei due ecosistemi è esemplare. Lo spot pubblicitario di Anthropic, andato in onda durante la Coppa del Mondo, si apre con l’immagine di una casa in fiamme e include quelle che appaiono come foto di file di lapidi al Cimitero Nazionale di Arlington. Il messaggio, intitolato "There’s hope in hard questions", tenta di rassicurare gli spettatori sulla consapevolezza dei rischi da parte dell’azienda, ma il risultato percepito è stato definito "tasteless" e disturbante da gran parte del pubblico. Nella stessa settimana, Friend — l’azienda del controverso pendente AI — ha lanciato uno spot con toni altrettanto cupi, con persone che lamentano le proprie difficoltà personali al dispositivo. L’estetica è quella del trailer horror, la colonna sonora è volutamente dissonante, e il messaggio implicito è che l’AI è una forza ambivalente che richiede cautela, se non timore.
Il contrasto con la comunicazione cinese non potrebbe essere più netto. Lo spot di Alibaba per Qwen3.8-Max è descritto come "una ninna nanna confortante" rispetto all’intensità dell’annuncio di Anthropic: un monitor che mostra il modello al lavoro su task di lunga durata, mentre esseri umani — che sarebbero altrimenti alla scrivania — praticano pesca, tennis e arrampicata. L’estetica richiama i video lofi di YouTube per studio e relax. Il messaggio è semplice e diretto: l’AI è liberazione dal lavoro, non minaccia esistenziale. La Cina non vende prudenza, vende emancipazione. Questo posizionamento non è casuale: riflette una strategia deliberata che vede nell’AI uno strumento di progresso collettivo, non una forza da temere e regolamentare.
Impatto sull’adozione
La divergenza nelle percezioni pubbliche ha conseguenze dirette e misurabili sull’adozione della tecnologia. Negli Stati Uniti, l’ansia diffusa — alimentata anche da una copertura mediatica che enfatizza i rischi esistenziali — si traduce in una base di utenti tiepida, che adotta l’AI con cautela e diffidenza. I sondaggi mostrano che la maggioranza degli americani è "at best lukewarm" sull’influenza crescente della tecnologia sul posto di lavoro, sui social media e sulla politica. Questo clima di sospetto rallenta la penetrazione dell’AI nei flussi di lavoro quotidiani e rende più difficile per le aziende giustificare investimenti massicci in infrastrutture AI. La paura, in altri termini, è un costo implicito che grava sull’intero ecosistema americano.
In Cina, al contrario, l’atteggiamento di fiducia e ottimismo della popolazione crea un ambiente favorevole all’adozione rapida e su larga scala. Il 95% di ottimismo non è solo un dato statistico: è la condizione che permette ad Alibaba di rilasciare Qwen3.8-Max con uno spot che mostra persone in vacanza mentre l’AI lavora al posto loro, senza che nessuno sollevi obiezioni di natura etica o esistenziale. È anche la condizione che consente a Moonshot di pianificare il rilascio open-weight di Kimi K3 con targeting esplicito degli utenti USA, sapendo che la domanda c’è e che la barriera non è culturale ma solo di prezzo e accesso. L’effetto combinato è un circolo virtuoso: l’ottimismo pubblico facilita l’adozione, l’adozione genera dati e feedback che migliorano i modelli, i modelli migliori rafforzano l’ottimismo.
Per l’ecosistema europeo e per aziende come NewLoader, la lezione è duplice. Da un lato, la narrativa cinese dell’AI come liberazione dal lavoro è più facilmente allineabile con gli obiettivi aziendali — automazione di task ripetitivi, efficientamento dei processi, riduzione dei costi — rispetto alla narrativa occidentale della cautela e del rischio. Dall’altro, la differenza di percezione pubblica incide sulla regolamentazione: un’opinione pubblica timorosa produce leggi restrittive, come dimostra la revisione pre-rilascio dei modelli voluta dall’amministrazione Trump, mentre un’opinione pubblica fiduciosa produce un ambiente normativo permissivo che accelera l’innovazione. La scelta di adottare modelli open-weight cinesi on-premise non è solo una decisione tecnica o economica: è anche una decisione che allinea l’azienda a un ecosistema culturale che considera l’AI uno strumento di progresso, non una minaccia da gestire. E in un mercato in cui la velocità di adozione è il vantaggio competitivo decisivo, questa differenza culturale pesa quanto quella tecnologica.
Implicazioni per l’Europa: il terzo polo
L’ecosistema europeo si trova di fronte a una finestra di opportunità senza precedenti, ma anche a rischi speculari a quelli che gravano sugli Stati Uniti. La strategia open-weight cinese, con il suo superamento di Llama di Meta nei download su GitHub, ha di fatto creato le condizioni per un "non-allineamento AI" che l’Europa può sfruttare come terzo polo. La chiave di lettura è la sovranità tecnologica: i modelli cinesi, una volta scaricati, non possono essere revocati, non dipendono da policy esterne e non richiedono infrastrutture cloud controllate da terzi. Per le aziende europee, questo significa poter implementare modelli di frontiera on-premise, con dati che non escono dal perimetro aziendale e costi marginali quasi nulli. Un’azienda italiana che adotta Qwen o DeepSeek ottiene ciò che nessun modello americano può offrire: indipendenza strutturale da decisioni prese a Washington o a Bruxelles. Il paradosso è evidente: la Cina, associata a pratiche di controllo, diventa il fornitore di sovranità tecnologica per il continente che più di tutti ha fatto della privacy e dell’autodeterminazione digitale i propri valori fondanti.
Opportunità per l’ecosistema europeo
La prima opportunità è di natura economica: i modelli cinesi offrono prestazioni di frontiera a un costo di un ordine di grandezza inferiore rispetto ai rivali americani. Il confronto tra Qwen3.8-Max e Fable 5 — 2 dollari contro 10 per milione di token in input, 6 contro 50 per i token in output — non è un dettaglio marginale ma una differenza che ridisegna il business case di qualsiasi progetto AI. Per le startup e le PMI europee, che non dispongono dei capitali delle big tech americane, l’accesso a modelli competitivi a costo quasi zero abbatte le barriere all’ingresso e consente di competere su un piano di parità che fino a due anni fa era impensabile. La seconda opportunità è di natura ingegneristica: l’efficienza dei modelli cinesi, con la loro ottimizzazione per hardware meno pregiato e l’introduzione di tecniche come la decodifica speculativa DSpark di DeepSeek, consente di operare con infrastrutture più leggere e meno costose. Questo è particolarmente rilevante per un ecosistema come quello europeo, che non può contare su data center giganteschi e deve invece puntare sull’ottimizzazione delle risorse disponibili. La terza opportunità è di natura strategica: la pluralità di modelli disponibili — cinesi, americani, europei — consente di costruire architetture multi-modello che selezionano il sistema migliore per ogni task, riducendo la dipendenza da un unico fornitore e aumentando la robustezza sistemica. La varietà necessaria, come suggerisce la legge di Ashby, è la condizione per la resilienza: un ecosistema che dipende da un solo fornitore è fragile per definizione, mentre uno che può attingere a più fonti è strutturalmente più solido.
Rischi di dipendenza
I rischi, tuttavia, sono reali e vanno valutati con lucidità. Il primo è la dipendenza tecnologica: chi adotta Qwen o DeepSeek per i propri sistemi critici costruisce un legame strutturale con l’ecosistema cinese che nessuna sanzione potrà recidere. I pesi sono aperti e non richiamabili, ma l’ecosistema che ci si costruisce intorno — competenze, tooling, integrazioni, flussi di dati — crea una dipendenza che nel tempo può diventare difficile da sciogliere. Il secondo rischio è la qualità e la trasparenza dei modelli: i modelli cinesi sono addestrati su dati che includono output distillati da modelli americani, e la loro documentazione è meno trasparente di quella dei rivali occidentali. Il rischio di bias culturali condivisi è reale, ma va contestualizzato: entrambi gli ecosistemi sono addestrati su dati prevalentemente anglosassoni, e la "varietà necessaria" portata dai modelli cinesi può essere un vantaggio più che un limite. Il terzo rischio è reputazionale: dichiarare l’uso di modelli cinesi può avere implicazioni di immagine, soprattutto in settori sensibili come la pubblica amministrazione o la difesa. La domanda se dichiarare il "powered by Qwen" ai clienti o tenerlo invisibile è aperta, e la risposta dipende dal contesto e dal settore. Il quarto rischio è la sensibilità dei dati: i dati ambientali di bonifica gestiti da NewLoader sono davvero "sensibili"? Se non lo sono, il vantaggio on-premise per la privacy si riduce; se lo sono, l’uso di modelli cinesi potrebbe sollevare questioni di conformità con il GDPR e con le normative europee sulla protezione dei dati. La mitigazione di questi rischi passa da un approccio pragmatico: audit del codice per escludere backdoor, isolamento dei dati sensibili, e un’architettura che riservi i modelli cinesi ai task meno critici.
Il ruolo di NewLoader e MARES
Per NewLoader, la domanda cruciale non è "modello cinese o americano?" ma "quale task richiede quale livello di intelligenza?". Circa il 70% dei task gestiti dal sistema MARES — parsing Excel, classificazione parametri, normalizzazione formati, fatture SDI — è "estrazione, non ragionamento": per questi, un modello cinese open-weight on-premise è strutturalmente superiore, perché meno costoso, sovrano e specializzabile. Il restante 30% — report complessi, ragionamento normativo, rifinitura linguistica — giustifica ancora le API americane di fascia alta. Lo scenario raccomandato è quello "ibrido", che combina un routing intelligente: Qwen-14B on-premise per il parsing Excel (80% del volume), Claude API per i report ARPA (15%), Mistral con RAG per la normativa (5%). In caso di kill switch USA, solo il 15% delle funzionalità degraderebbe, mentre Qwen e Mistral continuerebbero a funzionare. La matrice decisionale ponderata conferma questa scelta: 7,8/10 per lo scenario ibrido, contro 7,4/10 per i soli modelli cinesi e 5,3/10 per i soli modelli americani. L’architettura proposta è a quattro livelli "Local-First, Cloud-Exception": edge con Qwen-3B quantizzato per la compilazione guidata e la trascrizione vocale su tablet offline; on-premise con Qwen-14B/32B per il parsing e la normalizzazione; sovereign cloud su VPS UE con modelli 70B+ per la RAG normativa; e API americane premium solo per dati anonimizzati e rifinitura linguistica. Questa architettura garantisce la sovranità dei dati, la continuità operativa e la flessibilità necessaria per adattarsi a un mercato in rapida evoluzione. Il vero rischio, in definitiva, non è la Cina ma la dipendenza dal provider di inferenza: Qwen on-premise significa sovranità, GPT via Azure significa dipendenza da Microsoft. La pluralità di mezzi è la chiave del miglioramento.
Rischi e incognite aperte
La sezione dei rischi e delle incognite aperte merita un’analisi che separi i pericoli concreti e immediati dalle questioni strutturali di lungo periodo. Il quadro che emerge dai documenti è quello di un vantaggio cinese reale ma non privo di vulnerabilità interne, e di un ecosistema occidentale che deve scegliere se reagire con strumenti del passato o ripensare le proprie fondamenta.
Questioni di sicurezza e allineamento
La prima area di rischio riguarda la natura stessa dei modelli open-weight cinesi e la loro affidabilità in contesti critici. Il tema della trasparenza è centrale: i modelli cinesi sono addestrati su dati che includono output distillati da modelli americani, ma la documentazione tecnica e i dataset di addestramento sono molto meno trasparenti rispetto a quelli dei rivali occidentali. Questo non significa necessariamente che i modelli siano insicuri, ma che la possibilità di un audit indipendente è limitata. Il rischio concreto di una backdoor nella libreria di inferenza — un codice malevolo che "chiama casa" e trasmette dati all’esterno — è reale e va mitigato con una revisione approfondita del codice prima dell’implementazione in produzione. È un rischio tecnico, non geopolitico, e come tale è gestibile con le competenze adeguate.
La questione dell’allineamento è più sottile e meno dibattuta di quanto si possa pensare. I modelli cinesi sono addestrati su un substrato culturale e valoriale diverso da quello occidentale: il collettivismo e l’armonia sociale prevalgono sull’individualismo e sulla libertà di espressione. Questo si traduce in comportamenti del modello che possono essere percepiti come bias culturali, ma va contestualizzato: entrambi gli ecosistemi — americano e cinese — sono addestrati su dati prevalentemente anglosassoni, e la "varietà necessaria" portata dai modelli cinesi può essere un vantaggio più che un limite. La vera incognita non è il bias culturale in sé, ma la biforcazione etica che sta emergendo: se i modelli americani incorporano una visione individualista e i modelli cinesi una visione collettivista, il mercato globale si troverà di fronte a un "mercato dei valori" in cui la scelta del modello è anche una scelta etica. Per un’azienda europea, questo significa che la selezione del modello non è solo una decisione tecnica o economica, ma una decisione che allinea l’organizzazione a un sistema di valori piuttosto che a un altro.
Il rischio di esfiltrazione dei dati attraverso i modelli è invece da ridimensionare. I pesi dei modelli, una volta scaricati, sono fissi e non possono essere revocati: non esiste un "kill switch" capace di richiamarli indietro. L’unico rischio reale è una backdoor nella libreria di inferenza, mitigabile con l’audit del codice. Il rischio maggiore, paradossalmente, non è la Cina ma la dipendenza dal provider di inferenza: Qwen on-premise significa sovranità, GPT via Azure significa dipendenza da Microsoft. La scelta dell’architettura è quindi più importante della scelta del modello.
Sostenibilità del vantaggio cinese
Il vantaggio cinese non è scontato né permanente. La prima incognita è la revocabilità dell’apertura: l’open-weight resterà una strategia stabile o verrà rivisto in futuro? I pesi scaricati non sono richiamabili, ma l’ecosistema che ci si costruisce intorno — competenze, tooling, integrazioni, flussi di dati — crea una dipendenza che nel tempo può diventare difficile da sciogliere. Se la Cina decidesse di chiudere i rubinetti dell’open-weight per i modelli di punta, le aziende che hanno costruito la propria infrastruttura su Qwen o DeepSeek si troverebbero in una posizione di vulnerabilità simile a quella che oggi affligge chi dipende dalle API americane. La differenza è che i pesi già scaricati continuerebbero a funzionare, ma l’innovazione successiva sarebbe preclusa.
La seconda incognita è la sostenibilità economica dell’efficienza cinese. Il vantaggio nei costi — un decimo delle risorse computazionali, milioni di dollari contro centinaia di milioni — è reale, ma va verificato nel tempo. L’ottimizzazione per hardware meno pregiato e per chip nazionali Huawei/SMIC indebolisce il monopolio Nvidia, ma solleva la questione della scalabilità: l’efficienza architetturale può supplire alla potenza bruta fino a un certo punto, e la prossima generazione di modelli potrebbe richiedere un salto computazionale che i chip cinesi non sono ancora in grado di sostenere. Il paradosso è che il vantaggio cinese si basa su una fragilità strutturale: l’accesso limitato ai chip più avanzati ha costretto i laboratori cinesi a innovare sull’efficienza, ma questa efficienza ha un tetto, e il tetto è determinato proprio dall’hardware che gli Stati Uniti controllano.
La terza incognita è la qualità dei dati di addestramento. I modelli cinesi hanno beneficiato della distillazione dai modelli americani, ma questa risorsa non è infinita. La distillazione produce modelli che replicano le capacità del modello originale, ma non le superano: se i modelli americani smettono di progredire o se la distillazione viene bloccata efficacemente, i modelli cinesi potrebbero trovarsi a dover innovare senza la stampella dei rivali. La "guerra della distillazione" è quindi una corsa contro il tempo: la Cina deve dimostrare di poter innovare autonomamente prima che la risorsa della distillazione si esaurisca.
Scenari futuri
Il primo scenario è la coesistenza competitiva: i modelli cinesi e americani continuano a progredire in parallelo, con la Cina che mantiene il vantaggio nei costi e gli Stati Uniti che mantengono il vantaggio nell’innovazione di frontiera. In questo scenario, il mercato si struttura su due ecosistemi distinti e l’Europa gioca il ruolo di terzo polo, attingendo da entrambi in base al contesto. È lo scenario più probabile e quello per cui NewLoader ha già predisposto un’architettura multi-modello.
Il secondo scenario è il sorpasso cinese: se l’efficienza cinese continua a migliorare e i modelli americani non riescono a giustificare i prezzi premium, l’ecosistema chiuso occidentale potrebbe perdere quote di mercato in modo irreversibile. In questo scenario, i modelli cinesi diventano lo standard di fatto e gli Stati Uniti si trovano a dover inseguire su un terreno — l’open-weight — che hanno sempre rifiutato. Le implicazioni per la sicurezza nazionale americana sarebbero significative, ma per l’Europa il cambiamento sarebbe marginale: la sovranità tecnologica sarebbe garantita dai modelli cinesi on-premise, con il rischio di una dipendenza da un ecosistema che potrebbe non restare aperto per sempre.
Il terzo scenario è la biforcazione normativa: gli Stati Uniti impongono restrizioni sempre più severe ai modelli cinesi, mentre la Cina risponde con un inasprimento delle proprie politiche. Il risultato sarebbe un mondo diviso in due blocchi tecnologici impermeabili, con l’Europa costretta a scegliere da che parte stare. Questo scenario è il più pericoloso per l’ecosistema europeo, perché trasformerebbe una scelta tecnica in una scelta geopolitica e renderebbe l’architettura multi-modello impraticabile. La risposta razionale è il "non-allineamento AI": usare modelli americani, cinesi ed europei in base al contesto, esattamente come durante la Guerra Fredda i Paesi non allineati attingevano da entrambi i blocchi.
Il quarto scenario, infine, è la commoditizzazione totale: se la distillazione e l’open-weight rendono l’AI di frontiera un bene commoditizzato, il valore si sposta dal modello all’ecosistema di servizi, dati e piattaforme che ci si costruisce intorno. In questo scenario, la domanda "modello cinese o americano?" perde di significato, e la competizione si gioca sulla capacità di integrare l’AI nei flussi di lavoro reali. Per NewLoader, questo è lo scenario più favorevole: il 70% dei task gestiti dal sistema MARES è "estrazione, non ragionamento", e per questi task la scelta del modello è marginale rispetto alla qualità dell’integrazione. La pluralità di mezzi è la chiave del miglioramento, e la capacità di passare da un modello all’altro senza attriti è il vero vantaggio competitivo.
Raccomandazioni strategiche per l’Europa
Le raccomandazioni che seguono non partono da un giudizio morale sui modelli cinesi, ma da una lettura pragmatica del quadro emerso: l’open-weight ha reso l’AI di frontiera un bene commoditizzato, la sovranità tecnologica è oggi un vantaggio competitivo concreto e la dipendenza da un unico fornitore — americano o cinese che sia — rappresenta il rischio strategico principale. L’Europa, e in particolare gli operatori come NewLoader, devono agire su tre fronti paralleli: adozione tecnica, investimento e posizionamento normativo.
Azioni concrete suggerite
Adottare un’architettura multi-modello "Local-First, Cloud-Exception" come standard operativo. Il modello a quattro livelli già delineato per MARES — edge con Qwen-3B quantizzato, on-premise con Qwen-14B/32B, sovereign cloud UE con modelli 70B+, API americane premium solo per dati anonimizzati — rappresenta la risposta più solida alla volatilità del mercato. L’implementazione dovrebbe avvenire con un routing dinamico che instradi ogni task al modello più adeguato: estrazione e parsing ai modelli cinesi on-premise, ragionamento normativo complesso ai modelli europei o americani. Questo approccio garantisce che un’eventuale restrizione — americana o cinese — degradi al massimo il 15% delle funzionalità, come dimostrato dallo scenario ibrido della matrice decisionale (7,8/10 contro 5,3/10 dei soli modelli americani).
Avviare un programma di audit sistematico dei modelli open-weight cinesi prima dell’implementazione in produzione. Il rischio concreto non è geopolitico ma tecnico: la possibilità di una backdoor nella libreria di inferenza che trasmetta dati all’esterno. La mitigazione richiede una revisione approfondita del codice, la verifica dell’integrità dei pesi e l’isolamento dei dati sensibili in ambienti separati. Questo programma dovrebbe essere condotto con competenze interne o tramite partner di fiducia, e i risultati dovrebbero essere documentati e condivisi a livello di ecosistema per creare una base di conoscenza comune sulla sicurezza dei modelli cinesi.
Dichiarare l’uso dei modelli cinesi con una strategia di trasparenza calibrata. La domanda se rendere visibile il "powered by Qwen" ai clienti non ha una risposta univoca, ma la soluzione consigliata è la trasparenza proattiva nei confronti dei committenti istituzionali, accompagnata da una comunicazione che evidenzi i benefici di sovranità e costo. Nascondere l’uso di tecnologia cinese espone a un rischio reputazionale molto maggiore nel momento in cui l’informazione emergesse. La narrazione vincente è quella della scelta razionale: modelli cinesi per task di estrazione, modelli americani per ragionamento complesso, nessuna dipendenza esclusiva.
Creare un consorzio europeo per l’adozione e la validazione dei modelli open-weight. Nessuna azienda singola ha le risorse per auditare in profondità l’intero ecosistema cinese, ma un consorzio di operatori — pubblici e privati — potrebbe condividere i costi della validazione, sviluppare best practice comuni e negoziare con i fornitori cinesi condizioni di trasparenza migliori. Questo consorzio potrebbe anche fungere da interlocutore unico verso le istituzioni europee, contribuendo a definire standard di sicurezza per l’adozione dell’open-weight che bilancino innovazione e protezione.
Priorità di investimento
La prima priorità è l’infrastruttura di inferenza on-premise. Il vantaggio dei modelli cinesi si materializza solo se l’azienda dispone della capacità di eseguirli localmente. L’investimento in GPU di fascia media — ottimizzate per l’efficienza dei modelli cinesi, che funzionano bene anche su hardware meno pregiato — e in competenze di deployment (quantizzazione, ottimizzazione dell’inferenza, gestione di modelli MoE) è il prerequisito per trasformare il vantaggio teorico in vantaggio operativo. Questo investimento è recuperabile in pochi mesi grazie al risparmio sui costi per token: il passaggio da API americane a modelli on-premise per il 70% dei task di estrazione riduce i costi di un ordine di grandezza.
La seconda priorità è lo sviluppo di competenze interne di fine-tuning e di integrazione. I modelli cinesi open-weight offrono la possibilità di specializzazione che le API chiuse non consentono: fine-tuning LoRA su dati aziendali, adattamento a formati specifici, ottimizzazione per i flussi di lavoro interni. Questa capacità è un moltiplicatore di valore che trasforma un modello generico in uno strumento proprietario, e rappresenta un investimento che si accumula nel tempo: più dati aziendali vengono usati per il fine-tuning, più il modello diventa difficile da sostituire e maggiore è il vantaggio competitivo.
La terza priorità è la partecipazione attiva al dibattito normativo europeo. Le istituzioni UE stanno definendo il quadro regolatorio per l’AI, e la posizione che emergerà sui modelli open-weight cinesi avrà un impatto diretto sulle opzioni disponibili per le aziende europee. È nell’interesse dell’ecosistema spingere per un quadro che non discrimini i modelli in base alla provenienza geografica ma in base alla sicurezza e alla trasparenza, e che riconosca il valore della sovranità tecnologica come obiettivo legittimo. Un’Europa che si chiude ai modelli cinesi si condanna a una dipendenza totale dagli Stati Uniti; un’Europa che li accetta senza regole si espone a rischi di sicurezza. La posizione da sostenere è quella del "non-allineamento AI": regole chiare, audit obbligatori, ma libertà di scelta tecnologica.
Conclusioni
Il quadro che emerge da questa analisi è quello di un cambiamento strutturale, non congiunturale, negli equilibri dell’intelligenza artificiale globale. La Cina ha trasformato l’open-weight in un’arma strategica che aggira le sanzioni, crea dipendenza e ridefinisce il concetto stesso di sovranità tecnologica: il paese associato al controllo è diventato il fornitore di indipendenza per chiunque voglia sfuggire all’influenza americana. Gli Stati Uniti, dal canto loro, stanno reagendo con gli strumenti del passato — export control, protezione della proprietà intellettuale, revisione pre-rilascio — a una partita che si gioca su un campo diverso, dove la scarsità non è più l’hardware ma l’adozione e l’ecosistema.
Per l’Europa, e per operatori come NewLoader, la scelta non è tra modelli cinesi e modelli americani, ma tra dipendenza e pluralità. L’architettura multi-modello, con la sua capacità di attingere da entrambi gli ecosistemi in base al contesto, è la risposta razionale a un mercato in cui la superiorità tecnica ha smesso di essere sinonimo di superiorità economica. Il 70% dei task di estrazione e parsing non richiede modelli di frontiera americani: richiede modelli efficienti, sovrani e specializzabili — esattamente ciò che l’open-weight cinese offre. Il restante 30% giustifica ancora le API americane premium, ma solo per i task che realmente le richiedono e con dati anonimizzati.
La finestra di opportunità è aperta, ma non resterà aperta per sempre. Se la Cina dovesse decidere di chiudere i rubinetti dell’open-weight per i modelli di punta, o se gli Stati Uniti dovessero imporre restrizioni efficaci, la libertà di scelta si ridurrebbe drasticamente. Il momento di costruire l’architettura multi-modello, di sviluppare le competenze interne e di partecipare al dibattito normativo è adesso. La pluralità di mezzi non è solo la chiave del miglioramento: è la condizione per la sopravvivenza in un mercato che sta diventando sempre più biforcato. Chi non costruisce oggi la propria indipendenza tecnologica, la cercherà invano domani.