Il divario tra i modelli AI a codice aperto e quelli proprietari si è ridotto a pochi punti percentuale sui benchmark più rilevanti. Nvidia è entrata in campo con Nemotron 3, una famiglia di modelli open source — nelle versioni Nano, Super e Ultra — progettata per sistemi multi-agente. Nemotron 3 Super, un modello da 120 miliardi di parametri totali con 12 miliardi attivi, ha conquistato la prima posizione nell’EnterpriseOps-Gym leaderboard, superando DeepSeek V3.2 e Kimi-K2.5. GPT-OSS-120B si è fermato al quinto posto. I pesi, i dati di addestramento e le ricette sono tutti pubblici su Hugging Face.
L’architettura alla base di Nemotron 3 è ibrida: combina strati Mamba-2, livelli Mixture-of-Experts e attention layers con finestra contestuale fino a un milione di token. La versione Nano, da 30 miliardi di parametri totali con soli 3,2 miliardi attivi per inferenza, offre un throughput 3,3 volte superiore a Qwen3-30B-A3B e 2,2 volte superiore a GPT-OSS-20B. La logica industriale dietro questa mossa è chiara: Nvidia vende GPU, e più il mondo costruisce su modelli aperti che girano sulla propria infrastruttura, più le GPU di Nvidia vengono acquistate. Lo ha detto Jensen Huang in modo esplicito: “Con Nemotron, stiamo trasformando l’AI avanzata in una piattaforma aperta.” Aziende come Bosch, Palantir e CrowdStrike hanno già adottato componenti della famiglia Nemotron.
Il contesto più ampio è quello di un mercato che si riorganizza. I modelli open source cinesi — DeepSeek, Alibaba Qwen, Kimi di Moonshot AI — guidano buona parte della pressione competitiva. Qwen ha superato un miliardo di download su Hugging Face a gennaio 2026, rappresentando oltre il 50% di tutti i download di modelli aperti a livello globale. DeepSeek-V3.2 ha addestrato un modello da 671 miliardi di parametri per circa 5,6 milioni di dollari, una frazione del costo dei modelli proprietari. L’inferenza sui modelli open source costa tra il 70 e il 90 percento in meno rispetto alle API di OpenAI o Anthropic. Per la maggior parte dei carichi di lavoro aziendali — analisi di documenti, revisione del codice, generazione di output strutturati — i modelli aperti sono oggi un’alternativa concreta.
Eppure i lab proprietari non soffrono. Anthropic ha raggiunto un fatturato annualizzato di 47 miliardi di dollari a maggio 2026, partendo da 9 miliardi a fine 2025. Oltre mille clienti spendono oggi più di un milione di dollari all’anno su Claude, il doppio rispetto a due mesi prima. Claude Code, il prodotto per sviluppatori lanciato a maggio 2025, ha generato da solo 2,5 miliardi di dollari di ricavi annualizzati entro febbraio 2026. L’80% del fatturato di Anthropic proviene da API e contratti enterprise: è una società di infrastrutture B2B, non un’app consumer. Il vantaggio dei modelli chiusi resta reale nelle attività che richiedono ragionamento complesso su più passaggi e nei contesti dove affidabilità e sicurezza certificate pesano più del costo per token.
La traiettoria probabile è una coesistenza strutturata. I modelli aperti continueranno a erodere il terreno su task standard, spingendo verso il basso i prezzi dell’inferenza sull’intero mercato. I lab frontier risponderanno con rilasci più rapidi: Anthropic ha pubblicato quattro modelli principali e circa dodici aggiornamenti significativi nelle prime dieci settimane del 2026. Il margine che conta non è più solo la performance sul benchmark, ma la velocità di integrazione nelle pipeline aziendali. Chi consolida quella posizione — aperto o chiuso — avrà un vantaggio difficile da invertire.
