AI & Automazione · 27 maggio 2026 · 24 min. di lettura · Rebecca Kupka, Founders Associate, Amplifa

AI Open Source: Trend Report per le medie imprese

L'AI Open Source trasforma prezzi, lock-in e strategie GenAI nelle medie imprese. Scopra cosa decideranno i produttori DACH nel 2025 prima del ciclo di budget.

Martedì scorso, ore 8:17, sono nel nostro ufficio di Berlino in chiamata con Thomas, amministratore delegato di un fornitore nei pressi di Heilbronn. Accanto a lui sibila una macchina del caffè, da qualche parte in sottofondo un carrello elevatore emette il segnale acustico di retromarcia, e sul suo schermo c'è un file Excel con prezzi dei fornitori, reclami e 2.861 attività CRM aperte. "Voglio usare l'AI", dice Thomas, "ma non voglio che i nostri disegni e i nostri margini finiscano un giorno a Seattle o San Francisco". Il mercato dell'AI Open Source dipende proprio da questa frase. Non dai benchmark. Non dai video demo. Dalla paura di aver incatenato, tra cinque anni, il proprio valore aggiunto a un modello di pricing API.

La mia previsione, che in molti consigli di amministrazione suona ancora scomoda: l'AI Open Source non raccoglierà la maggior parte degli investimenti in GenAI entro il 2027, ma detterà la logica dei prezzi dell'intero mercato. I grandi assegni continueranno ad andare a OpenAI, Anthropic, Microsoft, Google e Amazon. Il potere contrattuale, tuttavia, si sposta silenziosamente verso le aziende che possono sostituire i propri modelli.

Questo è il punto per le medie imprese europee. Chi nel 2025 tratta una strategia AI solo come una selezione di tool, non ha compreso il tema. Si tratta di potere d'acquisto, sovranità dei dati, curve di costo, opzioni di migrazione e se un costruttore di macchine del Baden-Württemberg tra tre anni deciderà ancora autonomamente dove verranno elaborati i suoi rapporti di assistenza, i programmi CNC e la logica delle offerte.

AI Open Source 2025: dove si trova oggi il mercato

Il mercato è sbilanciato. Il capitale non fluisce in modo uniforme, ma a ondate, e l'ondata più grande rotola ancora verso i modelli chiusi. Dal 2023, OpenAI viene spesso associata a un totale di circa 13-14 miliardi di dollari USA di capitale raccolto e pacchetti strutturati di Microsoft; la partnership di Microsoft viene solitamente discussa pubblicamente nell'ordine di 10-13 miliardi di dollari USA. Anthropic ha ricevuto impegni da Amazon e Google per un totale di oltre 6 miliardi di dollari USA, a seconda della tranche e della struttura. Cohere si attesta piuttosto nell'ordine dei 500 milioni a 1 miliardo di dollari USA, con investitori come Nvidia, Oracle e Salesforce Ventures. Questi non sono normali round software. Sono scommesse sulle infrastrutture.

Sul fronte aperto, il quadro è più frammentato, ma non esiguo. Hugging Face ha raccolto un round da 235 milioni di dollari nel 2023, tra gli altri con Salesforce, Google, Nvidia, Intel, AMD e IBM, ed è stata valutata 4,5 miliardi di dollari secondo i report dell'epoca. Stability AI ha ottenuto circa 100 milioni di dollari nel 2022 con una valutazione di circa 1 miliardo di dollari, finendo in seguito sotto pressione finanziaria, ma rimanendo influente per i modelli di immagine aperti. Aleph Alpha di Heidelberg ha ricevuto nel 2023 un round di finanziamento strategico di circa 500 milioni di dollari ovvero 400-500 milioni di euro, sostenuto da SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise e altri attori industriali e finanziari tedeschi. Mistral AI di Parigi è il caso particolare: posizionamento aperto, struttura commerciale, 105 milioni di euro di Seed nel 2023 e successivamente circa 385 milioni di euro di Series A, con discussioni sulla valutazione intorno ai 5 miliardi di dollari nel 2024.

Quando ne discuto con i CFO, vedo spesso lo stesso riflesso. "Quindi vincono i modelli chiusi", mi ha detto tre settimane fa Andrea, Head of Sales presso un Hidden Champion di Bielefeld, mentre nella sala conferenze accanto qualcuno trascinava un contenitore su ruote sulle piastrelle. Beh, quasi. Vincono la statistica del capitale. Ma la statistica del capitale non è la stessa cosa dell'impatto strategico.

McKinsey ha stimato nel 2023 il potenziale economico annuale dell'AI generativa tra 2,6 e 4,4 trilioni di dollari USA, con grandi contributi dalla produzione, supply chain, sviluppo prodotto e interazione con i clienti. Goldman Sachs ha scritto nel 2023 che la GenAI potrebbe aumentare il PIL globale di circa il 7% in dieci anni. IDC, Gartner e altri analisti hanno previsto nel 2023 e 2024 una spesa mondiale per software, hardware e servizi AI verso i 300-500 miliardi di dollari USA all'anno entro il 2026 o 2027, a seconda della definizione. Questi numeri suonano astratti. In una fabbrica di Tuttlingen, questo significa: chi scrive il rapporto di assistenza? Chi consulta la documentazione dei pezzi di ricambio? Chi controlla le e-mail dei fornitori? Chi prioritizza i lead dai clienti esistenti?

Bitkom ha riferito a settembre 2024 che il 20% delle aziende tedesche utilizza l'AI e un altro 37% ne pianifica o discute l'impiego. Nelle grandi aziende la quota è significativamente più alta rispetto alle piccole. Nelle conversazioni con le medie imprese dei settori meccanico, elettrotecnico e della fornitura automotive, questo appare molto reale: quasi tutti hanno un test Copilot, una pipeline Azure-OpenAI, un progetto interno di chatbot o almeno uno studente lavoratore che sperimenta con LLaMA, Mixtral o Mistral. Ma pochi hanno una strategia dei modelli. Pochissimi.

Status Quo: i modelli chiusi incassano, i modelli aperti disciplinano

I fornitori chiusi vendono tre cose: prestazioni, comodità e pacchettizzazione. OpenAI tramite Microsoft, Anthropic tramite AWS e Google, Gemini in Google Cloud, Copilot in Microsoft 365, Salesforce Einstein, SAP Joule. Si ottengono modelli, API, interfacce di governance, fatturazione e talvolta la rassicurante sensazione che l'ufficio acquisti debba solo estendere un contratto quadro esistente. È attraente. Soprattutto per le aziende il cui team IT è composto da 14 persone e deve gestire contemporaneamente SAP S/4HANA, problemi EDI e la sostituzione di un firewall.

L'AI Open Source vende qualcos'altro, spesso in modo più indiretto: opzioni di uscita. Un modello LLaMA, un modello Mixtral o un modello ospitabile autonomamente di Aleph Alpha non deve essere il miglior modello al mondo in ogni compito. Deve essere abbastanza buono, abbastanza trasparente, più economico nel funzionamento continuo e contrattualmente così flessibile che un CIO di Ulm non debba accettare il prezzo per milione di token di un fornitore statunitense per ogni nuova applicazione. È proprio qui che risiede la leva. Non è romanticismo. È economia.

Cosa vediamo concretamente in Amplifa: negli ultimi 12 mesi, nei progetti di discovery e implementazione presso aziende B2B della meccanica, dei componenti industriali e dei servizi tecnici, non abbiamo quasi mai visto una strategia puramente Open Source, ma in 7 casi su 10 un'architettura secondaria silenziosa. Il pattern è chiaro: GPT-4 o Claude per compiti difficili di analisi e testo nella fase pilota, poi modelli aperti o self-hostable per compiti ricorrenti come la classificazione dei lead, il riepilogo delle e-mail, la compilazione dei campi CRM e l'estrazione di documenti. Il punto di svolta non arriva con una "AI migliore". Arriva con il volume. Non appena un processo genera migliaia di piccole chiamate al modello ogni giorno, la curiosità diventa una questione di costi.

Trend 1: l'AI Open Source spinge i prezzi verso il basso

L'effetto di mercato più importante dei modelli aperti non è che ogni media impresa addestrerà domani un proprio Foundation Model. Non accadrà. Un produttore di utensili di Remscheid non acquista nemmeno una propria macchina litografica da ASML solo perché i chip sono strategici. L'effetto nasce da alternative credibili. Se LLaMA 3, Mixtral, Qwen, Falcon o un modello europeo sono sufficienti per il 60-80% dei compiti di routine, allora i fornitori chiusi perdono la fantasia sui prezzi proprio per questi compiti.

I benchmark dei costi nella pratica variano molto, perché devono essere calcolati i prezzi dei token, l'hosting, l'utilizzo, la dimensione del modello, la quantizzazione, i requisiti di latenza e il supporto. Tuttavia, nelle analisi di mercato e nei calcoli cloud vediamo una costante: l'inferenza e il fine-tuning con modelli aperti possono essere da 5 a 20 volte più economici per determinati workload ad alto volume rispetto all'acquisto permanente di API di modelli top chiusi. Non è sempre vero. Se un'azienda non ha infrastruttura, ha un cattivo utilizzo e ha bisogno di tre fornitori esterni per la gestione, il vantaggio svanisce. Ma per compiti strutturati con molte ripetizioni, la pressione sui costi è reale.

Un esempio da una conversazione con un cliente a marzo 2025: Markus, direttore vendite di un produttore di componenti di Norimberga, voleva classificare automaticamente tutte le richieste in arrivo: pezzi di ricambio, business di progetto, richiesta di prezzo, reclamo, richiesta del rivenditore. Modello chiuso? Ha funzionato subito. Modello aperto più piccolo? Dopo 300 esempi annotati e un prompt pulito più retrieval, il tasso di successo per le quattro classi più importanti era abbastanza vicino al modello chiuso che il CFO non parlava più della qualità del modello, ma dei costi mensili. Questo è il momento in cui il mercato cambia. Silenziosamente, in Excel.

Yann LeCun sostiene da anni che le piattaforme AI aperte creeranno a lungo termine ecosistemi più robusti rispetto a pochi gatekeeper chiusi. Per le aziende industriali, questa non è ideologia, ma una posizione d'acquisto.

— Yann LeCun, Chief AI Scientist presso Meta

Ritengo il termine "ombrello dei prezzi Open Source" troppo debole. È piuttosto un piede di porco. Non appena l'ufficio acquisti può dimostrare che un'alternativa aperta svolge il 70% del compito per il 20% del costo, la conversazione con Microsoft, Google, Salesforce o un fornitore AI specializzato cambia. Non sempre vince la variante aperta. Ma costringe l'altra parte a spiegare perché il suo prezzo è giustificato.

Trend 2: le architetture ibride diventano il caso normale

La frase più noiosa nei workshop sulla strategia AI è purtroppo anche la più corretta: non ci sarà un solo modello. Lo so, nessuno vuole gestire un altro portfolio. Gli amministratori delegati vogliono chiarezza, l'IT vuole meno varianti, l'ufficio acquisti vuole meno contratti. Tuttavia, le architetture reali si muovono verso un mix di modelli. Modelli chiusi per compiti in cui contano le migliori prestazioni di reasoning possibili. Modelli aperti per volumi elevati, dati sensibili, bassa latenza o processi che devono essere controllati.

Presso Festo, Trumpf, DMG Mori, Phoenix Contact o Schaeffler si vedono pubblicamente iniziative AI molto diverse, ma la tensione di fondo è simile a quella delle medie imprese: la conoscenza del prodotto, i dati di assistenza, la logica di produzione e il dialogo con i clienti non possono migrare indiscriminatamente su piattaforme esterne. Un responsabile vendite di Stoccarda mi ha detto nell'aprile 2025: "La nostra cronologia dei prezzi non è materiale da addestramento". Ha riso dopo. Brevemente. Poi è calato il silenzio nella stanza, si sentiva solo la ventola del proiettore. Proprio questo silenzio è la questione dell'architettura.

I tipici pattern ibridi nascono lungo i rischi dei dati. Un Microsoft 365 Copilot per il lavoro d'ufficio interno può avere senso se le autorizzazioni sono pulite e non vengono elaborati dati di progettazione altamente sensibili. Un assistente RAG per i tecnici della manutenzione, che consulta manuali delle macchine, codici di errore, rapporti di assistenza e dati sui pezzi di ricambio, appartiene piuttosto a un ambiente controllato. Un processo di lead scoring che combina dati CRM, dati aziendali e segnali web può, a seconda della classe di dati, passare attraverso un'architettura orchestrata: un forte modello chiuso per testi poco chiari, un modello aperto per classificazione ed estrazione, uno strato basato su regole per la compliance.

Le migliori implementazioni che vedo non separano in base al logo del fornitore, ma in base al rischio del processo. Cosa succede se la risposta è sbagliata? Quanto costa una chiamata al modello con 50.000 operazioni al mese? Quali dati lasciano la rete? Posso cambiare fornitore senza ricostruire l'applicazione? Suona arido. Lo è. Ma è proprio lì che si decide se l'AI rimane un esperimento o appare nel conto economico.

Un CFO potrebbe inizialmente percepire questa discussione sulla governance come un freno. Comprensibile. Suona come slide sulla protezione dei dati e lunghe riunioni con il legale. Ma senza classificazione dei dati, ogni progetto AI diventa politico. Allora la progettazione blocca perché potrebbero essere interessati i dati CAD. Le vendite bloccano perché i prezzi dei clienti diventano visibili. L'IT blocca perché nessuno conosce le regole di logging. Alla fine vince il progetto pilota più piccolo: un chatbot per il regolamento della mensa. Carino. Strategicamente irrilevante.

Trend 3: la Sovereign AI diventa un argomento d'acquisto, non PR

Sovereign AI suona come Bruxelles, richiesta di sovvenzione e tavola rotonda. Per molto tempo non mi è piaciuto il termine. Troppo grande. Troppo vago. Nelle conversazioni con i clienti, tuttavia, ha un significato molto concreto: dove girano i modelli? Chi vede i log? Chi può aumentare i prezzi? Chi può dismettere una feature? Chi determina quali dati possono essere usati per l'addestramento? Un responsabile di produzione di Augusta l'ha formulato più semplicemente di recente: "Voglio vedere la spina".

L'Europa ha qui un riflesso diverso rispetto agli USA. GDPR, EU AI Act, consigli di fabbrica, requisiti della catena di fornitura, controllo delle esportazioni, audit dei clienti. Questo a volte frena. Ma protegge anche dal consumo cieco di piattaforme. L'EU AI Act è stato approvato definitivamente nel 2024; molti obblighi scatteranno gradualmente a partire dal 2025 e 2026. Per le applicazioni industriali, ciò significa più documentazione, classificazione del rischio, tracciabilità e responsabilità chiare. I modelli aperti o self-hostable non risolvono automaticamente questi requisiti. Ma rendono più facili determinate prove, perché il funzionamento, il logging e i flussi di dati diventano più controllabili.

Aleph Alpha è quindi strategicamente più interessante per l'area DACH di quanto possa suggerire una pura discussione sui benchmark. Heidelberg invece della California non è di per sé un argomento di qualità. Ma un fornitore che prende sul serio la lingua tedesca, la compliance europea, le opzioni on-premise e i riferimenti industriali, cambia le liste degli acquisti. Mistral AI in Francia gioca un ruolo simile a livello europeo, anche se l'azienda adotta modelli di business ibridi e non tutto è aperto. Hugging Face, d'altra parte, non è una classica azienda di Sovereign AI, ma è l'infrastruttura per la comparabilità: modelli, dataset, leaderboard, opzioni di deployment. Senza tali piattaforme, i modelli aperti sarebbero difficilmente accessibili per le medie imprese.

La dimensione politica viene sottovalutata. Se SAP, Bosch e Schwarz Gruppe investono in Aleph Alpha, non è un puro trade di rendimento. È un segnale: l'industria europea non vuole acquistare ogni funzione AI tramite gli hyperscaler statunitensi. Allo stesso tempo, le stesse aziende continuano naturalmente a investire negli ecosistemi Microsoft, AWS, Google e Nvidia. Non è una contraddizione. È hedging.

Amplifa ICP Playbook — Per i team strategici che non vogliono pianificare l'AI in modo astratto: l'ICP Playbook aiuta ad affinare clienti target, segmenti e priorità basandosi sui dati.

Cosa significa l'AI Open Source per le medie imprese

Per gli amministratori delegati nel settore manifatturiero, la domanda centrale non è: l'Open Source è meglio del Closed Source? La domanda è: quale dipendenza acquisto se baso i miei processi su un modello che non controllo? Un fornitore automobilistico della Baviera ha rischi diversi rispetto a una startup SaaS di Berlino-Mitte. Disegni CAD, dati degli utensili, prezzi dei fornitori, rapporti di prova, cronologia dei reclami, note di turno, parametri delle macchine – questi non sono testi intercambiabili. Questo è patrimonio aziendale.

Qui sono volutamente netto: chi nel 2026 lega la sua intera roadmap AI a un unico hyperscaler statunitense, senza un'architettura di uscita, agisce con negligenza. Non perché Microsoft, Google o Amazon siano cattivi partner. Al contrario, sono spesso la via più veloce per la produzione. La negligenza è la strada a senso unico. Le medie imprese hanno già sperimentato abbastanza spesso negli ERP, PLM e MES cosa succede quando il modello dei dati, la logica di processo e il potere contrattuale sono in una sola mano.

Il calcolo economico si sviluppa su tre livelli. Primo, i costi diretti: token, licenze, hosting, sforzo di integrazione, supporto. Secondo, i costi di migrazione: quanto costerà se il modello deve essere sostituito? Terzo, i costi strategici: quali dati vengono standardizzati, loggati e arricchiti in quale ecosistema? Il terzo punto è il più difficile da quantificare ed è proprio per questo pericoloso. Nei cicli di budget vince spesso la riga che si può contare.

Per le vendite, l'effetto è particolarmente tangibile. Un modello aperto non deve scrivere poesie perfette. Deve riconoscere correttamente se un cliente target rientra nell'ICP, se una richiesta odora di business di progetto, se un'e-mail di un cliente esistente contiene un segnale di up-sell o se un record CRM è corrotto. Molti di questi compiti sono classificatori, non magici. Quando vengono eseguiti milioni di volte, conta la logica del costo unitario. Quando utilizzano dati sensibili dei clienti, conta il luogo dei dati. Quando sono incorporati in Salesforce, HubSpot, SAP C/4HANA o Microsoft Dynamics, conta l'interscambiabilità.

Presso un produttore di componenti industriali della Vestfalia orientale, a gennaio 2025 abbiamo fatto una semplice osservazione: i problemi di vendita più costosi non risiedevano nella mancanza di lead, ma in una segmentazione imprecisa. Il 18% degli account nel CRM era chiaramente al di fuori del segmento target, ma continuava a essere oggetto di campagne. Allo stesso tempo, clienti esistenti con pattern di acquisto simili si trovavano in tre diverse liste di segmenti. L'AI non ha aiutato lì perché era "intelligente". Ha aiutato perché ha reso i pattern coerenti tra le fonti di dati. Per una cosa del genere non serve sempre il modello chiuso più forte. Serve un sistema controllato.

I produttori DACH hanno bisogno di portfolio di modelli invece di giocattoli AI

Un portfolio di modelli suona come una cosa da multinazionale. Non lo è. Anche un'azienda con 280 dipendenti può definire una regola chiara: quali compiti possono passare attraverso API chiuse? Quali devono rimanere nei data center dell'UE? Quali appartengono all'on-premise? Quali classi di dati sono tabù? Quali modelli vengono testati trimestralmente rispetto a compiti reali? Questo non è un programma di ricerca. È gestione aziendale.

Vedo troppe aziende che iniziano dal punto di partenza sbagliato. Chiedono: "Quale tool dovremmo comprare?". Sarebbe meglio: "Quali processi generano abbastanza volume, rischio o margine da giustificare una propria architettura AI?". Presso Kärcher, Webasto, Brose o Wittenstein nessuno comprerebbe una nuova linea di produzione senza calcolare tempi di ciclo, scarti e manutenzione. Con l'AI questo accade ancora continuamente. Viene prenotata una licenza, parte un pilota, tutti sono impressionati, poi arriva la protezione dei dati, poi il consiglio di fabbrica, poi la curva dei costi. Il pilota non muore rumorosamente. Scompare nel canale Teams.

FAQ: l'AI Open Source è davvero più economica?

Sì, spesso. Ma non automaticamente. L'AI Open Source diventa più economica quando un'azienda ha compiti ripetibili ad alto volume, la qualità del modello è sufficiente, l'infrastruttura è ben utilizzata e la gestione non esplode a causa dei costi degli specialisti. Un modello chiuso può essere più economico nella fase pilota perché non deve essere costruita una propria infrastruttura. Nel funzionamento continuo con migliaia o milioni di chiamate al mese, il calcolo spesso si ribalta. La mia regola empirica dalle conversazioni con i responsabili IT e vendite: al di sotto di un volume rilevante, la comodità è un valore reale; al di sopra, la comodità è un rischio di costo.

FAQ: l'AI Open Source perde in qualità?

Nei compiti generali di punta, solitamente ancora sì. La classe GPT-4, Claude e Gemini sono spesso avanti nel reasoning ampio, nell'elaborazione di contesti lunghi, nell'uso di tool e nei meccanismi di sicurezza. In compiti più ristretti, il divario è molto più piccolo. Riepilogo di documenti tecnici, estrazione da ordini, classificazione dei lead, QA basata su retrieval, assistenti alla conoscenza interni, aiuto al codice per repository definiti – qui i modelli aperti possono avvicinarsi molto dopo l'adattamento. A volte sono del tutto sufficienti. L'errore è valutare la qualità del modello in modo astratto. Un processo di vendita non ha un punteggio Elo.

FAQ: come si concilia con l'EU AI Act?

L'EU AI Act non rende l'AI impossibile, ma sposta la responsabilità sull'azienda. Chi usa l'AI in processi a rischio deve documentare correttamente flussi di dati, scopo del modello, controllo umano, logging e gestione del rischio. I modelli aperti o self-hosted aiutano perché possono dare più controllo sulla gestione e sui percorsi dei dati. Non sostituiscono la governance. Un modello sul proprio server non è automaticamente conforme. Un modello in un cloud statunitense non è automaticamente vietato. La domanda è: posso dimostrare cosa succede?

7 passi di preparazione per amministratori delegati e team strategici

Se potessi dare un solo consiglio a un amministratore delegato di una media impresa, sarebbe questo: non inizi dal modello. Inizi dai processi in cui l'AI può generare valore ripetutamente. Poi costruisca la decisione sul modello attorno ad essi.

1. Definire le classi di dati: separi dati pubblici, dati dei clienti, informazioni sui prezzi, IP tecnica, dati personali e dati di produzione critici per la sicurezza. Senza questa mappa, ogni decisione sull'AI sarà una sensazione viscerale.
2. Ordinare gli use case per volume e rischio: un assistente strategico mensile va trattato diversamente rispetto alla classificazione giornaliera delle offerte, alla valutazione dei rapporti di assistenza o al routing dei lead in 12 paesi.
3. Benchmark tra Closed e Open: testi GPT-4, Claude o Gemini contro LLaMA, Mixtral, Mistral o Aleph Alpha su documenti reali in tedesco. Non su prompt demo. Sui Suoi reclami, manuali, note CRM ed e-mail di offerta.
4. Calcolare i costi per 1.000 operazioni: non confronti solo i prezzi dei token. Calcoli hosting, latenza, monitoraggio, sforzo di integrazione, supporto e crescita prevista. Il valore rilevante è il TCO su 3-5 anni.
5. Pianificare uno strato di scambio: utilizzi l'orchestrazione, interfacce chiare e il versionamento dei prompt o delle valutazioni affinché il modello rimanga sostituibile. Chi incolla la logica del modello direttamente nei processi specialistici, costruisce da solo il lock-in.
6. Chiarire presto la governance con legale, IT e dipartimento: documenti flussi di dati, logging, autorizzazioni, approvazioni umane e regole di escalation prima del rollout. Dopo diventerà più costoso e politico.
7. Misurare il successo sui KPI di processo: nelle vendite contano il tasso di appuntamenti, i match di segmento, il tempo di reazione, la qualità della pipeline e i dati CRM puliti. In assistenza e produzione contano il tempo di ricerca, il tasso di risoluzione al primo colpo, gli scarti, i minuti di fermo o lo sforzo di documentazione.

Prodotto Amplifa — Amplifa supporta i team B2B nel rendere utilizzabili i segnali di mercato, account e vendita con l'AI – senza perdere il controllo sulla logica di processo.

Logica di investimento: perché i budget Open Source più piccoli ingannano

Quando gli investitori guardano al mercato, vedono prima l'intensità di capitale. I Foundation Models hanno bisogno di GPU, dati, team di ricerca, energia, data center, vendite e partnership. Cluster Nvidia H100, contratti Azure, impegni AWS, TPU di Google – questa è la nuova industria pesante del software. Ecco perché i player chiusi attirano somme enormi. Non vendono solo modelli, vendono l'accesso a un'infrastruttura di calcolo e produttività.

Le aziende vicine all'Open Source seguono un'altra logica. Non devono sempre possedere il modello di base più grande. Possono rendere l'inferenza più economica, curare i modelli, semplificare il fine-tuning, mettere in sicurezza il deployment, vendere supporto enterprise o costruire applicazioni verticali. Hugging Face ne è il miglior esempio: è meno un fornitore di modelli che un marketplace, una cassetta degli attrezzi e uno strato di fiducia. MosaicML è stata acquisita nel 2023 per 1,3 miliardi di dollari USA da Databricks perché l'addestramento e la gestione di modelli aperti sono diventati strategici per le aziende. Together AI, Anyscale, Replicate e altri fornitori occupano strati simili nello stack.

Per gli investitori europei, la parte più eccitante non è il tentativo di ricostruire OpenAI. È troppo intensivo in termini di capitale e probabilmente troppo tardi, se non si dispone di una base di calcolo statale o simile a quella di un hyperscaler. Interessanti sono gli strati attorno ai workflow industriali: routing dei modelli, valutazione, connessione sicura dei dati, sistemi RAG specifici per il settore, agenti AI per processi di offerta, assistenza, pezzi di ricambio, gestione della qualità. Lì risiedono i margini quando i modelli di base diventano una commodity.

Lo so, "commodity" suona brutale per una tecnologia che è appena arrivata nei consigli di amministrazione. Ma molte capacità di base diventeranno proprio questo: riassumere testi, estrarre dati, classificare e-mail, compilare tabelle. Se ogni fornitore può farlo, nessuno guadagna margini elevati a lungo termine solo con la chiamata al modello. Il valore si sposta verso l'integrazione in SAP, Salesforce, Microsoft Dynamics, HubSpot, sistemi PLM, MES e spazi dati interni. Lì si decide se l'AI è una bella interfaccia o una leva di produttività.

AI Open Source nelle vendite: perché il pipeline management ne beneficia

Scrivo sul blog di Amplifa, quindi guardo naturalmente in modo particolare alle vendite e al go-to-market. Il più grande errore sull'AI nelle vendite è che si tratti primariamente di e-mail migliori. No. Le e-mail sono solo visibili. Il vero lavoro risiede nella segmentazione, prioritizzazione, elaborazione dei segnali, igiene del CRM, tempismo e nella domanda se un account sia davvero pronto all'acquisto o sembri solo carino nel dashboard.

L'AI Open Source ha qui un vantaggio pratico: molti compiti di vendita non sono creativi, ma strutturati. Un modello deve riconoscere da un sito web se un'azienda utilizza macchine per lo stampaggio a iniezione. Deve dedurre da un annuncio di lavoro se è in corso un progetto di migrazione SAP. Deve estrarre investimenti in nuovi stabilimenti da un rapporto annuale. Deve riconoscere da 18 note CRM se un deal è fermo perché l'ufficio acquisti, l'ufficio tecnico o la direzione stanno bloccando. Questi sono compiti che si possono valutare. Tasso di successo. Tipi di errore. Costo per account.

A maggio 2025 abbiamo effettuato internamente una valutazione su diversi setup di campagne in cui le liste di clienti target per fornitori B2B tecnici venivano arricchite e prioritizzate. Il pattern: il più grande guadagno di qualità non è venuto dal modello più forte, ma da criteri migliori. Se l'ICP era impreciso, anche un modello top produceva rumore costoso. Se l'ICP era pulito, i modelli più piccoli potevano classificare i segnali in modo sorprendentemente stabile. Questo è spiacevole per tutti coloro che vendono l'AI come una scorciatoia per la strategia. L'AI non automatizza via l'imprecisione. La scala.

ICP Playbook per la prioritizzazione del mercato supportata dall'AI — Il playbook mostra come le aziende B2B definiscono segmenti target, trigger d'acquisto e criteri di esclusione in modo che l'AI trovi segnali affidabili nelle vendite.

Il Closed Source rimane forte – ma diversamente da quanto molti pensano

Non voglio fingere che i modelli aperti sostituiranno semplicemente i fornitori chiusi. È un'assurdità. I modelli chiusi rimangono forti perché combinano velocità di ricerca, esperienza di prodotto e vendita enterprise. Microsoft può spingere Copilot nelle interfacce di lavoro esistenti. Google può integrare Gemini profondamente in Workspace e Cloud. Amazon può portare Anthropic nei processi di approvvigionamento tramite AWS. Salesforce può confezionare l'AI nei workflow CRM. SAP può inserire Joule nei contesti ERP. Questa distribuzione è un fossato difensivo.

Per le medie imprese questo significa: utilizzare, ma non fondersi. Un pilota con Azure OpenAI può far imparare di più in quattro settimane rispetto a sei mesi di documenti sull'architettura. Un rollout di Copilot può alleggerire il lavoro intellettuale. Un test di Claude può mostrare quale qualità sia possibile in gare d'appalto complesse. Ma ogni applicazione che struttura la conoscenza fondamentale dell'azienda dovrebbe essere costruita in modo che un cambio di modello rimanga possibile. Mi ripeto qui intenzionalmente. Il mercato si muove troppo velocemente per decisioni religiose sui fornitori.

Un responsabile acquisti di Mannheim mi ha detto a febbraio 2025: "Con il cloud avevamo già creduto una volta che i prezzi sarebbero scesi per sempre". Poi ha sorriso. Non in modo amichevole. Proprio questa esperienza influenza molti CIO. Prima la fatturazione a consumo è flessibile. Poi i workload diventano più grandi. Poi arrivano le dipendenze. Poi l'ottimizzazione diventa un progetto a sé stante. Con la GenAI la stessa curva può correre più velocemente, perché ogni nuovo workflow brucia token.

La mia previsione per il 2026-2028

Primo: il divario tra modelli aperti e chiusi nei compiti di routine diventerà così piccolo che l'approvvigionamento e la governance saranno più importanti dei benchmark. Non ovunque. Ma in abbastanza processi da cambiare i listini prezzi. Mi aspetto che molti fornitori chiusi abbassino ulteriormente i loro prezzi o pacchettizzino di più, perché i modelli aperti fissano il limite inferiore. Il cliente non lo percepirà come una "vittoria dell'Open Source". Otterrà semplicemente condizioni migliori.

Secondo: le aziende manifatturiere europee parleranno meno di chatbot e più di agenti di processo. Agenti per le offerte che estraggono requisiti tecnici dalle RFQ. Agenti di assistenza che controllano i pattern di errore rispetto alla cronologia delle macchine. Agenti di vendita che prioritizzano gli account in base a reali trigger d'acquisto. Agenti di qualità che strutturano i rapporti di prova. Questi agenti non gireranno tutti su un solo modello. Avranno bisogno di routing dei modelli, ed è proprio lì che l'apertura diventerà preziosa.

Terzo: le medie imprese impareranno una dura lezione. L'AI senza lavoro sui dati è teatro. Molte aziende scopriranno nel 2025 e 2026 che i loro documenti non sono versionati, i campi CRM non sono curati, i dati dei prodotti non sono univoci e le autorizzazioni sono cresciute storicamente. Questa non è una critica all'AI. È il conto per vent'anni di crescita dei tool. I modelli aperti aiutano solo se la base dati e la responsabilità dei processi sono chiarite.

Quarto: la Sovereign AI passerà da tema del consiglio di amministrazione ad allegato dell'ufficio acquisti. Nelle RFP, le domande sulla residenza dei dati, il cambio di modello, il logging, l'uso per l'addestramento, l'operatività nell'UE, l'auditabilità e gli scenari di uscita diventeranno standard. I fornitori che rispondono a questo solo con slide di marketing perderanno. I fornitori che mostrano percorsi architettonici concreti – chiusi, aperti, ibridi, on-prem, private cloud – guadagneranno fiducia. Non sempre il deal. Ma il secondo colloquio.

Se ripenso a Thomas di Heilbronn, non vedo il suo Excel. Sento la macchina del caffè e il carrello elevatore in sottofondo. Un suono molto analogico per una decisione molto digitale. Forse questa è la conclusione adatta: la lotta tra AI Open Source e modelli chiusi non si decide nelle tabelle dei benchmark, ma lì dove qualcuno alle otto del mattino vuole sapere se i suoi margini, i suoi disegni e le sue relazioni con i clienti tra tre anni gli apparterranno ancora.