AI Open Source: Report sulle tendenze per le PMI

KI & Automatisierung · 27. Mai 2026 · Rebecca Kupka

L'AI Open Source sta cambiando i prezzi, il lock-in e la strategia GenAI nelle PMI. Scopri cosa decideranno i produttori DACH prima del ciclo di budget del 2025.

Martedì scorso, alle 8:17, sono nel nostro ufficio di Berlino in chiamata con Thomas, amministratore delegato di un fornitore vicino a Heilbronn. Accanto a lui, una macchina da caffè ronza, da qualche parte in sottofondo un carrello elevatore emette un segnale acustico in retromarcia, e sul suo schermo c'è un foglio 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 margini finiscano a Seattle o San Francisco tra qualche tempo." È proprio su questa frase che si basa attualmente il mercato dell'AI Open Source. Non sui benchmark. Non sui video dimostrativi. Sulla paura di aver incatenato il proprio valore aggiunto a un modello di prezzo API tra cinque anni.

La mia previsione, che in molte riunioni di direzione suona ancora scomoda: l'AI Open Source non raccoglierà la maggior parte degli investimenti 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 negoziale, tuttavia, si sposterà silenziosamente verso le aziende che possono scambiare i loro modelli.

Questo è il punto cruciale per le PMI europee. Chi nel 2025 tratterà una strategia AI solo come una selezione di strumenti, non avrà capito il problema. Si tratta di potere d'acquisto, sovranità dei dati, curve di costo, opzioni di cambio e se un costruttore di macchine del Baden-Württemberg deciderà ancora tra tre anni dove verranno elaborati i suoi rapporti di servizio, i programmi CNC e la logica delle offerte.

AI Open Source 2025: lo stato attuale del mercato

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

Sul fronte open, il quadro è più frammentato, ma non piccolo. Hugging Face ha raccolto un round di 235 milioni di dollari nel 2023, tra gli altri con Salesforce, Google, Nvidia, Intel, AMD e IBM, ed è stata valutata, secondo i rapporti dell'epoca, 4,5 miliardi di dollari. Stability AI ha ricevuto circa 100 milioni di dollari nel 2022 con una valutazione di circa 1 miliardo di dollari, in seguito è finita sotto pressione finanziaria, ma è rimasta determinante 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 o 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 speciale: posizionata come open, strutturata commercialmente, nel 2023 con 105 milioni di euro di seed e successivamente circa 385 milioni di euro di Series A, nel 2024 con discussioni sulla valutazione intorno ai 5 miliardi di dollari.

Quando ne parlo con i CFO, vedo spesso lo stesso riflesso. "Quindi vincono i modelli chiusi", mi ha detto tre settimane fa Andrea, Head of Sales di un Hidden Champion a Bielefeld, mentre nella sala conferenze accanto qualcuno trascinava un carrello su piastrelle. Beh, quasi. Vincono le statistiche sul capitale. Ma le statistiche sul capitale non sono 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, con grandi contributi da produzione, supply chain, sviluppo prodotti 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 spese globali per software, hardware e servizi AI verso i 300-500 miliardi di dollari all'anno entro il 2026 o 2027, a seconda della definizione. Questi numeri suonano astratti. In una fabbrica a Tuttlingen significa: chi scrive il rapporto di servizio? Chi cerca nella documentazione dei pezzi di ricambio? Chi controlla le e-mail dei fornitori? Chi prioritizza i lead dai clienti esistenti?

Bitkom ha riferito nel settembre 2024 che il 20% delle aziende tedesche utilizza l'AI e un ulteriore 37% prevede o discute l'implementazione. Nelle grandi aziende, la quota è significativamente più alta che nelle piccole. Nelle conversazioni con le PMI del settore meccanico, elettrotecnico e dei fornitori automobilistici, questo sembra molto reale: quasi tutti hanno un test Copilot, una pipeline Azure-OpenAI, un progetto di chatbot interno o almeno uno studente lavoratore che sperimenta con LLaMA, Mixtral o Mistral. Ma pochi hanno una strategia di modello. Molto pochi.

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

I fornitori chiusi vendono tre cose: prestazioni, comodità e bundling. 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'acquisto debba solo estendere un contratto quadro esistente. Questo è attraente. Soprattutto per le aziende il cui team IT è composto da 14 persone e deve gestire in parallelo SAP S/4HANA, problemi EDI e una sostituzione del firewall.

L'AI Open Source vende qualcos'altro, spesso in modo più indiretto: alternative. Un modello LLaMA, un modello Mixtral o un modello self-hostable di Aleph Alpha non deve essere il miglior modello al mondo in ogni compito. Deve essere abbastanza buono, abbastanza trasparente, più economico in 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 qui che sta la leva. Non romantico. Economico.

Quello che vediamo concretamente in Amplifa: negli ultimi 12 mesi, nei progetti di discovery e implementazione presso aziende B2B del settore meccanico, dei componenti industriali e dei servizi tecnici, non abbiamo quasi mai visto una strategia puramente open source, ma in 7 casi su 10 una seconda architettura silenziosa. Il modello è chiaro: GPT-4 o Claude per compiti di analisi e testo difficili nella fase pilota, poi modelli aperti o self-hostable per compiti ricorrenti come classificazione dei lead, riassunto delle e-mail, compilazione dei campi CRM ed 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 di modello al giorno, la curiosità diventa una questione di costi.

Tendenza 1: l'AI Open Source spinge i prezzi al ribasso

L'effetto di mercato più importante dei modelli aperti non è che ogni PMI domani addestrerà il proprio Foundation Model. Questo non accadrà. Un produttore di utensili di Remscheid non compra nemmeno la propria macchina litografica da ASML solo perché i chip sono strategici. L'effetto deriva 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 dei prezzi proprio per questi compiti.

I benchmark di costo dalla pratica variano notevolmente, perché devono essere inclusi 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 banda ricorrente: l'inferenza e la messa a punto con modelli aperti possono essere 5-20 volte più economiche per determinati carichi di lavoro ad alto volume rispetto all'acquisto continuo di API di modelli top chiusi. Non è sempre vero. Se un'azienda non ha infrastrutture, ha un utilizzo scarso e ha bisogno di tre fornitori di servizi esterni per il funzionamento, il vantaggio si riduce. Ma per compiti strutturati con molte ripetizioni, la pressione sui costi è reale.

Un esempio da una conversazione con un cliente nel marzo 2025: Markus, responsabile vendite di un produttore di componenti di Norimberga, voleva classificare automaticamente tutte le richieste in arrivo: pezzo di ricambio, affari 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 il recupero, il tasso di successo per le quattro classi più importanti era abbastanza vicino al modello chiuso che il CFO non parlava più di qualità del modello, ma di costi mensili. Questo è il momento in cui il mercato si ribalta. Silenziosamente, in Excel.

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

— Yann LeCun, Chief AI Scientist presso Meta

Considero il termine "ombrello dei prezzi open source" troppo morbido. È più 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 di AI specializzato cambia. Non sempre vince l'opzione aperta. Ma costringe l'altra parte a spiegare perché il suo prezzo è giustificato.

Tendenza 2: le architetture ibride diventeranno la norma

La frase più noiosa nei workshop di strategia AI è purtroppo anche la più vera: non ci sarà un solo modello. Lo so, nessuno vuole gestire un altro portfolio. I CEO vogliono chiarezza, l'IT vuole meno varianti, gli acquisti vogliono meno contratti. Tuttavia, le architetture reali si stanno muovendo verso un mix di modelli. Modelli chiusi per compiti in cui conta la migliore capacità di ragionamento possibile. Modelli aperti per volumi elevati, dati sensibili, bassa latenza o processi che devono essere controllati.

In Festo, Trumpf, DMG Mori, Phoenix Contact o Schaeffler si vedono pubblicamente iniziative AI molto diverse, ma la tensione di base è simile a quella delle PMI: la conoscenza del prodotto, i dati di servizio, la logica di produzione e il dialogo con i clienti non devono migrare arbitrariamente su piattaforme esterne. Un responsabile delle vendite di Stoccarda mi ha detto nell'aprile 2025: "La nostra cronologia dei prezzi non è materiale di formazione." Ha riso dopo. Brevemente. Poi c'è stato silenzio nella stanza, si sentiva solo la ventola del proiettore. Esattamente questo silenzio è la questione architettonica.

I tipici modelli ibridi emergono lungo i rischi dei dati. Un Microsoft 365 Copilot per il lavoro d'ufficio interno può essere utile se le autorizzazioni sono pulite e non vengono elaborati dati di progettazione altamente sensibili. Un assistente RAG per i tecnici di manutenzione che cerca manuali di macchine, codici di errore, rapporti di servizio e dati di 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, essere eseguito tramite un'architettura orchestrata: un modello chiuso forte per testi poco chiari, un modello aperto per la classificazione e l'estrazione, uno strato basato su regole per la conformità.

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

Un CFO potrebbe inizialmente percepire questa discussione sulla governance come un freno. Comprensibile. Sembra parlare di slide sulla protezione dei dati e lunghe riunioni con l'ufficio legale. Ma senza la classificazione dei dati, ogni progetto di AI diventa politico. Poi la costruzione si blocca perché i dati CAD potrebbero essere interessati. Le vendite si bloccano perché i prezzi dei clienti diventano visibili. L'IT si 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.

Tendenza 3: la Sovereign AI diventa un argomento di acquisto, non di PR

Sovereign AI suona come Bruxelles, domanda di finanziamento e tavola rotonda. Per molto tempo non mi è piaciuto il termine. Troppo grande. Troppo nebuloso. Nelle conversazioni con i clienti, però, ha un significato molto concreto: dove girano i modelli? Chi vede i log? Chi può aumentare i prezzi? Chi può dismettere una funzionalità? Chi decide quali dati possono essere utilizzati 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 dagli Stati Uniti. Regolamento generale sulla protezione dei dati, EU AI Act, consigli di fabbrica, requisiti della catena di approvvigionamento, controllo delle esportazioni, audit dei clienti. Questo a volte rallenta. Ma protegge anche dal consumo cieco di piattaforme. L'EU AI Act è stato finalmente adottato nel 2024; molti obblighi entreranno in vigore a scaglioni dal 2025 e 2026. Per le applicazioni industriali, ciò significa più documentazione, classificazione dei rischi, tracciabilità e chiare responsabilità. 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 il DACH di quanto alcune pure discussioni sui benchmark possano suggerire. Heidelberg invece della California non è di per sé un argomento di qualità. Ma un fornitore che prende sul serio la lingua tedesca, la conformità europea, le opzioni on-premise e i riferimenti industriali, cambia le liste della spesa. Mistral AI in Francia svolge un ruolo simile a livello europeo, anche se l'azienda gestisce modelli di business ibridi e non tutto è aperto. Hugging Face, a sua volta, non è una classica azienda di Sovereign AI, ma l'infrastruttura per la comparabilità: modelli, dataset, classifiche, opzioni di deployment. Senza tali piattaforme, i modelli aperti sarebbero difficilmente accessibili per le PMI.

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

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

Cosa significa l'AI Open Source per le PMI

Per i CEO del settore manifatturiero, la domanda chiave non è: l'Open Source è migliore del Closed Source? La domanda è: quale dipendenza mi compro se baso i miei processi su un modello che non controllo? Un fornitore automobilistico bavarese ha rischi diversi da 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.

Sono volutamente schietto qui: chi nel 2026 lega la sua intera roadmap AI a un unico hyperscaler statunitense, senza un'architettura di riserva, agisce con negligenza. Non perché Microsoft, Google o Amazon siano cattivi partner. Al contrario, spesso sono la via più veloce per la produzione. La negligenza è la strada a senso unico. Le PMI hanno già sperimentato abbastanza spesso in ERP, PLM e MES cosa succede quando il modello di dati, la logica di processo e il potere contrattuale sono nelle mani di uno solo.

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

Per le vendite, l'impatto è particolarmente tangibile. Un modello aperto non deve scrivere una poesia perfetta. Deve riconoscere in modo pulito se un cliente target rientra nell'ICP, se una richiesta odora di affari di progetto, se un'e-mail di un cliente esistente contiene un segnale di up-sell o se un record CRM è danneggiato. Molti di questi compiti sono classificatori, non magici. Se vengono eseguiti milioni di volte, conta la logica del costo unitario. Se utilizzano dati sensibili dei clienti, conta la posizione dei dati. Se sono incorporati in Salesforce, HubSpot, SAP C/4HANA o Microsoft Dynamics, conta la sostituibilità.

Presso un produttore di componenti industriali della Vestfalia orientale, nel 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 ricevere campagne. Allo stesso tempo, i clienti esistenti con modelli 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 modelli coerenti tra le fonti di dati. Per questo non sempre serve il modello chiuso più potente. Serve un sistema controllato.

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

Un portfolio di modelli suona come una grande azienda. Non lo è. Anche un'azienda con 280 dipendenti può definire una regola chiara: quali compiti possono essere eseguiti tramite 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. Questa è gestione aziendale.

Vedo troppe aziende che iniziano dal punto sbagliato. Chiedono: "Quale strumento dovremmo comprare?" Sarebbe meglio: "Quali processi generano abbastanza volume, rischio o margine da giustificare un'architettura AI propria?" In Kärcher, Webasto, Brose o Wittenstein nessuno comprerebbe una nuova linea di produzione senza calcolare i tempi di ciclo, gli scarti e la manutenzione. Con l'AI, questo accade ancora costantemente. 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 con un volume elevato, la qualità del modello è sufficiente, l'infrastruttura è ben utilizzata e il funzionamento non esplode a causa dei costi specialistici. Un modello chiuso può essere più economico nella fase pilota perché non è necessario costruire un'infrastruttura propria. 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 delle 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?

Per i compiti di punta generali, di solito sì. I modelli di classe GPT-4, Claude e Gemini sono spesso in vantaggio per il ragionamento ampio, l'elaborazione di contesti lunghi, l'uso di strumenti e i meccanismi di sicurezza. Per compiti più specifici, il divario è molto più piccolo. Riassunto di documenti tecnici, estrazione da ordini, classificazione dei lead, QA aumentato dal recupero, assistenti di conoscenza interni, aiuto al codice per repository definiti – qui i modelli aperti possono avvicinarsi molto dopo l'adattamento. A volte sono sufficienti. L'errore è valutare la qualità del modello in modo astratto. Un processo di vendita non ha un punteggio Elo.

FAQ: Come si inserisce questo nell'EU AI Act?

L'EU AI Act non rende l'AI impossibile, ma sposta la responsabilità all'interno dell'azienda. Chi utilizza l'AI in processi a rischio deve documentare in modo pulito i flussi di dati, lo scopo del modello, il controllo umano, il logging e la gestione del rischio. I modelli aperti o self-hosted aiutano perché possono dare maggiore controllo sul funzionamento 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 preparatori per CEO e team strategici

Se potessi dare un solo consiglio a un CEO di una PMI, sarebbe questo: non iniziate con il modello. Iniziate con i processi in cui l'AI può generare valore in modo ripetuto. Poi costruite la decisione sul modello attorno a questo.

1. Definire le classi di dati: Separare dati pubblici, dati dei clienti, informazioni sui prezzi, IP tecnico, dati personali e dati di produzione critici per la sicurezza. Senza questa mappa, ogni decisione AI sarà un'intuizione.
2. Ordinare i casi d'uso per volume e rischio: Un assistente strategico mensile deve essere trattato in modo diverso dalla classificazione quotidiana delle offerte, dall'analisi dei rapporti di servizio o dal routing dei lead in 12 paesi.
3. Confrontare Closed e Open: Testare GPT-4, Claude o Gemini contro LLaMA, Mixtral, Mistral o Aleph Alpha su documenti tedeschi reali. Non su demo-prompt. Sulle vostre lamentele, manuali, note CRM e e-mail di offerta.
4. Calcolare i costi per 1.000 operazioni: Non confrontare solo i prezzi dei token. Includere hosting, latenza, monitoraggio, costi di integrazione, supporto e crescita prevista. Il valore rilevante è il TCO su 3-5 anni.
5. Pianificare un livello di interscambio: Utilizzare l'orchestrazione, interfacce chiare e il versioning di prompt o valutazione, in modo che il modello rimanga intercambiabile. Chi incolla la logica del modello direttamente nei processi aziendali crea da solo il lock-in.
6. Chiarire la governance in anticipo con legale, IT e reparto specialistico: Documentare i flussi di dati, il logging, le autorizzazioni, le approvazioni umane e le regole di escalation prima del rollout. Dopo diventa più costoso e politico.
7. Misurare il successo con indicatori di processo: Nelle vendite contano il tasso di appuntamenti, il successo del segmento, il tempo di risposta, la qualità della pipeline e i dati CRM puliti. Nel servizio e nella produzione contano il tempo di ricerca, il tasso di risoluzione al primo contatto, gli scarti, i minuti di fermo macchina o il costo della documentazione.

Prodotto Amplifa Amplifa supporta i team B2B nell'utilizzo dei segnali di mercato, account e vendite con l'AI, senza perdere il controllo della logica di processo.

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

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

Le aziende vicine all'Open Source seguono una logica diversa. Non devono sempre possedere il modello di base più grande. Possono rendere l'inferenza più economica, curare i modelli, semplificare il fine-tuning, proteggere il deployment, vendere supporto aziendale o costruire applicazioni verticali. Hugging Face ne è il miglior esempio: è meno un fornitore di modelli che un mercato, un toolkit e uno strato di fiducia. MosaicML è stata acquisita da Databricks nel 2023 per 1,3 miliardi di dollari, perché l'addestramento e il funzionamento dei 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 interessante non è il tentativo di replicare OpenAI. Questo è troppo intensivo in termini di capitale e probabilmente troppo tardi, se non si dispone di una base di calcolo statale o simile a un hyperscaler. Interessanti sono gli strati attorno ai flussi di lavoro industriali: routing dei modelli, valutazione, connessione sicura dei dati, sistemi RAG specifici del settore, agenti AI per processi di offerta, servizio, pezzi di ricambio, gestione della qualità. Lì si trovano 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 guadagnerà margini elevati in modo duraturo solo con la chiamata del 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 un'interfaccia carina o una leva di produttività.

AI Open Source nelle vendite: perché la gestione della pipeline ne beneficia

Scrivo sul blog di Amplifa, quindi naturalmente mi concentro in particolare sulle vendite e sul go-to-market. Il più grande errore sull'AI nelle vendite è pensare che si tratti principalmente di e-mail migliori. No. Le e-mail sono solo visibili. Il vero lavoro sta nella segmentazione, prioritizzazione, elaborazione dei segnali, igiene del CRM, tempistica e nella questione se un account è davvero pronto all'acquisto o sembra solo bello nella dashboard.

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

Nel maggio 2025 abbiamo condotto internamente un'analisi su diverse configurazioni di campagne, in cui le liste di clienti target per i fornitori B2B tecnici sono state arricchite e prioritizzate. Il modello: il maggiore guadagno di qualità non è venuto dal modello più potente, ma da criteri migliori. Se l'ICP era impreciso, anche un modello top produceva rumore costoso. Se l'ICP era pulito, modelli più piccoli potevano classificare i segnali in modo sorprendentemente stabile. Questo è scomodo per tutti coloro che vendono l'AI come scorciatoia per la strategia. L'AI non automatizza via l'imprecisione. La scala.

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

Il Closed Source rimane forte – ma in modo diverso da quanto molti pensano

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

Per le PMI significa: usare, ma non fondersi. Un pilota con Azure OpenAI può insegnare di più in quattro settimane che sei mesi di documentazione architetturale. Un rollout di Copilot può alleggerire il lavoro di conoscenza. Un test di Claude può mostrare quale qualità è possibile per gare d'appalto complesse. Ma ogni applicazione che struttura la conoscenza fondamentale dell'azienda dovrebbe essere costruita in modo tale che un cambio di modello rimanga possibile. Mi ripeto intenzionalmente qui. Il mercato si muove troppo velocemente per decisioni di fornitore religiose.

Un responsabile degli acquisti di Mannheim mi ha detto nel febbraio 2025: "Con il cloud abbiamo già creduto una volta che i prezzi sarebbero scesi per sempre." Poi ha sorriso. Non amichevolmente. È proprio questa esperienza che caratterizza molti CIO. Prima la fatturazione basata sul consumo è flessibile. Poi i carichi di lavoro aumentano. 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 flusso di lavoro brucia token.

La mia previsione per il 2026-2028

Primo: il divario tra modelli aperti e chiusi per i compiti di routine diventerà così piccolo che l'approvvigionamento e la governance diventeranno più importanti dei benchmark. Non ovunque. Ma in un numero sufficiente di processi da cambiare i listini prezzi. Mi aspetto che molti fornitori chiusi ridurranno ulteriormente i prezzi o li raggrupperanno di più, perché i modelli aperti stabiliscono il limite inferiore. Il cliente non lo percepirà come una "vittoria dell'Open Source". Semplicemente otterrà condizioni migliori.

Secondo: le aziende manifatturiere europee parleranno meno di chatbot e più di agenti di processo. Agenti di offerta che estraggono i requisiti tecnici dalle RFQ. Agenti di servizio che confrontano i modelli di errore con le cronologie delle macchine. Agenti di vendita che prioritizzano gli account in base a veri trigger di acquisto. Agenti di qualità che strutturano i rapporti di prova. Questi agenti non funzioneranno tutti su un unico modello. Avranno bisogno di routing dei modelli, ed è proprio lì che l'apertura diventa preziosa.

Terzo: le PMI impareranno una dura lezione. L'AI senza lavoro sui dati è teatro. Molte aziende nel 2025 e 2026 scopriranno che i loro documenti non sono versionati, i campi CRM non sono mantenuti, i dati di prodotto non sono univoci e le autorizzazioni sono cresciute storicamente. Questa non è una critica all'AI. Questo è il conto per vent'anni di crescita degli strumenti. I modelli aperti aiutano solo se la base dati e la responsabilità del processo sono chiare.

Quarto: la Sovereign AI passerà da tema del consiglio di amministrazione ad allegato di acquisto. Nelle RFP, le domande sulla residenza dei dati, il cambio di modello, il logging, l'utilizzo per la formazione, il funzionamento nell'UE, l'auditabilità e gli scenari di uscita diventeranno standard. I fornitori che rispondono solo con slide di marketing perderanno. I fornitori che mostrano percorsi architetturali concreti – chiuso, aperto, ibrido, on-prem, cloud privato – guadagneranno fiducia. Non sempre l'affare. Ma la seconda conversazione.

Ripensando 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 battuta finale: la battaglia tra l'AI Open Source e i modelli chiusi non si deciderà nelle tabelle di benchmark, ma lì, dove qualcuno alle otto del mattino vuole sapere se i suoi margini, disegni e relazioni con i clienti gli apparterranno ancora tra tre anni.