Quando Scegliere Ogni Opzione
Una guida chiara basata sulla Sua situazione specifica ed esigenze.
La Nostra Raccomandazione
Non esiste un vincitore universale e l'asse onesto non è "gratuito contro a pagamento": è ciò che potete verificare e ciò a cui potete sopravvivere. Sul costo i pesi aperti vincono nettamente, e più di quanto molti team immaginino. La pagina dei prezzi di DeepSeek-V4-Pro indica 0,435 dollari per milione di token in ingresso e 0,87 in uscita; quella di Anthropic indica Claude Opus 5 a 5 e 25 dollari. Circa 11 volte tanto in ingresso e 29 volte in uscita - per un modello a pesi aperti ospitato, prima ancora di considerare il self-hosting. L'adozione è concreta: GLM-5.2 di Z.ai e la sua variante FP8 sommano quasi quattro milioni di download su Hugging Face in venticinque giorni, e un modello cinese a pesi aperti ha eseguito nel luglio 2026 il porting della CLI di Vercel da TypeScript a nativo. Ciò che cedete è affidabilità di consegna e verificabilità. I pesi di Kimi K3, 2.800 miliardi di parametri, erano datati 27 luglio 2026; una verifica diretta dell'API Hugging Face quella mattina non mostra alcun repository ufficiale, solo derivati di terze parti - mentre diverse testate davano il rilascio per avvenuto. Il self-hosting nasconde inoltre una soglia hardware: un modello di frontiera a pesi aperti richiede un nodo multi-GPU prima ancora di caricarsi, e quel nodo costa lo stesso ogni mese, che gli inviate una richiesta o un milione. Sui benchmark di codice riprodotti in modo indipendente i modelli chiusi restano avanti. La novità del 2026 è la politica. A luglio la lettera "Open Weights and American AI Leadership" è passata da 25 a 50 firmatari in un solo giorno - Nvidia, Microsoft, Meta, IBM, Hugging Face, Mozilla, la Linux Foundation, Mistral, con OpenAI e Google arrivati tardi e Anthropic e Amazon assenti. Leggetela come un dato di filiera, non come una disputa morale: un fornitore che sostiene che certi pesi non debbano essere pubblicabili è un fornitore la cui traiettoria può divergere dalla vostra capacità di uscita. I pesi aperti sono quell'uscita. Per la maggior parte dei team la risposta pratica è: entrambi. Un modello di punta proprietario per il lavoro di frontiera dove servono benchmark verificati e governance aziendale, e un modello a pesi aperti tenuto pronto per i carichi sensibili, ad altissimo volume o dominati dal costo - così che un cambio di licenza, di prezzo o di indirizzo politico resti un fastidio e non una migrazione.
- Scelga LLM open source quando...
- La vostra classe di dati esclude del tutto l'invio di prompt a un'API di terze parti
- Il volume è alto e costante quanto basta ad ammortizzare un nodo GPU dedicato
- Dovete fare fine-tuning, quantizzare o ispezionare il modello anziché limitarvi a chiamarlo
- Volete un percorso di migrazione che sopravviva a un cambio di prezzo o di indirizzo del fornitore
- Scelga LLM proprietari quando...
- Volete il vertice su benchmark riprodotti da terze parti
- Il vostro volume è irregolare o ridotto, quindi un nodo GPU fisso resterebbe inutilizzato
- Vi serve oggi una governance enterprise: hosting regionale, DPA, strumenti di conformità, supporto
- Non avete un team di piattaforma che gestisca l'infrastruttura di inferenza e i suoi guasti