di Loredana Boero

Negli ultimi anni i modelli linguistici sono entrati stabilmente nelle pratiche universitarie: didattica, ricerca, programmazione, tutoring. Ma quando strumenti così centrali restano opachi — per dati, versioni e criteri di aggiornamento — l’università rischia di delegare a infrastrutture non verificabili una parte del proprio lavoro di produzione e validazione della conoscenza. Il punto in questo contesto non è ovviamente opporre “pubblico” e “privato” né di negare l’utilità dei prodotti commerciali, la cui performatività è indubbia. Il punto è più istituzionale e legato al mandato della formazione accademica: se l’università adotta strumenti che non possono essere verificati, finisce per delegare a un’infrastruttura opaca parti del proprio mandato scientifico e formativo. La questione, quindi, riguarda la governance della conoscenza tanto quanto la tecnologia.

Ma cosa significa davvero LLM Open Source?

Nell’uso corrente siamo soliti utilizzare il termine “open source” come sinonimo di “trasparente”, ma in realtà per gli LLM questo concetto è generico e non rispecchia affatto un mondo molto più articolato. L’open source completamente trasparente end-to-end, del quale sono noti e verificabili tutti i passaggi principali dall’inizio alla fine (pesi, codice, ambiente, configurazioni di training, protocolli di valutazione, versioni nel tempo e dati) non rappresenta nemmeno l’1% dei modelli esistenti (Liesenfeld, Dingemanse, 2024). Molto più comuni sono invece i modelli open weight, per i quali sono disponibili i pesi - ovvero i parametri - forniti assieme al tokenizer (cioè il sistema con cui il testo viene convertito in unità numeriche) e alla configurazione (cioè i parametri che descrivono struttura e impostazioni del modello), necessari per eseguirli correttamente. È un’apertura importante, perché abilita al riuso e alla sperimentazione, anche se non esplicita con quali dati e procedure sia stato creato, lasciando la trasparenza parziale. Inoltre, la disponibilità dei pesi non implica automaticamente libertà di riuso: anche nei modelli “open-weight”, ciò che è consentito fare dipende dalla licenza e dalle eventuali policy d’uso associate. Nel panorama attuale coesistono innumerevoli tipi di licenze, che possono consentire uso, modifica e redistribuzione anche commerciale, oppure che introducono restrizioni d’uso in specifici contesti considerati sensibili o ancora divieti o limiti sull’uso e obblighi contrattuali. Di conseguenza, due modelli open weight, entrambi scaricabili, possono offrire margini di riuso molto diversi: uno può essere liberamente specializzato e ridistribuito, mentre un altro può essere utilizzabile solo internamente o con vincoli che rendono difficile pubblicare un derivato o commercializzarlo.

I rischi dell'affidamento esclusivo a sistemi proprietari

Una strategia basata prevalentemente su soluzioni proprietarie comporta almeno tre rischi, che per l’università hanno un peso non trascurabile.

Rischio epistemico. Una dipendenza esclusiva da modelli opachi introduce nella catena della conoscenza un elemento difficilmente verificabile: senza tracciabilità di versioni, dati e protocolli, la replicabilità empirica e la criticabilità metodologica si indeboliscono. La letteratura su black box algorithms (Wolkenstein, 2024), riproducibilità in ML e standard di documentazione (Semmelrock et al. 2025) inquadra questo problema come una questione non solo tecnica ma propriamente epistemica.

Rischio di dipendenza (lock-in). L’integrazione di servizi proprietari nei workflow accademici — tramite API, formati e componenti cloud — può generare costi elevati: più l’istituzione costruisce processi, dati e integrazioni attorno a un singolo ecosistema, più la migrazione verso alternative richiede riconfigurazioni tecniche e organizzative, spesso con adattamenti o switching costs onerosi e implementazioni vendor-specific (Cope, Kalantzis 2026)

Rischio pedagogico. L’università non è luogo solo preposto all’utilizzo di strumenti, ma alla creazione di nuova conoscenza: in assenza di trasparenza e competenze critiche, l’uso di modelli ‘black box’ rischia di favorire pratiche di consumo tecnologico più che un’autentica alfabetizzazione scientifica (Tadimalla et al. 2025).

Perchè investire in LLM aperti e trasparenti

A fronte di questi rischi, l’investimento in ricerca open e modelli trasparenti produce benefici che sono coerenti con la missione universitaria. Sovranità e continuità che assicurano controllo sulle versioni e possibilità di mantenere una baseline stabile: requisiti essenziali per didattica e ricerca. Qualità della ricerca con modelli ispezionabili e valutabili con benchmark pubblici (o interni, ma replicabili) per la robustezza. Innovazione trasferibile attraverso pipeline, dataset curati, tool di valutazione e documentazione che diventino asset condivisi tra dipartimenti, evitando frammentazione e duplicazioni. Formazione di competenze su governance, valutazione, sicurezza, versioning e design sperimentale, che lo sviluppo open senza alcun dubbio favorisce. Accesso ed equità tramite modelli e strumenti aperti che riducono le barriere economiche e consentono un utilizzo più inclusivo, anche in contesti con risorse limitate.

Vedi le credenziali del contenuto

Obiezioni

Molte idee ricorrenti — talvolta al confine con il pregiudizio — continuano a circolare intorno allo sviluppo e all’adozione di LLM open source. “Costa troppo”. È vero: l’investimento iniziale può essere cospicuo e dipende spesso da politiche e infrastrutture che non sempre l’università controlla pienamente. Tuttavia, la questione decisiva non è soltanto quanto si spenda, ma che tipo di spesa si scelga di sostenere. In questo senso, il cambio di paradigma è chiaro: dalla spesa in licenze alla costruzione di un’infrastruttura scientifica, capace di ridurre la dipendenza tecnologica e di generare valore stabile nel tempo. “Le performance sono inferiori.” Il confronto con modelli chiusi tende a spostare subito l’attenzione sull’idea immediata di “prestazioni”. Tuttavia, un modello aperto può essere adattato e specializzato su esigenze disciplinari e contesti culturali e d’uso specifici, migliorando in modo mirato nel tempo. In ambito accademico, inoltre, la qualità non dovrebbe coincidere solo con la performatività: trasparenza, tracciabilità delle versioni e possibilità di valutazione indipendente dovrebbero avere un peso comparabile, perché incidono sulla solidità dei risultati e sulla replicabilità.

Trasparenza come tutela del Metodo Scientifico e della missione dell'Università

In un’epoca in cui gli LLM entrano nella produzione stessa della conoscenza, la trasparenza diventa un requisito epistemico, non un optional tecnico. Investire in ricerca open source e in modelli realmente trasparenti significa proteggere riproducibilità, responsabilità e autonomia scientifica e questo molte istituzioni accademiche lo hanno capito. Alcune iniziative di alto profilo mostrano che università e centri di ricerca stanno investendo in LLM con ambizione end-to-end open. In Europa, Apertus (ecosistema dei Politecnici di Zurigo e Losanna) o l’iniziativa consortile OpenEuroLLM (con la partecipazione di CINECA) o ancora, negli Stati Uniti, OLMo (Allen Institute for AI con la Washington e la Harvard University).

Generare nuova conoscenza. Formare cittadini e professionisti qualificati. Trasferire innovazione, cultura, tecnologia e valore alla società. Tutelare e diffondere il patrimonio culturale e il pensiero critico in totale autonomia. Questi sono i capisaldi delle università; pare che proprio grazie alla stabilità di queste loro finalità originarie, siano fra le pochissime istituzioni nate nel Medioevo ad essere sopravvissute quasi intatte fino ad oggi. L’investimento sull’open source, anche e soprattutto nell’AI, si allinea perfettamente a questi principi e, probabilmente, sarà ciò che proietterà e preserverà le università nel futuro.