--- id: CP-268 slug: modelli-aperti-vs-proprietari-ia lang: it title: Modelli di IA aperti o proprietari description: "Modello con pesi pubblicati o servizio online: cosa cambia per i dati dell'azienda e cosa fa o evita il dipendente." canonical_url: https://startbrain.io/cyberpedia/it/articles/modelli-aperti-vs-proprietari-ia/ markdown_url: https://startbrain.io/cyberpedia/it/articles/modelli-aperti-vs-proprietari-ia.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, «Modelli di IA aperti o proprietari», Cyberpedia, 2026. https://startbrain.io/cyberpedia/it/articles/modelli-aperti-vs-proprietari-ia/ (CC BY 4.0) wing: 4 theme: authorized_tools reflex: air-023 schema: G3 updated: "2026-11-03" translations: it: https://startbrain.io/cyberpedia/it/articles/modelli-aperti-vs-proprietari-ia/ fr: https://startbrain.io/cyberpedia/fr/articles/modeles-ouverts-vs-proprietaires-ia/ en: https://startbrain.io/cyberpedia/en/articles/open-weights-vs-proprietary-ai-models/ de: https://startbrain.io/cyberpedia/de/articles/offene-vs-proprietaere-ki-modelle/ es: https://startbrain.io/cyberpedia/es/articles/modelos-abiertos-vs-propietarios-ia/ nl: https://startbrain.io/cyberpedia/nl/articles/open-vs-proprietaire-ai-modellen/ sources: - "n": 1 title: "LLaMA: Open and Efficient Foundation Language Models" publisher: arXiv url: https://arxiv.org/abs/2302.13971 published: "2023-02-27" accessed: "2026-11-03" - "n": 2 title: Mistral 7B publisher: arXiv url: https://arxiv.org/abs/2310.06825 published: "2023-10-10" accessed: "2026-11-03" - "n": 3 title: The Llama 3 Herd of Models publisher: arXiv url: https://arxiv.org/abs/2407.21783 published: "2024-07-31" accessed: "2026-11-03" - "n": 4 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" - "n": 5 title: "IA : comment être en conformité avec le RGPD ?" publisher: CNIL url: https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd published: "2022-04-05" accessed: "2026-11-03" - "n": 6 title: LLMRisks Archive publisher: OWASP url: https://genai.owasp.org/llm-top-10/ accessed: "2026-11-03" - "n": 7 title: Principles for security of Machine learning ML publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/machine-learning-principles published: "2024-05-22" accessed: "2026-11-03" - "n": 8 title: AI Risk Management Framework publisher: NIST url: https://www.nist.gov/itl/ai-risk-management-framework accessed: "2026-11-03" --- # Modelli di IA aperti o proprietari Un assistente di IA si basa su un modello linguistico. Questo modello può essere distribuito sotto forma di file che chiunque può scaricare ed eseguire sul proprio computer: si parla di modello con pesi pubblicati, o «aperto». Può anche restare presso il suo editore, che lo offre solo tramite un servizio online: si parla di modello proprietario. Per un dipendente, la differenza riguarda meno la qualità delle risposte che una domanda semplice: dove vanno i dati che si inseriscono, e chi ne risponde? Questa scheda spiega i due casi e che cosa Brain si aspetta in ciascuno. ## In 30 secondi - Dove accade: in qualsiasi strumento di IA, che sia un servizio online o un modello scaricato e installato su una postazione. - Cosa cambia: con un servizio online, i Suoi dati vanno a un fornitore di hosting. Con un modello aperto, tutto dipende da dove viene eseguito, da chi lo ha installato e da chi lo aggiorna. - Il rischio: un modello «aperto» resta soggetto a una licenza e a dei rischi, e non protegge i dati se viene usato tramite un servizio di terzi. - Il riflesso: usare solo gli strumenti di IA autorizzati da Brain, non installare alcun modello scaricato senza approvazione e non inserire dati sensibili in un servizio non approvato. - Se è già successo: avvisare subito il team sicurezza di Brain e indicare quali dati sono stati inseriti o quale modello è stato installato. ## Domande dirette ### Qual è la differenza tra un modello aperto e un modello proprietario? Un modello aperto è pubblicato, invece di restare dietro a un servizio. Due esempi documentati nelle fonti citate qui: LLaMA, presentato nel febbraio 2023 da un gruppo di ricercatori, che scrive «We release all our models to the research community» [1], e Mistral 7B, pubblicato con licenza Apache 2.0 [2]. Un modello proprietario si consulta solo tramite un servizio online: l'utente invia il proprio testo e riceve una risposta, senza vedere il modello. ### Dove vanno i miei dati? Con un servizio online, il testo inserito lascia l'azienda per essere elaborato dal fornitore. Le linee guida dell'NCSC britannico riguardano infatti i sistemi che usano modelli ospitati da un'organizzazione o interfacce esterne (API), e chiedono sistemi di IA che funzionino senza rivelare dati sensibili a terzi non autorizzati [4]. Con un modello aperto installato su una postazione o su un server interno, l'elaborazione può restare in sede. Nulla nei modelli stessi lo impone: tutto dipende da dove vengono eseguiti. ### Un modello aperto protegge i miei dati? Non automaticamente. Se un modello aperto viene usato tramite un servizio di terzi, quanto si inserisce passa da quel servizio, come per un modello proprietario. Conta il luogo in cui avviene l'elaborazione, non il fatto che il modello sia aperto. ### Chi aggiorna il modello e chi ne risponde? Con un servizio online, il modello resta presso il fornitore. Con un modello scaricato, si trova presso chi lo ha installato, e nessun altro se ne occupa. Le linee guida dell'NCSC collocano la gestione degli aggiornamenti nella fase di «esercizio e manutenzione» di un sistema di IA e la sicurezza della catena di fornitura nella fase di sviluppo [4]. Per i dati personali, la CNIL pone la questione della ripartizione delle responsabilità quando un sistema di IA è fornito da un editore e usato da un terzo [5]. ### Il fornitore può riutilizzare ciò che inserisco? La CNIL indica che un fornitore di sistemi di IA può legittimamente riutilizzare i dati affidati da un titolare del trattamento se sono soddisfatte più condizioni: autorizzazione del titolare, test di compatibilità, informazione e rispetto dei diritti delle persone, conformità del nuovo trattamento [5]. Di qui l'utilità di passare da uno strumento di cui Brain ha verificato le condizioni. ## Come funziona Un modello linguistico viene addestrato su una grande quantità di testi, poi serve a prevedere il seguito di un testo in risposta a una richiesta [7]. I ricercatori di LLaMA hanno mostrato che si poteva addestrare un modello all'avanguardia usando solo dati pubblici, e che LLaMA-13B superava GPT-3 (175B) nella maggior parte dei test [1]. Mistral 7B, con 7 miliardi di parametri, supera Llama 2 13B in tutti i test valutati [2]. Il modello più grande di Llama 3 conta 405 miliardi di parametri, e i suoi autori lo ritengono di qualità comparabile a GPT-4 su molti compiti [3]. Hanno pubblicato questo modello, insieme a Llama Guard 3, un modello per il controllo degli input e degli output [3]. Dal lato dell'azienda, la decisione riguarda quindi tre punti: dove è ospitato il modello, chi lo aggiorna e chi risponde di un incidente. La risposta varia da uno strumento all'altro. Per questo l'elenco degli strumenti autorizzati fa da regola. ## Cosa fa Lei - Usi solo gli strumenti di IA autorizzati da Brain, che si basino su un modello aperto o proprietario. - Non installi un modello scaricato su una postazione di lavoro senza l'approvazione del team sicurezza. - Non inserisca alcun dato sensibile in un servizio non approvato: dati di clienti, di colleghi, sanitari, segreti dell'azienda. - Per una prova, preferisca dati fittizi, cioè con la stessa struttura di quelli veri ma senza legame con una persona. La CNIL cita i test su dati fittizi per determinare i dati necessari a un sistema di IA [5]. - In caso di dubbio su uno strumento, chieda prima di usarlo. - Se ha già inserito dati in un servizio non approvato o installato un modello, lo segnali subito. ## Le trappole ### «Aperto» non significa senza licenza Mistral 7B è pubblicato con licenza Apache 2.0 [2]. Un modello aperto è quindi pubblicato con una licenza, che ne fissa le condizioni d'uso. Le fonti citate qui non descrivono le licenze degli altri modelli: non si parta dal presupposto che ogni uso sia permesso. ### Un modello scaricato può essere manomesso o distorto L'OWASP include tra i dieci rischi 2025 per le applicazioni di IA generativa la catena di fornitura dei modelli, esposta a diverse vulnerabilità, e l'avvelenamento dei dati e dei modelli [6]. Include anche la disinformazione, questa volta come debolezza centrale delle applicazioni che si appoggiano ai modelli [6]. Un file di modello recuperato da un sito qualsiasi non è stato controllato da Brain. L'NCSC colloca del resto la sicurezza della catena di fornitura tra i punti da trattare fin dallo sviluppo di un sistema di IA [4]. ### Un modello può aver memorizzato dati personali La CNIL rileva che numerosi studi hanno mostrato che i modelli linguistici di grandi dimensioni tendevano a «memorizzare» elementi dei propri dati di addestramento: nome, cognome, indirizzo, numero di telefono, numero di carta di credito [5]. Un attacco riuscito contro la riservatezza di un modello può costituire una violazione dei dati [5]. Vale tanto per un modello aperto quanto per uno proprietario. ### Un modello che continua a imparare Alcuni sistemi riutilizzano i dati inseriti per migliorarsi, ciò che l'NCSC chiama apprendimento continuo [7]. La CNIL segnala che questo modo di funzionare pone questioni di protezione dei dati, perché i dati servono allora a due finalità distinte [5]. Ciò che un servizio fa di quanto viene inserito rientra tra le condizioni da conoscere prima di autorizzarlo. ### Un riferimento che cambia Il quadro di gestione dei rischi dell'IA del NIST, di uso volontario, è stato pubblicato il 26 gennaio 2023, poi integrato il 26 luglio 2024 da un profilo dedicato all'IA generativa [8]. La pagina del NIST indica che la versione 1.0 è in corso di revisione [8]. Le raccomandazioni evolvono: le regole di Brain restano invece quelle dell'azienda. ## Casi reali ### 27 febbraio 2023: LLaMA Un gruppo di ricercatori presenta LLaMA, una raccolta di modelli da 7 a 65 miliardi di parametri, addestrati solo con insiemi di dati pubblici, e pubblica tutti i suoi modelli per la comunità di ricerca [1]. ### 10 ottobre 2023: Mistral 7B Mistral 7B v0.1, un modello da 7 miliardi di parametri, viene pubblicato con licenza Apache 2.0, insieme a una versione ottimizzata per seguire le istruzioni [2]. ### 31 luglio 2024: Llama 3 Viene presentata la famiglia Llama 3, con un modello da 405 miliardi di parametri e una finestra di contesto fino a 128.000 token. Le versioni preaddestrata e post-addestrata del modello più grande sono pubblicate. Le versioni che aggiungono immagini, video e voce non sono diffuse ampiamente, perché secondo gli autori sono ancora in sviluppo [3]. ## Fonti 1. arXiv, «LLaMA: Open and Efficient Foundation Language Models», 27 febbraio 2023. https://arxiv.org/abs/2302.13971 (consultato il 3 novembre 2026) 2. arXiv, «Mistral 7B», 10 ottobre 2023. https://arxiv.org/abs/2310.06825 (consultato il 3 novembre 2026) 3. arXiv, «The Llama 3 Herd of Models», 31 luglio 2024. https://arxiv.org/abs/2407.21783 (consultato il 3 novembre 2026) 4. NCSC (Royaume-Uni), «Guidelines for secure AI system development», 27 novembre 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (consultato il 3 novembre 2026) 5. CNIL, «IA : comment être en conformité avec le RGPD ?», 5 aprile 2022. https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd (consultato il 3 novembre 2026) 6. OWASP, «LLMRisks Archive». https://genai.owasp.org/llm-top-10/ (consultato il 3 novembre 2026) 7. NCSC (Royaume-Uni), «Principles for security of Machine learning ML», 22 maggio 2024. https://www.ncsc.gov.uk/collection/machine-learning-principles (consultato il 3 novembre 2026) 8. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultato il 3 novembre 2026) --- Fonte originale: Cyberpedia, l'enciclopedia pubblica di cybersicurezza e IA pubblicata da Brain. Versione canonica: https://startbrain.io/cyberpedia/it/articles/modelli-aperti-vs-proprietari-ia/ Puoi riutilizzare liberamente questo testo con licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), a condizione di citare «Brain, Cyberpedia» con un link all'indirizzo qui sopra.