TV7 NEXT - OPEN SOURCE AI , REGOLE NECESSARIE
L’intelligenza artificiale open-source è una delle grandi promesse della trasformazione digitale. A differenza dei sistemi chiusi e proprietari, i modelli open-source possono essere studiati, modificati, adattati e distribuiti da comunità di sviluppatori, università, imprese, pubbliche amministrazioni e centri di ricerca.
Questa apertura può avere un valore enorme per la sostenibilità. Se un modello di intelligenza artificiale è accessibile, può essere usato anche da Paesi, territori e organizzazioni che non hanno le risorse economiche delle grandi aziende tecnologiche. Può essere adattato a lingue locali, problemi specifici, contesti sociali differenti e bisogni molto concreti.
Uno studio pubblicato su Nature Communications analizza proprio il rapporto tra intelligenza artificiale open-source e SDGs, Sustainable Development Goals, cioè gli Obiettivi di sviluppo sostenibile delle Nazioni Unite. Questi obiettivi includono temi come lotta alla povertà, sicurezza alimentare, salute, istruzione, clima, biodiversità, energia pulita e riduzione delle disuguaglianze.
Secondo il testo, tra il 2018 e il 2024 l’uso dell’AI a supporto degli Obiettivi di sviluppo sostenibile è cresciuto del 300%. L’intelligenza artificiale viene già utilizzata per il monitoraggio agricolo, la governance degli ecosistemi, la mitigazione del cambiamento climatico, la salute mentale, la formazione e l’ottimizzazione dei processi produttivi.
Il paradigma open-source rende tutto questo più accessibile. Modelli aperti possono costare molto meno rispetto ai modelli proprietari, in alcuni casi da 5 a 29 volte meno a parità di prestazioni. Questo permette a piccole e medie imprese, università, enti locali e comunità scientifiche di sperimentare strumenti che altrimenti resterebbero concentrati nelle mani di pochi grandi attori.
IL LATO POSITIVO: AI PIÙ ACCESSIBILE E ADATTABILE
Il primo vantaggio dell’AI open-source è la possibilità di adattamento. Un modello aperto può essere modificato per rispondere a bisogni locali: monitorare colture in una certa area geografica, analizzare dati ambientali di un territorio fragile, supportare servizi sanitari dove mancano specialisti, oppure costruire strumenti didattici più accessibili.
Nel campo ambientale, modelli di elaborazione del linguaggio possono aiutare a contrastare la disinformazione climatica, rispondendo solo sulla base di conoscenze scientifiche validate. Nel campo sociale, modelli linguistici aperti possono essere sperimentati per supportare servizi di salute mentale o assistenza in comunità con carenza di professionisti. Nel campo economico, l’architettura aperta permette alle piccole imprese di usare strumenti avanzati per migliorare produzione, efficienza e decisioni.
L’open-source aiuta anche la collaborazione scientifica. Ricercatori di Paesi diversi possono lavorare sugli stessi modelli, migliorarli, verificarli e adattarli. Questo è particolarmente importante quando si parla di sostenibilità, perché i problemi ambientali e sociali non si fermano ai confini nazionali.
Un’alluvione, una siccità, una crisi alimentare o un’epidemia richiedono spesso risposte rapide. Modelli aperti e riutilizzabili possono accelerare analisi, simulazioni e scenari. In questo senso l’AI open-source può diventare una infrastruttura condivisa per affrontare problemi complessi.
Il punto, però, è che l’apertura non è automaticamente sinonimo di beneficio. Un coltello da cucina è utile, ma lasciato in mano a chiunque e senza regole può diventare un problema. Con l’AI succede qualcosa di simile, solo con molti più server e molte meno tovaglie.
IL LATO CRITICO: CONSUMI, RISCHI E DISUGUAGLIANZE
Lo studio sottolinea che l’AI open-source può generare impatti negativi se cresce senza regole. Uno dei rischi riguarda il consumo di risorse. Anche se i modelli aperti possono rendere più efficienti alcune attività, l’intero ciclo di vita dell’intelligenza artificiale resta energivoro: chip, schede grafiche, data center, dispositivi, raffreddamento, acqua, elettricità e rifiuti elettronici.
C’è poi il problema della duplicazione. In assenza di coordinamento, molte organizzazioni possono sviluppare o far girare modelli molto simili tra loro, magari su infrastrutture inefficienti o data center obsoleti. Questo produce spreco computazionale: tanti sistemi che fanno quasi la stessa cosa, consumando energia e materiali.
Un altro rischio riguarda sicurezza e abuso. I modelli open-source possono abbassare il costo di produzione di deepfake, phishing, contenuti manipolati, disinformazione mirata, bias e discorsi d’odio. Deepfake significa contenuti audio, video o immagini generati artificialmente, spesso così realistici da sembrare autentici. Se questi strumenti diventano facili da usare e poco controllati, distinguere il vero dal falso diventa più difficile.
Lo studio segnala anche un tema spesso sottovalutato: l’AI colonialism, cioè il colonialismo dell’intelligenza artificiale. Significa che Paesi, aziende e istituzioni del Nord globale possono mantenere un controllo sproporzionato su dati, infrastrutture, capacità di calcolo e modelli, mentre i Paesi del Sud globale restano dipendenti da tecnologie costruite altrove.
Questo può produrre soluzioni poco adatte ai contesti locali. Un modello addestrato su dati, lingue, abitudini e infrastrutture del Nord globale può funzionare peggio in Paesi con caratteristiche diverse. Il risultato è una tecnologia apparentemente aperta, ma non necessariamente equa.
Per evitare questi rischi, lo studio propone quattro azioni di governance.
La prima è integrare la sostenibilità in tutto il ciclo di vita dell’AI: hardware più efficiente, data center alimentati da rinnovabili, raffreddamento più sostenibile, modelli più piccoli e meno ridondanti, riuso di architetture comuni. Tecniche come distillazione e pruning possono comprimere i modelli, riducendo il peso computazionale senza perdere necessariamente capacità utili.
La seconda azione è costruire indicatori quantitativi per misurare gli impatti dell’AI. Non basta dire che un modello “aiuta la sostenibilità”. Serve misurare consumi, emissioni, effetti sociali, benefici economici e possibili danni. Lo studio richiama l’idea di indicatori capaci di valutare sia gli effetti positivi sia quelli negativi dei modelli sugli Obiettivi di sviluppo sostenibile.
La terza azione riguarda sicurezza e controllo. Servono audit indipendenti, test prima del rilascio, licenze chiare, maggiore trasparenza sui dati di addestramento e responsabilità lungo tutta la catena: sviluppatori, utenti, aziende e governi. Un modello aperto non dovrebbe significare un modello abbandonato alla buona volontà della comunità.
La quarta azione è la cooperazione globale. Per rendere l’AI open-source davvero utile alla sostenibilità, servono piattaforme condivise, accesso equo a dati e capacità di calcolo, fondi internazionali e istituzioni capaci di ridurre il divario tra Paesi ricchi e Paesi con meno infrastrutture digitali. La proposta è passare da una corsa frammentata a una gestione più coordinata.
Il messaggio finale è molto concreto. L’intelligenza artificiale open-source può aiutare gli Obiettivi di sviluppo sostenibile, ma solo se viene progettata e governata con attenzione. Aperto non significa automaticamente sostenibile. Accessibile non significa automaticamente sicuro. Economico non significa automaticamente equo.
La sfida è costruire un modello di AI che non sia solo potente, ma anche misurabile, responsabile e utile ai territori. Perché se l’intelligenza artificiale deve aiutare la sostenibilità, non può ignorare il proprio impatto ambientale, sociale ed economico.
L’open-source può essere una grande leva di democratizzazione tecnologica. Può ridurre costi, favorire collaborazione, accelerare ricerca e portare strumenti avanzati dove oggi mancano. Ma senza regole rischia di produrre esattamente il contrario: più consumi, più disinformazione, più disuguaglianze e più dipendenza tecnologica.
La lezione dello studio è semplice: aprire il codice è solo il primo passo. Il secondo è decidere insieme come usarlo. E quello, come spesso accade, è il passaggio più difficile.
Servizio a cura di Claudia Chasen, redazione TV7.
