AI open source e la sostenibilità sembrano una coppia perfetta: modelli più accessibili, costi più bassi, più collaborazione e strumenti digitali disponibili anche per università, imprese, comunità locali e Paesi con meno risorse. Secondo un commento pubblicato su Nature Communications, però, l’apertura da sola non basta. L’intelligenza artificiale open source può accelerare il raggiungimento degli Obiettivi di sviluppo sostenibile delle Nazioni Unite, ma può anche creare nuovi rischi se non viene governata con attenzione. (Nature)
Il tema è molto attuale. L’AI corre, i modelli diventano sempre più potenti e l’open source viene spesso presentato come la strada più democratica: codice aperto, pesi dei modelli disponibili, possibilità di studiare, modificare, adattare e distribuire soluzioni. In teoria è bellissimo. In pratica, come sempre, dipende da come viene usato.
Gli autori dell’articolo spiegano che tra il 2018 e il 2024 l’uso dell’AI a supporto degli Obiettivi di sviluppo sostenibile è cresciuto del 300%, con applicazioni in ambiti come monitoraggio agricolo, governance degli ecosistemi e mitigazione del cambiamento climatico.
Il punto è che l’AI open source può diventare una leva potente per il bene comune, ma non è automaticamente sostenibile, equa o sicura. Può aiutare a monitorare foreste, coltivazioni, città, salute, clima e biodiversità. Può rendere più economico l’accesso a strumenti avanzati. Può permettere a piccole imprese, ricercatori e amministrazioni locali di adattare modelli alle proprie esigenze.
Allo stesso tempo, però, può aumentare consumi energetici, sprechi computazionali, rischi di disinformazione, deepfake, bias, abusi e nuove forme di disuguaglianza digitale. La domanda, quindi, non è se l’AI open source sia buona o cattiva. La domanda è: quali regole servono perché sia davvero utile alla sostenibilità?
AI open source e sostenibilità: perché l’apertura può accelerare gli SDG
AI open source e sostenibilità si incontrano soprattutto su un punto: l’accessibilità. I modelli aperti possono essere studiati, adattati e migliorati da comunità più ampie rispetto ai sistemi chiusi. Questo rende più facile sviluppare soluzioni locali per problemi reali: agricoltura, clima, sanità, educazione, gestione delle risorse naturali e pianificazione urbana.
Secondo gli autori, l’open source può favorire la modellazione degli Obiettivi di sviluppo sostenibile, cioè l’uso di approcci matematici, statistici e computazionali per analizzare e prevedere l’evoluzione degli SDG. Può anche rendere più rapida la risposta a emergenze come epidemie, disastri naturali o conflitti.
Un altro vantaggio è economico. L’articolo segnala che i modelli AI open source possono costare da 5 a 29 volte meno rispetto a modelli proprietari con prestazioni comparabili. Questo riduce le barriere di accesso e permette a più organizzazioni di sperimentare applicazioni utili. (Nature)
Per le piccole e medie imprese, l’open source può significare accesso a tecnologie avanzate senza dover dipendere completamente da grandi piattaforme chiuse. Per università e centri di ricerca, può significare più collaborazione. Per il monitoraggio ambientale, può voler dire modelli a basso costo per osservare ecosistemi, aree montane, regioni polari o territori difficili da raggiungere.
Qui l’AI open source mostra il suo lato migliore: democratizzare strumenti che prima erano riservati a pochi. Non è poco. In un mondo in cui la sostenibilità richiede dati, velocità e capacità di analisi, avere più soggetti in grado di usare l’AI può fare la differenza.
AI open source e sostenibilità: il lato meno visibile dei rischi
AI open source e sostenibilità, però, non vanno confuse con una storia tutta positiva. Il commento pubblicato su Nature Communications insiste su una cosa: senza governance, l’AI open source può generare effetti negativi che rischiano di indebolire proprio gli obiettivi che dovrebbe aiutare. (Nature)
Il primo rischio riguarda l’ambiente. L’AI consuma energia, acqua, hardware e capacità di calcolo. Anche quando l’open source riduce i costi di inferenza, riuso o adattamento dei modelli, restano impatti importanti nella parte alta della filiera: chip, GPU, data center, infrastrutture e dispositivi. L’articolo segnala anche il rischio di contribuire a flussi globali di rifiuti materiali e tossici legati al ciclo di vita dell’hardware.
C’è poi il problema dello spreco computazionale. Se tanti soggetti sviluppano, addestrano o distribuiscono modelli simili su infrastrutture inefficienti, il risultato può essere una duplicazione inutile di consumi. È un po’ come costruire cento volte la stessa strada, invece di condividere un’infrastruttura comune fatta bene.
Il secondo rischio riguarda sicurezza e abuso. L’articolo osserva che la proliferazione di modelli open source ha ridotto il costo di produzione di deepfake e disinformazione mirata. Inoltre, i modelli aperti possono avere manutenzione irregolare, auditing di sicurezza meno robusto e maggiore esposizione a usi malevoli.
Il terzo rischio riguarda le disuguaglianze. Gli autori parlano anche di “AI colonialism”: Paesi, aziende e istituzioni del Nord globale possono mantenere un controllo sproporzionato su dati, infrastrutture e capacità computazionale, mentre il Sud globale rischia di restare dipendente da modelli, dataset e strumenti costruiti altrove.
In pratica, l’open source può sembrare aperto a tutti, ma non tutti hanno le stesse condizioni per usarlo davvero. Servono competenze, energia, infrastrutture, dati locali, connessioni, talenti e capacità istituzionale. Senza questi elementi, l’apertura rischia di restare più teorica che reale.
Quattro azioni per governare meglio l’AI aperta
Gli autori propongono quattro azioni di governance per rendere l’AI open source più utile agli Obiettivi di sviluppo sostenibile: gestione sostenibile del ciclo di vita, valutazione quantitativa degli impatti, regolazione e controllo, condivisione della conoscenza e cooperazione globale. (Nature)
La prima azione riguarda il ciclo di vita. Non basta guardare al modello quando viene usato. Bisogna considerare tutto: hardware, sviluppo, addestramento, distribuzione, aggiornamenti, riuso, fine vita dei dispositivi e impatti ambientali. Gli autori richiamano tecnologie come architetture più efficienti, raffreddamento a liquido ed energia rinnovabile, segnalando che queste soluzioni possono ridurre la domanda energetica dei data center fino al 20% e il consumo d’acqua fino al 52%.
La seconda azione è misurare meglio. Oggi manca un quadro standardizzato per valutare in modo quantitativo gli impatti dell’AI sugli SDG. Servono indicatori che non misurino solo prestazioni tecniche, ma anche effetti sociali, economici e ambientali. In altre parole: non basta chiedere se un modello funziona. Bisogna chiedere se fa bene, a chi fa bene, quanto costa e quali effetti collaterali produce.
La terza azione è la sicurezza. Gli autori parlano di catene di responsabilità chiare tra sviluppatori, utenti e governi. Servono dataset controllati, tecnologie di AI spiegabile, licenze trasparenti, audit di terze parti e simulazioni di attacchi avversari per scoprire vulnerabilità prima che vengano sfruttate.
La quarta azione è la cooperazione. Se l’AI open source deve davvero aiutare lo sviluppo sostenibile, non può essere governata solo da pochi grandi attori. Servono piattaforme accessibili, dati interoperabili, cooperazione regionale, rispetto della sovranità dei dati e meccanismi internazionali capaci di ridurre le disuguaglianze tra Paesi.
Il messaggio è chiaro: l’open source non deve diventare una giungla. Deve diventare un bene comune governato.
Non basta aprire i modelli: serve una direzione
Il punto più interessante dello studio è che smonta una semplificazione molto diffusa: “se è open source, allora è automaticamente democratico”. Non è così. L’apertura è una condizione importante, ma non basta.
Un modello aperto può aiutare una comunità a monitorare un ecosistema. Può aiutare una PMI a innovare. Può aiutare un’università a fare ricerca. Può aiutare un’amministrazione locale a leggere meglio dati complessi.
Lo stesso modello, però, può essere usato per generare disinformazione, produrre contenuti manipolativi, amplificare bias, consumare risorse inutilmente o rafforzare dipendenze tecnologiche già esistenti.
La differenza la fanno le regole, gli incentivi, gli standard, le infrastrutture e la responsabilità degli attori coinvolti. L’AI open source non è un fine. È uno strumento. E come tutti gli strumenti potenti, può costruire o rompere.
Per questo gli autori parlano di trasformazione deliberata. Non basta lasciare che il mercato, le community o le piattaforme decidano da sole. Serve integrare sostenibilità, valutazione, sicurezza e cooperazione dentro il modo in cui i modelli vengono sviluppati, distribuiti e riutilizzati.
Una lezione per imprese, ricerca e istituzioni
Il tema non riguarda solo i grandi laboratori di AI. Riguarda anche imprese, università, pubbliche amministrazioni e territori. L’AI open source può essere una grande opportunità per sperimentare, ridurre costi e costruire soluzioni su misura. Però va usata con metodo.
Per un’impresa, questo significa non scegliere un modello solo perché è gratuito o scaricabile. Bisogna chiedersi: quali dati usa? Quanto consuma? È aggiornato? È sicuro? È adatto al mio contesto? Chi lo mantiene? Che rischi genera?
Per una pubblica amministrazione, significa evitare sia il blocco totale sia l’entusiasmo ingenuo. L’open source può favorire trasparenza e indipendenza da fornitori chiusi, ma richiede competenze interne, controllo e capacità di valutazione.
Per il mondo della ricerca, significa costruire strumenti più condivisi e meno ridondanti, riducendo duplicazioni e sprechi. Per il Sud globale, significa pretendere non solo accesso ai modelli, ma anche accesso a dati, competenze, infrastrutture e capacità decisionale.
La sostenibilità dell’AI non si misura solo in emissioni. Si misura anche in autonomia, equità, sicurezza, conoscenza condivisa e capacità di produrre benefici reali.
Il futuro dell’AI open source sarà sostenibile solo se sarà governato
L’AI open source può accelerare gli Obiettivi di sviluppo sostenibile e contribuire anche all’agenda post-2030. Può aiutare a identificare priorità, barriere e percorsi di trasformazione in contesti complessi. Può rendere più inclusivo il rapporto tra conoscenza, cittadini e politiche pubbliche.
Questa è la parte promettente. La parte meno comoda è che tutto questo non accadrà da solo.
La storia della tecnologia lo insegna: aprire l’accesso non basta se poi mancano regole, competenze e responsabilità. L’open source può rendere l’AI più democratica, ma può anche rendere più rapida la diffusione di rischi. Può ridurre i costi, ma aumentare gli sprechi. Può creare autonomia, ma anche nuove dipendenze.
La sfida, quindi, è costruire una AI open source davvero orientata alla sostenibilità. Non solo più accessibile. Non solo più veloce. Non solo più economica. Più utile, più controllabile, più trasparente e più equa.
La domanda finale è semplice: vogliamo un’AI aperta perché tutti possano usarla, o un’AI aperta perché tutti possano costruire un futuro migliore?
La differenza sembra sottile. In realtà è tutta lì.
FAQ
Che cosa significa AI open source?
AI open source indica sistemi di intelligenza artificiale che possono rendere disponibili codice, pesi dei modelli, dati o componenti tecniche, permettendo alla comunità di studiarli, usarli, modificarli e distribuirli secondo specifiche licenze.
Perché l’AI open source può aiutare la sostenibilità?
Può ridurre i costi di accesso, favorire collaborazione, adattare modelli a contesti locali e supportare applicazioni legate agli Obiettivi di sviluppo sostenibile, come agricoltura, clima, ecosistemi, sanità, educazione e governance.
Quali sono i rischi dell’AI open source?
I rischi principali riguardano consumi energetici, sprechi computazionali, rifiuti hardware, disinformazione, deepfake, usi malevoli, bias e nuove disuguaglianze tra Paesi con diverse capacità digitali.
Quali regole servono per una AI open source sostenibile?
Secondo gli autori del commento su Nature Communications, servono quattro azioni: gestione sostenibile del ciclo di vita, indicatori quantitativi di impatto, regolazione e controllo, cooperazione globale e condivisione della conoscenza. (Nature)
Se hai una bella storia di innovazione da raccontare, contatta la nostra redazione.
