Kimi K3 si avvicina a Opus 5: il calcolo costi-benefici

In sintesi

• Kimi K3 segna 60 punti contro i 63 di Opus 5 su una classifica sintetica, non su ogni singolo compito.
• Altri due modelli open weight cinesi entrano nella parte alta della classifica: Qwen3.8 Max a 58 punti e GLM-5.2 a 53.
• “Open weight” non equivale a “open source”: i pesi del modello sono scaricabili, ma addestramento e dati restano spesso chiusi.
• Licenze, costi di esercizio e possibilità reale di deployment pesano più del punteggio stesso.
• La scelta tra modello open self-hosted e API a consumo dipende dal volume reale d’uso, non dal piazzamento in classifica.

Il numero che conta meno di quanto sembra

Nella classifica aggiornata ad agosto 2026, Kimi K3, modello open weight sviluppato in Cina, segna 60 punti contro i 63 di Opus 5, il modello proprietario di riferimento. Dietro a Kimi K3 si piazzano altri due modelli open weight cinesi, Qwen3.8 Max a 58 punti e GLM-5.2 a 53, come riporta Agenda Digitale.

Tre punti su un totale aggregato non raccontano granché da soli. Una classifica sintetica somma decine di test diversi, memoria, matematica, ragionamento, in un unico numero finale. Un modello può scrivere contratti meglio di un altro e restare indietro nell’analisi di immagini: il punteggio aggregato appiattisce proprio la differenza che conta per chi deve usare il sistema su un caso specifico. Trattare 60 contro 63 come un verdetto di equivalenza è un errore di lettura comodo per chi vuole vendere il modello più economico come sostanzialmente uguale a quello costoso, e la tesi di questo articolo è che il divario reale tra le opzioni si gioca altrove: nella prevedibilità dei costi e nella tracciabilità dei dati, non nel piazzamento.

Il punto non è se Kimi K3 abbia raggiunto Opus 5. È che tre modelli open weight cinesi occupano ora stabilmente la parte alta di una classifica dominata fino a poco tempo fa da pochi laboratori americani, e questo sposta il calcolo economico di chi deve scegliere un’infrastruttura, indipendentemente da chi vince sul singolo punto percentuale.

Il vero risparmio è nella prevedibilità

Prendi uno studio legale che oggi paga un abbonamento a consumo per un assistente che analizza contratti. Finché il volume resta basso, la fattura è gestibile. Non appena l’uso cresce, diventa imprevedibile: lo abbiamo raccontato parlando di come il modello di fatturazione a consumo scarichi il rischio economico sull’utente. Un modello open weight installato sui propri server, o su un’infrastruttura cloud controllata, sposta quel costo da variabile a fisso. Non è detto che sia più economico in assoluto: è prevedibile in modo diverso, e per uno studio che deve chiudere un bilancio a fine anno questo conta più del risparmio percentuale.

L’arrivo di tre alternative open weight competitive non significa automaticamente “costano meno”. Significa che esiste, a parità di qualità percepita, un’opzione di controllo diretto sui costi che prima non c’era. Chi valuta un deployment dovrebbe guardare qui, non al podio.

Tre domande prima di firmare

Prima di avviare un deployment, vale la pena rispondere a tre domande concrete, nell’ordine in cui si presentano davvero in un progetto.

La prima riguarda il volume reale di utilizzo previsto, non quello stimato con ottimismo da ufficio marketing: cento richieste al giorno e diecimila richiedono infrastrutture e contratti completamente diversi. La seconda riguarda la gestione: chi si occupa dell’infrastruttura se si sceglie un modello open weight da installare in casa, perché questo significa aggiornamenti, sicurezza e capacità di calcolo da mantenere nel tempo, non solo il download iniziale. La terza riguarda quanto sia critica la differenza di qualità tra proprietario e open weight per il caso d’uso specifico: generare bozze di email tollera imprecisioni che un supporto a decisioni cliniche o legali non può permettersi.

Nessuna di queste domande ha una risposta identica tra settori. Un test pilota con dati reali della propria attività, prima di firmare, dice più cose di qualunque posizione in classifica: serve il comportamento del modello sui documenti e le richieste tipiche di chi lo userà davvero, non il punteggio aggregato.

La differenza che la classifica non misura

“Open weight” circola spesso come sinonimo di “open source”, ma sono due cose diverse, e la differenza ha conseguenze pratiche concrete.

Un modello open source rende disponibili sia i pesi, i parametri numerici che il modello usa per generare le risposte, sia spesso i dati e il codice di addestramento. Un modello open weight rende disponibili solo i pesi: si può scaricare e far girare sui propri server, ma senza sapere con precisione su quali dati è stato addestrato né poterne ricostruire il processo. È una scatola apribile, non smontabile fino in fondo.

Per un’azienda che deve valutare rischi di conformità, questo pesa sulle scelte operative quotidiane. Se un cliente chiede con quali dati è stato addestrato il modello che genera le risposte del proprio assistente virtuale, un sistema open weight spesso non permette una risposta completa. Chi opera in settori regolati, come sanità o finanza, dovrebbe porsi questa domanda prima della scelta del modello, non scoprirla dopo averlo già messo in produzione. È un aspetto che la classifica di agosto, con i suoi punteggi ordinati, non cattura in nessun modo: fidarsi solo del ranking, in questi casi, è una scorciatoia che può costare una non conformità scoperta tardi. Chi deve capire se il proprio utilizzo rientra tra gli obblighi di alfabetizzazione AI previsti dalla normativa europea può consultare la guida sull’obbligo di formazione AI secondo l’articolo 4.

Cosa fare prima di scegliere

Il podio della classifica resta utile come indicatore di tendenza di mercato: tre modelli open weight cinesi stabilmente nella parte alta cambiano le condizioni negoziali con cui ogni azienda italiana si siede al tavolo con un fornitore. Ma come criterio di scelta è insufficiente da solo. L’unica azione sensata, prima di costruire un prodotto su un modello specifico, è testarlo sui propri dati reali e verificare la tracciabilità dell’addestramento se si opera in un settore regolato. Chi salta questo passaggio per inseguire il punteggio più alto rischia di scoprire il problema vero, quello di conformità o quello di costo imprevisto, solo dopo averlo già messo in produzione.

Domande correlate

Conviene un modello open weight o un’API a consumo?

Dipende dal volume di utilizzo reale. Per volumi bassi e imprevedibili, l’API a consumo evita investimenti in infrastruttura. Per volumi alti e costanti, un modello open weight self-hosted tende a diventare più conveniente nel tempo, ma richiede competenze tecniche per la gestione quotidiana.

Kimi K3 è open source o open weight?

È open weight: i parametri del modello sono scaricabili e installabili sui propri server, ma dati di addestramento e codice completo di costruzione non sono resi pubblici. È una distinzione diversa da “open source” e va verificata prima di decisioni di conformità normativa.

Il punteggio in classifica basta per scegliere un modello?

No. Un punteggio aggregato nasconde differenze su compiti specifici. Prima di scegliere conviene testare il modello sui propri casi d’uso reali, con un volume di dati rappresentativo della propria attività quotidiana.

Perché tre modelli cinesi sono saliti in classifica insieme?

Perché più laboratori cinesi stanno investendo in parallelo su modelli open weight competitivi. Offrono prestazioni vicine ai proprietari americani a costi di licenza e deployment spesso inferiori, cambiando le condizioni di mercato per chi deve scegliere l’infrastruttura su cui costruire.

Fonti:

• Qual è il modello AI più potente? La classifica e come leggerla - Agenda Digitale (accesso ottobre 2026)