L'ecosistema AI cinese tra modelli aperti, agenti commerciali e lavoro invisibile

L'articolo analizza l'evoluzione dell'intelligenza artificiale in Cina: dalla strategia open-source dei foundation model al lavoro nascosto dei data worker, fi…

Contenuto

L'ecosistema AI cinese tra modelli aperti, agenti commerciali e lavoro invisibile

Scopri anche

L'ecosistema AI cinese tra modelli aperti, agenti commerciali e lavoro invisibile

L'ecosistema AI cinese tra modelli aperti, agenti commerciali e lavoro invisibile

In questo articolo:

L'ecosistema cinese dei foundation model ha attraversato una fase di trasformazione rapida. In dodici mesi, e in modo ancor più marcato negli ultimi tre, Big Tech come Alibaba, Baidu, Tencent e ByteDance, insieme a startup e laboratori accademici, hanno rilasciato modelli maturi con prezzi competitivi e capacità avanzate di ragionamento, coding e multimodalità. I developer cinesi hanno superato quelli statunitensi come quota di download su Hugging Face (17,1% contro 15,8% tra agosto 2024 e agosto 2025), con Qwen che ha superato Llama come famiglia di modelli più scaricata sulla piattaforma.

La strategia dell'open-weight come leva competitiva

⬆ Torna su

La scelta di distribuire modelli con pesi scaricabili e modificabili ha assunto in Cina un valore strategico e culturale. Nella comunità di sviluppatori cinesi, l'open source è spesso percepito come scelta normale e attesa: un metodo per costruire reputazione, attrarre talenti e accelerare l'adozione. Le restrizioni sui chip hanno spinto verso l'efficienza architetturale, con soluzioni Mixture-of-Experts e ottimizzazioni di inferenza. Le policy pubbliche iniziano a premiare l'ecosistema open source, riconoscendo contributi anche in ambito universitario.

DeepSeek-R1 ha rappresentato un punto di svolta: rilasciato come modello open-weight con licenza permissiva, ha dimostrato come avvicinare la frontiera tecnologica riducendo drasticamente i costi. L'app ha superato ChatGPT tra le gratuite più scaricate negli Stati Uniti, generando un effetto sui mercati finanziari che ha riportato l'AI al centro del confronto competitivo globale.

Alibaba Qwen resta il polo più consistente. La linea si è evoluta fino a Qwen 3, con varianti dense e Mixture-of-Experts, disponibilità in open-weight e come servizio gestito su cloud. Moonshot ha pubblicato Kimi K2.5, modello open-source multimodale "agentic" con contesti lunghi e tool-calling. Zhipu ha presentato GLM-5 con focus su agenti e coding. ByteDance spinge su Doubao per chatbot e Seedance 2.0 per video generativo.

Quando l'apertura diventa strumento di monetizzazione

⬆ Torna su

La narrativa dell'apertura si scontra con dinamiche economiche concrete. Alibaba Cloud ha deciso che i modelli più avanzati, come Qwen3.6-Plus e Qwen3.5-Omni, restano confinati dietro API e infrastrutture proprietarie. I modelli più piccoli e aperti servono a creare ecosistema e attrarre sviluppatori; i modelli più potenti sono asset strategici. La giustificazione ufficiale è che questi ultimi sono troppo costosi da addestrare e troppo preziosi per essere distribuiti gratuitamente.

Il successo della serie Qwen su Hugging Face, con un numero di modelli derivati superiore a quelli di Google e Meta, non è stato casuale. È stato un esperimento di mercato su scala planetaria. Una volta sondato e segmentato il mercato, la monetizzazione diventa inevitabile. L'open source ha funzionato come cavallo di Troia: il cloud rappresenta la cittadella.

Aziende come Zhipu AI affinano una strategia esplicita: continuano a rilasciare modelli open per mantenere visibilità, mentre il business principale si sposta sulle API cloud. Il CEO Zhang Peng ha dichiarato che i clienti stanno migrando spontaneamente verso il cloud, attratti da semplicità e scalabilità. Prodotti come Kling AI dimostrano che il modello funziona, generando ricavi significativi con modelli chiusi.

LingGuang e i nuovi paradigmi di interazione

⬆ Torna su

Ant Group, braccio fintech di Alibaba, ha presentato LingGuang introducendo un paradigma diverso di interazione. Non più sola conversazione testuale, ma un sistema capace di trasformare comandi in esperienze visive, applicazioni funzionanti, modelli tridimensionali e strumenti personalizzati. In pochi giorni, l'app ha superato i due milioni di download, costringendo l'azienda a otto espansioni emergenziali della capacità dei server.

LingGuang è un ibrido innovativo: la sua particolarità è rispondere attraverso codice generato al momento. Dietro ogni output non testuale c'è un layer di programmazione automatica. Grafici interattivi, mappe navigabili, modelli 3D e applicazioni funzionanti vengono prodotti trasformando le richieste in porzioni di codice che il sistema compila ed esegue in tempo reale. Non è solo un modello linguistico, ma un ambiente di runtime all'interno del modello.

Il cuore di LingGuang è un modello di nuova generazione integrato con la serie Tongyi Qianwen, addestrato su linguaggio, immagini, dati strutturati, video, audio, grafi ed esempi di codice in diversi linguaggi. La pipeline interna funziona come un ecosistema di agenti specializzati: alcuni interpretano l'intento, altri generano codice, altri lo eseguono e lo trasformano in contenuti interattivi.

Accio: l'agente AI per il commercio globale

⬆ Torna su

Sul fronte commerciale, Accio di Alibaba ha raccolto dieci milioni di utenti mensili in poco più di un anno. Lo strumento comprime settimane di ricerca fornitori in una conversazione. Mike McClary, imprenditore che ha rilanciato un prodotto nel 2025, ha usato Accio invece di scorrere listini di fornitori cinesi o inviare email a dozzine di fabbriche. Ha aperto l'agente AI e ha avuto una conversazione.

Nel frattempo, Amazon, Google, Microsoft e OpenAI si contendono lo stesso territorio. La competizione si sposta dai modelli generalisti agli agenti verticali, capaci di eseguire compiti specifici nel contesto di workflow aziendali reali. La sfida non è solo tecnologica ma di integrazione: chi controlla i data center, le GPU e le reti di distribuzione controlla l'accesso all'intelligenza.

Il lavoro invisibile dietro ogni chatbot

⬆ Torna su

Dietro ogni chatbot si nasconde un esercito di lavoratori che etichettano, categorizzano e filtrano dati per addestrare gli algoritmi. L'Organizzazione Internazionale del Lavoro stima circa 20 milioni di "data worker", concentrati prevalentemente in Asia, Africa e Sud America. Lavorano anche dieci ore al giorno in uffici sovraffollati o Internet café. Il guadagno mediano nei Paesi in via di sviluppo è di circa due dollari l'ora; in Madagascar, alcuni lavoratori hanno dichiarato di ricevere 41 centesimi l'ora.

Il modello "human-in-the-loop" adottato dalle Big Tech sfrutta persone qualificate con salari inadeguati e tutele deboli. Spesso questi lavoratori possiedono laurea o master in discipline scientifiche. Chi si occupa di moderare contenuti deve esaminare immagini di omicidi, torture, abusi sessuali su minori o propaganda d'odio. Alcuni lavoratori in Kenya, impiegati da un appaltatore di OpenAI, hanno denunciato incubi ricorrenti e sintomi simili al disturbo da stress post-traumatico.

La filiera è stata mappata dall'organizzazione olandese Somo: almeno trenta società intermediarie offrono servizi ai giganti della tecnologia. Meta ha acquistato il 49% di Scale AI; Google ha investito in Snorkel AI, Playment, karya e WEimpact.AI; Microsoft ha scommesso su micro1; Nvidia ha investito in SuperAnnotate; Amazon ha puntato su Defined.AI. Amazon Mechanical Turk, lanciato nel 2005, rimane una delle prime piattaforme di crowdsourcing su larga scala, mentre Amazon Augmented AI (A21) fornisce manodopera on-demand di circa 500.000 micro-lavoratori disponibili 24 ore su 24.

AI e retail: i nuovi profili dei consumatori

⬆ Torna su

Uno studio pubblicato nel febbraio 2026 rileva che circa il 90% dei retailer a livello globale prevede di aumentare gli investimenti in AI nei prossimi 12-24 mesi. Il 38% dei retailer europei identifica nella velocità di consegna, nel tracciamento e nella comunicazione proattiva le aree a maggior potenziale d'impatto. Le aziende con ricavi superiori a 500 milioni di sterline segnalano lacune di competenze e difficoltà nell'integrare l'AI con i sistemi legacy. I piccoli retailer indicano costi di sviluppo elevati e preoccupazioni per la sicurezza dei dati.

Una ricerca identifica quattro profili di consumatori: gli AI delegators (17% del campione), che affidano all'AI ricerca, confronto e talvolta acquisto; gli AI sceptics (23%), che mantengono comportamenti tradizionali con attenzione al prezzo; gli AI collaborators (30%), che impiegano l'AI come co-shopper conservando il controllo decisionale; gli AI selectors (30%), che la consultano saltuariamente per informarsi o ottenere conferme.

Secondo Capgemini, il 25% dei consumatori ha utilizzato strumenti di shopping basati su AI generativa nel 2025, e un ulteriore 31% prevede di adottarli. Il 63% desidera contenuti di shopping iper-personalizzati, mentre il 71% è preoccupato per l'uso dei propri dati. Il 66% continua a valorizzare il supporto umano al momento dell'acquisto. I brand devono passare dall'essere ottimizzati per la ricerca all'essere ottimizzati per la selezione: il successo dipende sempre più dall'essere scelti dagli algoritmi.

Geopolitica dell'infrastruttura AI

⬆ Torna su

L'AI non è più una competizione tra modelli, ma tra infrastrutture. Chi controlla i data center, le GPU e le reti di distribuzione controlla l'accesso all'intelligenza. La decisione di chiudere i modelli più avanzati non è una ritirata, ma una fortificazione. Stati Uniti e Cina stanno costruendo ecosistemi tecnologici paralleli, sempre meno interoperabili. Se i modelli open-weight diventano lo strato infrastrutturale su cui altri costruiscono, le restrizioni e i potenziali backlash potrebbero riproporsi in forma nuova.

L'adozione cresce anche fuori dalla Cina. In Silicon Valley, diversi investitori descrivono una realtà in cui molti prodotti basati su stack open finiscono per poggiare su modelli cinesi, soprattutto quando la priorità è ridurre i costi e mantenere il controllo sui pesi. I dati di utilizzo via broker e router API mostrano una crescita rapida della quota di modelli cinesi nell'uso in produzione. Training e serving continuano spesso ad appoggiarsi a chip e cloud occidentali, mentre il flusso di talenti e pratiche di ricerca resta globale.

Il futuro tra apertura e chiusura

⬆ Torna su

La storia dell'AI non è quella di una democratizzazione dell'intelligenza, ma di una sua redistribuzione controllata. L'innovazione richiede capitale, energia e hardware: tre elementi che si concentrano naturalmente in poche mani. L'open source, senza accesso a queste risorse, rischia di diventare un esercizio accademico. Una frase che circola nei corridoi della Silicon Valley sintetizza la situazione: "Open source is great, until it becomes expensive."

I modelli verticali stanno emergendo per domini ad alta specializzazione: AI for Science, generazione musicale, medical reasoning. La tendenza è chiara: invece di inseguire un generalista, molte realtà preferiscono un modello addestrato e valutato per quel lavoro specifico. L'innovazione si sposta dal modello unico alla combinazione di specializzazione e orchestrazione. Per chi costruisce agenti, l'obiettivo non è vincere un benchmark, ma mantenere un sistema che opera ore o giorni con costi prevedibili.

La Global Insight Services stima che entro il 2034 il comparto dell'etichettatura dei dati raggiungerà un fatturato di 10,2 miliardi di dollari. Su Crunchbase risultano quasi duemila aziende nel settore, di cui oltre cento fondate solo nel 2026. Un mercato ancora frammentato ma in rapida ascesa, con scarsa trasparenza su chi lavora per chi e in quali condizioni, e un rapporto di forza sbilanciato a favore delle major tecnologiche.

Questo articolo è una sintesi basata esclusivamente sulle fonti elencate.

Implicazioni e scenari

⬆ Torna su

La tensione tra apertura e chiusura dei sistemi potrebbe ridefinire gli equilibri competitivi. I player che hanno costruito ecosistema attraverso rilasci aperti potrebbero progressivamente spostare il valore verso infrastrutture cloud proprietarie, creando dipendenze tecnologiche durature.

  • Scenario 1: l'open-weight continua come strumento di penetrazione mercato, mentre le versioni più capaci restano confinate dietro API a pagamento, replicando dinamiche già osservate nel cloud computing tradizionale.
  • Scenario 2: agenti come LingGuang e Accio anticipano un futuro in cui l'interazione si sposta dal testo a esperienze multimediali e transazionali, con ricadute su commercio, finanza e produttività aziendale.
  • Scenario 3: le condizioni del lavoro invisibile potrebbero emergere come tema reputazionale e regolatorio, con impatti sulla filiera globale di addestramento.

Cosa monitorare

⬆ Torna su
  • L'evoluzione dei modelli di monetizzazione: se e come i player cinesi trasformeranno l'adozione open-source in ricavi ricorrenti da servizi gestiti.
  • La risposta dei competitor occidentali agli agenti verticali, con particolare attenzione all'integrazione nei workflow aziendali.
  • L'eventuale emersione di standard etici o normativi sul lavoro dietro l'automazione, soprattutto in contesti di moderazione contenuti.

Nota editoriale: questa sezione propone una lettura analitica dei temi trattati, senza introdurre dati fattuali non presenti nelle fonti.

Fonti

⬆ Torna su

In breve

  • ai
  • llm
  • agentic
  • opensource

Link utili

Apri l'articolo su DeafNews