OpenAI offre gratuitamente i suoi modelli più avanzati a migliaia di ricercatori mentre entra nel sistema universitario italiano attraverso l’accordo CRUI. La controversia sulla soluzione delle equazioni di Navier–Stokes aggiunge una domanda più difficile: cosa accade quando chi fornisce gli strumenti della ricerca comincia anche a competere nella produzione della conoscenza?

Diecimila agenti artificiali, 88 ore di lavoro, 2,7 milioni di messaggi e circa 130 miliardi di token generati. OpenAI sostiene che siano bastati per arrivare a una soluzione del problema dell’esistenza e regolarità delle equazioni di Navier–Stokes, uno dei sette Millennium Prize Problems della matematica. Il risultato è stato prodotto da un modello interno ancora più avanzato di GPT-6 Astra e successivamente formalizzato e verificato in Lean.

Se la dimostrazione supererà il vaglio della comunità scientifica, il risultato sarà enorme. Ma per capire quello che sta succedendo tra intelligenza artificiale e ricerca, la parte forse più interessante della storia comincia dopo l’annuncio.

OpenAI racconta di aver avviato l’esperimento il primo settembre dopo aver sentito una voce relativa a un possibile avanzamento sul problema. Solo successivamente, sostiene l’azienda, avrebbe capito che quella voce riguardava il matematico della New York University Tristan Buckmaster e Levent Alpöge, matematico che lavora per Anthropic. I due stavano effettivamente lavorando su problemi strettamente collegati e utilizzavano anche strumenti di intelligenza artificiale nel proprio lavoro. OpenAI sostiene che il proprio risultato sia stato raggiunto indipendentemente e nega di avere avuto accesso ai loro dati specifici. Buckmaster ha invece sollevato dubbi sulla possibilità che il lavoro svolto utilizzando gli strumenti della società possa avere indirettamente contribuito al risultato. La vicenda è contestata e, allo stato attuale, non consente di concludere che OpenAI abbia utilizzato impropriamente il lavoro dei due ricercatori.

Ed è proprio qui che la storia diventa interessante.

Perché non è necessario dimostrare che OpenAI abbia utilizzato quel materiale per accorgersi che il rapporto tra ricercatore e intelligenza artificiale sta cambiando natura.

Quando lo strumento comincia a fare ricerca

Il problema dell’AI nei laboratori e nelle università è sempre stato affrontato soprattutto attraverso tre parole: privacy, copyright e proprietà intellettuale.

Sono questioni importanti, ma potrebbero non essere più sufficienti.

Se un ricercatore utilizza un modello per analizzare un dataset, verificare una dimostrazione, esplorare una molecola o costruire un’ipotesi scientifica, la domanda più immediata è sapere che cosa accada alle informazioni inserite nel sistema. Dove vengono conservate? Chi può accedervi? Possono essere utilizzate per addestrare il modello?

Ma adesso compare una domanda ulteriore.

Che cosa succede quando l’azienda che fornisce lo strumento utilizzato dal ricercatore diventa essa stessa capace di produrre ricerca sullo stesso terreno?

Il caso Navier–Stokes rende visibile un problema che fino a poco tempo fa poteva sembrare teorico. Un modello di AI non è più soltanto il Word o l’Excel del ricercatore. Può diventare un collaboratore scientifico, un ambiente di sperimentazione e, progressivamente, un sistema capace di perseguire autonomamente problemi di ricerca.

Il fornitore dello strumento può quindi trovarsi in una posizione inedita: fornisce l’infrastruttura attraverso la quale altri producono conoscenza e, contemporaneamente, utilizza un’infrastruttura enormemente più potente per produrne in proprio.

Non significa che possa leggere liberamente ciò che fanno i propri clienti. Significa che la separazione tra fornitore della tecnologia e produttore della conoscenza sta diventando meno netta.

Ed è proprio in questa zona grigia che va letto ciò che OpenAI sta facendo nelle università.

Centomila ricercatori gratis

Il 29 luglio OpenAI ha annunciato ChatGPT for Academic Researchers. L’obiettivo dichiarato è mettere gratuitamente i propri frontier model a disposizione di 100.000 scienziati, matematici e ingegneri entro il 2027.

La prima coorte comprenderà 10.000 ricercatori. La domanda è stata tale che, al 10 agosto, OpenAI aveva già ricevuto più di 13.000 candidature potenzialmente corrispondenti a 65.000 posti e ha deciso di selezionare il primo gruppo attraverso un sorteggio tra i candidati idonei.

L’offerta è notevole. Accesso gratuito ai modelli più avanzati della società, compreso GPT-5.6 Sol Pro al lancio, possibilità di coinvolgere fino a quattro collaboratori, strumenti per analisi genomica, protein modeling, revisione della letteratura, grant writing e verifica delle ipotesi.

OpenAI accompagna il programma con una dichiarazione che merita attenzione: il progresso scientifico dipende dai ricercatori che pongono le domande giuste e sperimentano nuove idee; il ruolo della società, scrive, è mettere nelle loro mani strumenti potenti e lavorare al loro fianco per progettare modelli capaci di accelerare la ricerca. Il programma comprende infatti formazione, supporto e possibilità per i ricercatori di condividere feedback direttamente con OpenAI.

Qui bisogna evitare una scorciatoia.

OpenAI dichiara esplicitamente che nei workspace Academic Researchers i dati non vengono utilizzati per addestrare i modelli per impostazione predefinita. Gli amministratori possono effettuare un opt-in alla condivisione dei dati per il miglioramento dei modelli, ma la regola di default è quella opposta.

Da diverse parti abbiamo letto che OpenAI stia regalando ChatGPT alle università per impossessarsi delle ricerche, certo è una chiave di lettura, ma al momento è una conclusione alla quale i fatti disponibili non ci consentono di arrivare.

Il punto è tuttavia ancora più sottile.

Il valore non è soltanto nei dati

Centomila ricercatori che utilizzano un modello di frontiera rappresentano qualcosa di molto più più interessante di centomila abbonamenti gratuiti.

Rappresentano centomila specialisti che sottopongono il sistema a problemi reali, ne scoprono i limiti, sviluppano workflow, verificano quali attività possano essere automatizzate, inventano modalità di utilizzo che il produttore non aveva previsto, individuano gli strumenti mancanti e contribuiscono a definire come l’intelligenza artificiale entrerà nella pratica scientifica.

Non serve necessariamente acquisire il contenuto di una ricerca riservata per ottenere valore da tutto questo.

Il valore può essere nel feedback, nell’adozione, nella conoscenza degli use case, nella capacità di osservare quali funzioni servano agli utenti più sofisticati e nella costruzione di un ecosistema nel quale un’intera generazione di ricercatori impara a lavorare utilizzando una determinata piattaforma.

È uno dei punti sollevati dal filosofo Mario De Caro, professore di Filosofia morale a Roma Tre e titolare della cattedra Unesco in Etica dell’Intelligenza Artificiale, intervenuto proprio sul programma OpenAI.

La sua osservazione sposta il problema dalla semplice privacy alla concorrenza: mettere un prodotto gratuitamente nelle mani di comunità scientifiche altamente qualificate può contribuire a migliorare il prodotto, diffonderne l’utilizzo e consolidarne la posizione nel mercato.

È una forma di vantaggio competitivo difficile da misurare perché non passa necessariamente attraverso l’acquisizione di un dataset.

Passa attraverso l’apprendimento del mercato. E il mercato, in questo caso, è la ricerca scientifica.

Il lock-in che non si vede

È qui che il concetto tradizionale di lock-in comincia a diventare insufficiente.

Siamo abituati a pensarlo in termini tecnici. Un’azienda rimane legata a un cloud perché spostare terabyte di dati costa troppo. Un’amministrazione dipende da un software perché i propri sistemi sono stati costruiti attorno a quel formato. Cambiare provider significa migrare database, riscrivere applicazioni e sostenere nuovi costi.

Con l’AI generativa può nascere un lock-in diverso.

Un laboratorio che utilizza per un anno un modello, costruisce prompt, agenti e procedure, integra il sistema nei processi di ricerca, forma dottorandi e collaboratori, scrive codice attorno alle API, impara quali problemi affidargli e quali no. Progressivamente, una parte del know-how organizzativo si costruisce attorno alla piattaforma.

A quel punto cambiare modello non significa soltanto esportare dei dati: significa, potenzialmente, anche cambiare un modo di lavorare. È un lock-in cognitivo e operativo prima ancora che tecnologico.

Ed è per questo che il programma Academic Researchers può essere letto contemporaneamente come iniziativa a favore della ricerca e come straordinario investimento nella costruzione dell’ecosistema OpenAI.

Le due cose non si escludono. OpenAI può realmente voler accelerare la scienza e, contemporaneamente, ottenere un enorme vantaggio competitivo dall’essere la piattaforma attraverso la quale quella scienza viene accelerata.

Poi arriva la CRUI

In Italia la questione assume una dimensione ulteriore.

Prima ancora del programma Academic Researchers, la Conferenza dei Rettori delle Università Italiane aveva costruito con OpenAI un accordo destinato all’intero sistema universitario nazionale.

Il contratto con OpenAI Ireland Limited dura 36 mesi, dal 14 ottobre 2025 al 13 ottobre 2028. La documentazione CRUI indica un importo a base di gara per la richiesta del CIG di 30 milioni di euro: una cifra che non deve essere confusa con la spesa effettivamente sostenuta dagli atenei.

Ma il dato più interessante è un altro: il 24 marzo 2025 la Giunta CRUI ha deliberato una “procedura negoziata senza previa pubblicazione di un bando di gara”, ai sensi dell’articolo 76, comma 2, lettera b) del Codice dei contratti pubblici, per la fornitura triennale di “soluzioni software e servizi di OpenAI” (Procedura negoziata OpenAI – CRUI).

Non è di per sé un’anomalia. Lo stesso strumento viene utilizzato dalla CRUI anche per altre forniture proprietarie e il Codice degli appalti ne prevede l’impiego in determinate condizioni.

Ma proprio per questo diventa importante capire come sia stato definito il bisogno prima di individuare il prodotto.

Il sistema universitario aveva bisogno di una piattaforma di intelligenza artificiale generativa con determinate caratteristiche e, dopo aver esaminato il mercato, ha concluso che OpenAI fosse l’unica alternativa ragionevole? Oppure le università chiedevano già ChatGPT e la procedura è stata costruita per acquistare quel prodotto?

Sono scenari diversi.

Nel primo caso l’infungibilità arriva alla fine di un’analisi del mercato. Nel secondo è incorporata nel fabbisogno: se quello che si vuole acquistare è ChatGPT, evidentemente soltanto OpenAI può fornirlo.

Ed è proprio questa distinzione che diventa centrale quando si parla di sovranità tecnologica.

Le domande rimaste senza risposta

Rivista.AI ha chiesto alla CRUI di chiarire quale fabbisogno funzionale abbia preceduto la decisione del marzo 2025, se sia stata effettuata un’indagine o altra verifica del mercato, quali alternative siano state considerate e quali caratteristiche abbiano portato a ritenere la soluzione OpenAI non ragionevolmente sostituibile.

Abbiamo inoltre chiesto se durante i 36 mesi siano previsti momenti di verifica dell’evoluzione del mercato e quali misure garantiscano interoperabilità, portabilità dei workflow ed eventuale migrazione verso piattaforme differenti alla scadenza del contratto.

Al momento della pubblicazione di questo articolo non abbiamo ricevuto risposta.

Negli atti pubblicamente consultabili da Rivista.AI non abbiamo individuato documentazione sufficiente a ricostruire l’eventuale comparazione delle alternative effettuata prima della scelta. Questo non significa che tale valutazione non sia stata effettuata. Significa che, senza un chiarimento della CRUI o ulteriore documentazione, non siamo in grado di stabilire su quali elementi sia stata fondata.

La distinzione è importante anche per un’altra ragione: sarebbe scorretto valutare una decisione del marzo 2025 utilizzando il mercato dell’intelligenza artificiale del settembre 2026.

Ma proprio la velocità con cui quel mercato è cambiato pone un’altra domanda: quanto può durare l’infungibilità nell’intelligenza artificiale?

Tre anni sono un’era geologica

A marzo 2025 OpenAI godeva di una posizione tecnologica e di mercato molto forte. Da allora sono cambiate le capacità dei modelli di Google, Anthropic, Mistral e degli ecosistemi open-weight. Sono cambiate le architetture agentiche, i costi di inferenza, le possibilità di deployment e gli strumenti enterprise.

Non significa che uno di questi prodotti fosse equivalente a ChatGPT Edu nel marzo 2025.

Significa che una scelta tecnologica triennale nel mercato dell’AI presenta una caratteristica particolare: il mercato nel quale termina il contratto può essere radicalmente diverso da quello nel quale è cominciato.

Ed è qui che procurement e sovranità si incontrano.

Se durante quei tre anni università, ricercatori e amministrazioni costruiscono procedure, competenze e workflow attorno a una piattaforma, alla scadenza la domanda potrebbe non essere più quale sia il prodotto migliore disponibile, ma quale prodotto sia realisticamente possibile sostituire.

Il rischio più interessante è quindi quasi paradossale: l’adozione può contribuire a produrre nel tempo proprio quella infungibilità che successivamente rende più difficile la concorrenza.

Data residency non significa sovranità

Il dibattito diventa ancora più complesso quando si sposta sui dati.

È possibile conservare informazioni in un data center europeo e continuare a dipendere tecnologicamente da un’impresa americana. È possibile avere garanzie contrattuali molto solide sull’utilizzo dei dati e non possedere alcun controllo sull’evoluzione del modello. È possibile rispettare GDPR e policy interne e, contemporaneamente, costruire un’infrastruttura scientifica dalla quale diventa progressivamente costoso uscire.

La residenza dei dati risponde alla domanda: dove sono?

La sovranità tecnologica deve rispondere ad altre domande: chi controlla l’infrastruttura? Chi decide come evolve? Quanto siamo dipendenti dal fornitore? Possiamo verificare ciò che fa? Possiamo sostituirlo? Quanto costa uscire?

Sovranità, in questo senso, non significa autarchia digitale. Non significa nemmeno obbligare un ricercatore italiano a utilizzare un modello italiano meno efficace soltanto perché italiano.

Significa conservare una capacità credibile di scelta. Ed è proprio su questo terreno che il caso italiano diventa più interessante.

L’Italia una tecnologia ce l’ha

Nel dibattito sulla dipendenza europea dai modelli americani ricorre spesso una spiegazione semplice: utilizziamo OpenAI, Google o Anthropic perché in Europa non abbiamo costruito alternative.

È vero soltanto in parte.

L’Italia, per esempio, ha sviluppato Minerva, la famiglia di large language model nata dal gruppo NLP della Sapienza nell’ambito dell’ecosistema FAIR, utilizzando capacità di calcolo del CINECA e del supercomputer Leonardo. Il progetto è nato con l’obiettivo di costruire modelli addestrati da zero con una particolare attenzione alla lingua italiana.

Minerva non è ChatGPT Edu e non sarebbe corretto presentarla come un sostituto immediato dei frontier model di OpenAI. Non dispone della stessa scala industriale, dello stesso ecosistema, della stessa capacità di supporto e della stessa maturità di prodotto.

Ma proprio questa differenza ci dice qualcosa. Il problema italiano non è necessariamente l’assenza di tecnologia.

È l’assenza di una politica capace di trasformare la tecnologia disponibile in un’alternativa istituzionale.

Tra costruire un modello e permettere a decine di università di adottarlo esiste un’enorme infrastruttura invisibile: aggiornamenti, sicurezza, capacità computazionale, API, assistenza, SLA, strumenti collaborativi, interoperabilità, compliance, procurement, formazione e continuità finanziaria.

È lì che un progetto di ricerca diventa una politica industriale ed proprio lì che l’Italia continua ad avere un vuoto.

La lezione francese

La Francia sta sperimentando una strada differente con OpenLLM France e la famiglia Luciole: modelli sviluppati attraverso un ecosistema pubblico-privato, compute pubblico, maggiore apertura su modelli, dati e strumenti di addestramento e un esplicito richiamo alla sovranità europea.

Anche Luciole non è un sostituto uno-a-uno di ChatGPT, sarebbe una comparazione fuorviante. Ma il punto non è stabilire se oggi Luciole batta OpenAI in un benchmark, ovvio che no.

Il punto è decidere se l’Europa voglia possedere la capacità di costruire, modificare, distribuire e sostituire almeno una parte dell’infrastruttura cognitiva sulla quale stanno cominciando a poggiare ricerca, amministrazioni e imprese.

La differenza è sostanziale. Una politica industriale dell’AI non dovrebbe avere come obiettivo necessariamente la costruzione del “ChatGPT europeo”.

Dovrebbe assicurare che esista un’alternativa quando avere un’alternativa diventa strategico.

Dal modello alla politica industriale

Ed è qui che il caso delle università incontra un problema molto più ampio per la politica italiana sull’intelligenza artificiale.

Negli ultimi anni abbiamo finanziato ricerca, supercalcolo, competenze, infrastrutture, AI Factory e programmi nazionali ed europei. Possiamo contare quanti miliardi siano stati stanziati, quanti modelli siano stati sviluppati e quanti progetti siano stati avviati.

Ma esiste una metrica molto più difficile. Se un’università, un ministero, una grande impresa pubblica o un ospedale deve adottare domani un sistema di intelligenza artificiale, quanti degli asset finanziati con denaro pubblico possono effettivamente entrare nella shortlist?

È forse questa la domanda che dovrebbe accompagnare qualsiasi osservatorio sull’attività del Governo in materia di AI. Non soltanto quanto abbiamo investito ma anche quante e quali alternative abbiamo costruito.

Perché possedere un supercomputer non significa avere sovranità, così come addestrare un modello non significa avere sovranità e conservare i dati in Europa non significa avere sovranità.

La sovranità arriva quando quegli asset diventano una possibilità concreta di scelta.

Il vero prezzo del gratis

A questo punto possiamo tornare ai 100.000 ricercatori ai quali OpenAI sta offrendo gratuitamente i propri frontier model.

Il prezzo nascosto non deve necessariamente essere un dataset sottratto o un paper finito nel training. Può essere qualcosa di molto meno spettacolare e molto più importante: l’abitudine, l’integrazione, il feedback, la formazione, la costruzione di workflow, la nascita di una comunità scientifica che impara a produrre conoscenza attraverso una determinata infrastruttura.

E naturalmente tutto questo può generare anche enormi benefici per la ricerca, sarebbe assurdo negarlo. Strumenti capaci di accelerare una dimostrazione, analizzare enormi quantità di letteratura o moltiplicare la capacità di esplorare ipotesi possono aumentare enormemente la produttività scientifica.

La questione qui non è impedire che vengano utilizzati, ma evitare che l’accesso alla frontiera si trasformi nell’impossibilità futura di scegliere un’altra frontiera.

Il caso Navier–Stokes che abbiamo visto prima è, da questo punto di vista, emblematico. Quando la stessa azienda che fornisce lo strumento al ricercatore possiede modelli, capacità computazionale e sistemi agentici in grado di lavorare autonomamente sugli stessi problemi, il rapporto non è più soltanto quello tra produttore di software e cliente.

In un certo senso cambia il confine tra infrastruttura e ricerca. E allora la domanda sulla proprietà dei dati rimane essenziale, ma non basta più. Bisogna chiedersi chi controlla gli strumenti attraverso i quali la conoscenza viene prodotta, chi può svilupparli, chi può sostituirli e quali alternative rimangano disponibili per la comunità scientifica. E, soprattutto, se utilizzare lo strumento migliore significa progressivamente non avere più una scelta.

In Italia non partiamo da zero. Abbiamo università, modelli, supercalcolo, competenze, centri di eccellenza, ricerca finanziata con risorse pubbliche. Quello che ancora manca è il passaggio (politico) che trasforma questi asset in un’alternativa istituzionale.