78 miliardi di parametri, appena 3,46 miliardi attivi, pesi aperti e un modello costruito in Europa per lavorare soprattutto su documenti, industria e amministrazione. Kolibri non porta l’Europa alla frontiera di GPT, Claude e Gemini, suggerisce però che la sovranità tecnologica potrebbe non richiedere di vincere quella gara.

L’Europa non ha necessariamente bisogno di costruire il proprio ChatGPT. Ha bisogno, semmai, di conservare la possibilità di non dipendere sempre da ChatGPT, Claude, Gemini o dai modelli cinesi ogni volta che un’impresa, un’amministrazione pubblica o un’infrastruttura strategica decide di utilizzare l’intelligenza artificiale.

È da questa prospettiva che diventa interessante Kolibri, il nuovo modello presentato il 3 ottobre dalla tedesca Aleph Alpha. Non perché improvvisamente colmi la distanza che separa l’Europa dai frontier lab americani e neppure perché i suoi benchmark consentano di proclamare un improbabile sorpasso tecnologico. Kolibri è interessante perché permette di trasformare una delle parole più utilizzate, e spesso più ambigue, della politica tecnologica europea, “sovranità”, in qualcosa che può essere scomposto, osservato e persino misurato.

Il modello ha 78,1 miliardi di parametri complessivi, ma la sua architettura Mixture-of-Experts ne attiva soltanto 3,46 miliardi per token. Ogni layer dispone di 384 expert, sei dei quali vengono selezionati per ciascun token, oltre a un expert condiviso. Supporta contesti fino a un milione di token, è stato progettato deliberatamente per inglese e tedesco e viene distribuito con i pesi aperti sotto licenza Apache 2.0.

Sono caratteristiche tecniche importanti, ma raccontano soltanto una parte della storia.

La domanda più interessante è che cosa accade quando Kolibri viene inserito nella catena industriale dell’AI in Europa.

Sovranità non significa autarchia

Il dibattito europeo sull’intelligenza artificiale ha spesso oscillato fra due estremi. Da una parte c’è l’idea che per essere tecnologicamente sovrana l’Europa debba costruire un equivalente di OpenAI, Google o Anthropic e competere sulla frontiera assoluta dei modelli. Dall’altra c’è una sorta di rassegnazione industriale: poiché capitali, infrastrutture e capacità di calcolo americani sono difficilmente replicabili, l’Europa dovrebbe utilizzare tecnologie sviluppate altrove e concentrarsi soprattutto sulle regole che ne governano l’impiego.

Kolibri suggerisce che tra queste due posizioni esista uno spazio molto più grande.

Aleph Alpha ha costruito da zero un foundation model europeo, controllando la pipeline che porta dai dati al training, dal modello al post-training e alle valutazioni. L’addestramento è avvenuto su infrastrutture in Germania e Finlandia e l’azienda presenta esplicitamente questa condizione, insieme alla possibilità per il cliente di utilizzare autonomamente i pesi, come elemento della propria idea di “Sovereign AI”.

Questo non significa però che Kolibri sia tecnologicamente autosufficiente. Nella costruzione dei dataset sono stati utilizzati anche modelli esterni: Gemma per parte della rielaborazione del materiale inglese, Mistral-NeMo per quello tedesco e Qwen3-32B per attività di classificazione e filtraggio.

Soprattutto, il training è stato eseguito utilizzando 768 GPU Nvidia B200.

La sovranità di Kolibri può essere letta lungo l’intera catena tecnologica che porta dai dati al training, dal modello ai suoi pesi e al deployment, fino alla capacità di calcolo e ai chip. È proprio seguendo questa catena che emerge una situazione meno netta di quanto suggerisca l’etichetta di “AI sovrana”: nella parte centrale il controllo europeo è significativo, mentre avvicinandosi all’infrastruttura fisica e all’hardware la dipendenza da tecnologie esterne torna evidente.

Non è una contraddizione ed è forse proprio questo il punto, perché sovranità tecnologica e autarchia tecnologica non sono la stessa cosa.

Un’amministrazione europea che utilizza esclusivamente un modello proprietario attraverso un’API esterna dipende dal fornitore per il modello, per il servizio, per le condizioni di accesso e per la continuità della piattaforma. Se la stessa amministrazione può eseguire Kolibri sulla propria infrastruttura, continua eventualmente a dipendere da Nvidia per i chip, ma non dipende più da un fornitore esterno per poter continuare a utilizzare quel modello.

La dipendenza non scompare, si riduce la sua superficie e, soprattutto, si separano i punti nei quali essa si concentra.

È una definizione di sovranità molto meno assoluta, ma probabilmente anche più utile.

Non è il modello che deve battere GPT-5

Questo permette anche di mettere nella giusta prospettiva i benchmark. Kolibri non è stato costruito per dimostrare di essere migliore dei grandi modelli proprietari di OpenAI, Google o Anthropic. Il confronto proposto da Aleph Alpha riguarda soprattutto modelli open-weight caratterizzati da un numero relativamente contenuto di parametri attivi, come Qwen, Nemotron, Mistral, GLM e GPT-OSS.

E neppure all’interno di questa categoria Kolibri domina qualsiasi confronto. Nei benchmark pubblicati da Aleph Alpha al momento del lancio, il modello ottiene un punteggio complessivo intorno a 75 in inglese e 71 in tedesco, sostanzialmente in linea o leggermente superiore a Qwen3.5 35B-A3B, che appartiene alla stessa fascia per numero di parametri attivi. Un modello dense molto più grande come Qwen3.8 27B raggiunge invece circa 80 punti in entrambe le lingue, ma il confronto va letto anche alla luce del diverso fabbisogno computazionale: Kolibri attiva 3,46 miliardi di parametri per token, mentre Qwen3.8 ne utilizza 27 miliardi, circa 7,8 volte di più.

Alcuni risultati specifici sono particolarmente forti. Su AIME 2025, benchmark di ragionamento matematico, Aleph Alpha riporta per Kolibri 96,9 in inglese e 87,5 in tedesco. Il modello mostra risultati interessanti anche nelle valutazioni costruite dalla stessa Aleph Alpha su attività basate su documenti non presenti nel training e ispirate a casi d’uso industriali — tra cui semiconduttori, automotive, aerospace e settore pubblico tedesco — dove nella valutazione in inglese raggiunge 89,7 contro 87,0 di Qwen3.5 35B-A3B. Quest’ultimo dato va però distinto dai benchmark standardizzati: si tratta di test proprietari del produttore e quindi particolarmente coerenti con gli ambiti per i quali Kolibri è stato progettato.

Tutti questi risultati vanno comunque considerati per quello che sono: benchmark pubblicati dal produttore nelle ore immediatamente successive al rilascio, che dovranno essere confrontati con valutazioni indipendenti e, soprattutto, con l’utilizzo reale del modello. Più che dimostrare una superiorità assoluta, suggeriscono però con una certa chiarezza la strategia seguita da Aleph Alpha: non massimizzare la capacità del modello a qualunque costo, ma cercare un punto competitivo tra performance, specializzazione e quantità di compute necessaria per utilizzarlo.

Per l’Europa potrebbe essere una distinzione decisiva.

L’AI europea potrebbe trovarsi nelle fabbriche, non nei chatbot

C’è infatti un elemento che collega Kolibri a una questione industriale più ampia. Mistral AI ha scelto Monaco per rafforzare la propria presenza in Germania e avvicinarsi direttamente al cuore dell’industria tedesca. Aleph Alpha costruisce Kolibri intorno a casi d’uso che comprendono pubblica amministrazione, semiconduttori, aerospace, automotive e tecnologie industriali.

Non sembra una coincidenza.

Come abbiamo osservato anche analizzando quello che abbiamo definito “effetto mosaico”, uno degli asset più difficili da replicare dell’Europa non è necessariamente la capacità di costruire il più grande modello generalista del mondo ma l’enorme quantità di conoscenza industriale accumulata attorno alla manifattura, distribuita tra aziende, filiere, fornitori, centri di ricerca, documentazione tecnica, brevetti, procedure, standard e competenze specialistiche.

Automotive tedesco, aerospace franco-europeo, meccanica e automazione italiane e tedesche, farmaceutica, energia, banche, assicurazioni, pubbliche amministrazioni: gran parte di questo patrimonio non si trova liberamente sul web. È tutto custodito nei documenti e nei processi delle organizzazioni che lo hanno prodotto.

Da questo punto di vista, alcune caratteristiche apparentemente tecniche di Kolibri assumono allora un significato diverso.

Il modello è relativamente debole quando deve rispondere affidandosi soltanto alla conoscenza memorizzata durante l’addestramento: nei test closed-book riportati nel materiale tecnico è ultimo fra i dodici modelli confrontati. Migliora invece sensibilmente quando può lavorare sui documenti forniti nel contesto. Per un assistente generalista può essere un limite, per una banca, un ministero o un produttore industriale può invece essere esattamente il compromesso desiderato.

Il tedesco non è una lingua come le altre

Kolibri introduce poi un’altra dimensione della sovranità che nel dibattito sull’AI viene spesso trascurata: quella linguistica.

Il 21,3% dei dati di pre-training è tedesco e il tokenizer da 128.000 token è stato progettato anche per affrontare più efficientemente la struttura della lingua tedesca. Secondo Aleph Alpha utilizza l’11,2% di token in meno rispetto al tokenizer preso come riferimento per GPT-5 sul testo tedesco e un test indipendente sulla Legge fondamentale tedesca ha misurato un vantaggio nell’ordine del 15%.

Kolibri è stato inoltre addestrato a effettuare il reasoning direttamente in tedesco quando riceve prompt in tedesco, anziché utilizzare implicitamente l’inglese come lingua intermedia.

Anche questa è sovranità, ma apre immediatamente un problema molto europeo: l’italiano? Il francese? Lo spagnolo? Il polacco?

Aleph Alpha dichiara esplicitamente di aver scelto inglese e tedesco secondo una logica di “depth over breadth”, profondità invece di ampiezza. È una scelta industrialmente comprensibile e probabilmente una delle ragioni per cui il modello riesce a essere competitivo nel proprio campo.

Ma l’Unione europea ha 24 lingue ufficiali.

La conseguenza non può essere che la Germania abbia il proprio modello sovrano, la Francia un altro, l’Italia un altro ancora e così via, costruendo venti o più stack tecnologici separati.

A questo punto una delle domande più importanti sollevate dal progetto è: ma dobbiamo davvero costruire venti Kolibri?

Forse l’asset non è Kolibri

La risposta potrebbe trovarsi un livello più in alto. Aleph Alpha non ha sviluppato soltanto il modello, ha costruito una propria Model Factory, cioè una pipeline industrializzata che comprende ingestione e gestione dei dati, sperimentazione, training, valutazione e deployment.

Se guardiamo Kolibri esclusivamente come prodotto, abbiamo un buon modello tedesco-inglese che dovrà dimostrare sul mercato di essere adottato abbastanza da costruire un ecosistema.

Se lo guardiamo invece come risultato di una capacità produttiva, la prospettiva cambia.

L’obiettivo europeo potrebbe non essere avere un modello europeo, ma possedere la capacità di produrre modelli europei specializzati per lingua, industria, amministrazione o dominio, costruiti sopra infrastrutture condivise e senza dover ricominciare ogni volta da zero.

A quel punto l’Italia non avrebbe necessariamente bisogno del proprio equivalente nazionale di OpenAI. Potrebbe avere bisogno della capacità di costruire e mantenere modelli profondamente italiani dove la lingua e la conoscenza locale contano, utilizzando una base industriale e computazionale europea comune.

È una differenza sostanziale.

Stati Uniti, Cina, Europa: tre possibili modelli industriali

Vista da questa prospettiva, la competizione globale nell’AI assume una forma meno lineare.

Gli Stati Uniti hanno costruito la leadership nella frontiera proprietaria attraverso una combinazione difficilmente replicabile di hyperscaler, semiconduttori, cloud, capitale e grandi laboratori.

La Cina ha dimostrato di poter sviluppare un ecosistema open-weight estremamente competitivo, capace di comprimere rapidamente la distanza tecnologica e di distribuire modelli potenti a costi relativamente bassi.

L’Europa potrebbe non riuscire, e forse non avere interesse, a replicare integralmente né l’uno né l’altro modello.

Potrebbe però provare a costruirne un terzo: modelli controllabili, efficienti, aperti, profondamente adattati alle lingue europee e collegati alla conoscenza industriale e istituzionale del continente.

Non sappiamo ancora se questa strategia possa funzionare. Kolibri è appena stato pubblicato, i benchmark indipendenti devono arrivare, l’ecosistema di deployment è ancora limitato e l’hardware continua a dipendere in larga parte dalla tecnologia americana. Il modello stesso richiede circa 78 GB di memoria per i pesi e non è certo qualcosa che possa essere eseguito su un normale computer personale.

Ma la domanda che pone è ormai più interessante della classifica dei benchmark.

La sovranità è anche la possibilità di scegliere le proprie dipendenze

Forse il contributo più utile di Kolibri alla discussione europea consiste proprio nel rendere evidente che la sovranità tecnologica non è un interruttore.

Non esistono soltanto due condizioni, dipendenza o indipendenza. Si può controllare il modello senza controllare il chip, si possono possedere i pesi continuando a dipendere da Nvidia, si può addestrare in Europa utilizzando strumenti sviluppati altrove e si possono mantenere i dati all’interno di un ministero senza possedere l’intera filiera dei semiconduttori.

La questione strategica diventa allora decidere quali dipendenze sono accettabili, quali devono essere diversificate e quali capacità non possono essere cedute senza perdere autonomia.

Kolibri non rende l’Europa indipendente dall’intelligenza artificiale americana o cinese e non colma il divario con la frontiera dei modelli più avanzati. Fa però qualcosa di forse più utile: mostra che almeno una parte di quella dipendenza può essere trasformata da necessità in scelta.

Ed è possibile che la sovranità tecnologica europea cominci esattamente da qui.

.

→ Per approfondimenti sul modello: https://aleph-alpha.com/downloads/tech-report.pdf