L’open source non può competere con i dati di CrowdStrike e Google

L’addestramento AI si basa sui dati proprietari: CrowdStrike usa 15 anni di telemetria, Google un miliardo di utenti.

La scorsa settimana uno studente di Bologna ha aperto Google Search sul telefono per ripassare per il SAT. Non ha trovato solo risultati: ha trovato i quiz di pratica per SAT, ACT, GRE e LSAT direttamente nella pagina dei risultati. Ha fatto tre simulazioni, ha sbagliato le domande sulle analogie, e nel frattempo l’algoritmo ha imparato quali argomenti mostrargli il giorno dopo. È la promessa di la personalizzazione su Search, Discover e News annunciata da Google il 20 agosto 2026.

Ma dietro quella comodità c’è una partita più profonda: chi possiede i dati che addestrano l’intelligenza artificiale specializzata.

Due annunci apparentemente lontani, arrivati a distanza di poche settimane, raccontano la stessa verità. Da una parte CrowdStrike presenta SafeMind con NVIDIA. Dall’altra Google aggiorna Gemini e Search. In entrambi i casi il messaggio è identico: il modello è quasi una commodity, il vero vantaggio è il dataset.

Il privilegio di chi osserva da quindici anni

Pensiamo a un analista di sicurezza che ogni mattina apre la console di CrowdStrike. Non vede un assistente generico che risponde a domande universali. Vede un sistema che ha imparato da i quindici anni di dati di sicurezza raccolti da migliaia di organizzazioni clienti che generano i trilioni di eventi di sicurezza giornalieri. George Kurtz, CEO di CrowdStrike, lo ha detto senza giri di parole: non è un copilot inserito nell’intelligenza di qualcun altro, non è una chatbot con la pelle della sicurezza. È il modello frontier-class di CrowdStrike costruito sui propri dati in partnership con NVIDIA.

Qui sta il punto. SafeMind non parte da zero. Usa i modelli aperti Nemotron di NVIDIA, poi li post-addestra con l’esperienza cyber e le minacce raccolte in quindici anni. Il risultato si chiama Blue Solano, basato su Nemotron 3 Super. Le valutazioni interne parlano chiaro: il modello Blue Solano offre tassi di accuratezza più elevati dei modelli frontier leader a un costo inferiore del 99%. Non è un dettaglio tecnico. È la differenza tra uno strumento che un’azienda può permettersi e uno che rimane una demo.

Jensen Huang lo ha messo in prospettiva: la capacità di fare fine-tuning e post-training è ciò che crea un’intelligenza artificiale super specializzata in un dominio. E ha indicato i modelli Nemotron come lo strumento per farlo. Ma la risorsa che non si può scaricare da GitHub è un’altra: la comunità di esperti di cybersecurity che vuole collaborare per tenere il mondo al sicuro. Kurtz la chiama “la folla” e la definisce l’asimmetria che mette i difensori in una posizione unica. È la folla di CrowdStrike a creare il vantaggio, non l’architettura del modello.

La risposta dell’open source parte da un microfono

Se il vantaggio sono i dati proprietari, cosa resta a chi non ha quindici anni di telemetria o un miliardo di utenti? La risposta arriva da Hugging Face. Qualcuno ha deciso di costruire un dataset che non dipende da una singola azienda, ma da una lingua parlata da l’hindi, cioè più di mezzo miliardo di persone. Il progetto si chiama Monsoon e rappresenta il primo ingresso del Global South nell’Open ASR Leaderboard.

Monsoon non è una raccolta casuale. È costruito per variare lungo i nove assi di variazione: geografia, età, genere, vocabolario, dispositivi, ambienti acustici, tipo di parlato, velocità e presenza di trascrizioni multiple valide. I quattro split sono speaker-disjoint e comprendono. Per ogni parlante sono stati registrati i 12 attributi del parlante. Questo livello di dettaglio è raro anche nei dataset commerciali. E serve a evitare che un modello impari a riconoscere solo la voce di un giovane uomo di Delhi con un microfono costoso.

Ma c’è un dato che fa riflettere: i dieci maggiori contributori rappresentano tra il 2,8% e il 6,8% della durata totale, e più della metà dei parlanti appare esattamente una volta. È la distribuzione dei contributi di Monsoon. Significa che nessun singolo attore domina il dataset. È una scelta politica, non solo tecnica. L’open source non può competere sulla quantità di telemetria di CrowdStrike o di Google. Può competere sulla diversità e sulla trasparenza.

Cosa succede quando un miliardo di persone allena il tuo feed

Google non ha bisogno di un dataset chiamato Monsoon. Ha qualcosa di più silenzioso: l’uso quotidiano di miliardi di persone. Con l’ultima ondata di annunci, la soglia di un miliardo di utenti mensili per l’app Gemini è stata superata. Ogni domanda, ogni riepilogo, ogni richiesta vocale diventa un segnale per migliorare il servizio. E Google ha iniziato a restituire questo valore sotto forma di strumenti personali: le novità di Gemini Live come Personal Intelligence, Daily Brief, Spark e la gestione della posta a mani libere. Nel frattempo, agli studenti universitari idonei viene offerto l’offerta di un anno gratuito di un piano Google AI.

L’entusiasmo è legittimo. Ma il rovescio della medaglia è la privacy. Un feed che si personalizza su Search, Discover e News è anche un feed che sa molto di te. La comodità di avere quiz di pratica sul SAT e una casella di posta gestita a mani libere si paga con un flusso costante di dati comportamentali. Non è necessariamente un problema: è un contratto implicito. Google offre servizi gratuiti o scontati in cambio di dati che rendono i suoi modelli più bravi. CrowdStrike fa lo stesso con la sicurezza: le aziende clienti contribuiscono con la loro telemetria e ricevono in cambio una difesa più aggressiva.

Il punto non è se questo scambio sia giusto o sbagliato. È che il vero fossato competitivo non è più l’algoritmo. È il flusso continuo di dati proprietari, massivi e di alta qualità. CrowdStrike ce l’ha. Google ce l’ha. L’open source sta provando a costruirselo con Monsoon, un microfono alla volta, una lingua alla volta. La prossima partita non si giocherà su chi ha il parametro più grande. Si giocherà su chi ha il dataset che nessun altro può replicare. E da quel punto di vista, SafeMind e Gemini hanno già segnato il primo gol.