L’ennesimo giocattolo di Zuckerberg travestito da rivoluzione open
Meta annuncia Muse Glimmer, un modello linguistico da 30 miliardi di parametri ottimizzato per agenti sempre attivi in locale. Traduzione dal marketing: un altro tentativo di infilare l’AI proprietaria di Big Tech in ogni angolo della vita quotidiana, stavolta con la scusa del “local” e dell'”open”. Ma quanto è davvero aperto un modello che richiede hardware da data center per girare decentemente? E chi controlla davvero il flusso di dati quando l’agente è “always-on”?
La retorica è ormai familiare: democratizzare l’accesso all’AI, potenziare gli sviluppatori, abilitare nuovi casi d’uso. Ma dietro il linguaggio inclusivo si nasconde la stessa logica di estrazione: raccogliere comportamenti, affinare profili, creare dipendenza dagli ecosistemi proprietari. Muse Glimmer non sfida il paradigma della sorveglianza algoritmica, lo raffina.
Quando il “local” diventa una trappola di sorveglianza domestica
L’angolazione “always-on local” è particolarmente insidiosa. Promette privacy perché i dati non lascerebbero il dispositivo, ma in realtà apre la porta a un monitoraggio costante e pervasive. Immagina un agente AI che ascolta continuamente in casa, ottimizzato per anticipare bisogni, suggerire acquisti, modificare comportamenti. Non è assistenza: è conditioning comportamentale 24/7.
E poi c’è la questione dell’hardware. Girare un modello da 30B parametri in locale non è alla portata di nessuno. Serve un PC da gaming di fascia alta, o meglio ancora un workstation professionale. Questo non è democratizzazione: è un nuovo divario digitale, dove solo chi può permettersi l’infrastruttura adeguata può partecipare pienamente all’ecosistema “aperto”. Gli altri? Rimangono spettatori, o peggio, fonte di dati non compensati.
“L’illusione del locale è pericolosa: confonde la residenza fisica dei dati con il controllo effettivo su di essi. Quando l’agente è sempre attivo, impara costantemente, e quel sapere finisce comunque per tornare alla madre nave attraverso aggiornamenti, telemetria o semplici effetti di rete.”
— Luisa Rossi, ricercatrice indipendente su AI e diritti digitali
Open washing su scala industriale: quando l’open source serve a legittimare il chiuso
Meta presenta Muse Glimmer come “open”, ma quali sono davvero le condizioni? La licenza permette l’uso, la modifica, la redistribuzione? O ci sono clausole che vietano l’uso militare, o che richiedono la condivisione di migliorie solo sotto certe condizioni? La storia recente ci insegna che il “open” di Big Tech spesso è una facciata: accesso limitato, diritti d’uso ristretti, obblighi nascosti.
Inoltre, un modello così grande non nasce dal nulla. È addestrato su petabyte di dati, probabilmente raccolti dalle piattaforme Meta (Facebook, Instagram, WhatsApp) e da altri fonti poco trasparenti. Chi ha prodotto quei dati? Gli utenti, senza consenso informato né compenso. L’open source del modello non cancella il peccato originale dell’estrazione di dati non consensuale.
E poi c’è l’elefante nella stanza: il finanziamento. Quanto di questo progetto è sovvenzionato direttamente o indirettamente da contratti militari o di intelligence? La storia dell’AI statunitense è intrecciata con il Pentagono e le agenzie di sorveglianza. Ignorare questo legame significa ripetere l’errore di considerare la tecnologia come neutra, quando è intrinsecamente politica.
Agenti AI e lavoro: chi comanda quando l’assistente non si spegne mai?
Gli “agent workflows” promessi da Muse Glimmer sollevano questioni fondamentali sul futuro del lavoro. Immaginiamo assistenti AI che gestiscono email, pianificano riunioni, redigono documenti, sempre attivi, sempre pronti a intervenire. Efficienza? Forse. Ma a quale costo?
Quando l’agente è sempre presente, il confine tra lavoro e vita privata si dissolve ulteriormente. Il diritto alla disconnessione diventa una barzelletta. Inoltre, chi addestra questi agenti sui flussi di lavoro specifici? Probabilmente i lavoratori stessi, attraverso il loro comportamento, senza che ciò venga riconosciuto come lavoro intellettuale né compensato.
E poi c’è il rischio di deskilling: se l’AI anticipa continuamente i nostri bisogni e prende decisioni per noi, quali capacità cognitive atrofizziamo? Non stiamo semplicemente delegando compiti; stiamo esternalizzare il pensiero stesso.
Alternative reali: quando l’open source è davvero dal basso
Contro questo modello di AI centralizzata e sempre attiva esistono alternative genuine. Progetti come OLMo di Allen AI, o Falcon di TII, offrono modelli grandi con licenze realmente permissive. Ma la vera alternativa non è solo tecnica: è politica.
Immaginiamo comunità locali che addestrano modelli su dati propri, per scopi collettivi, con governance trasparente. Reti di piccoli server domestici che condividono capacità di calcolo in mutuo aiuto. Agenti AI progettati per servire il bene comune, non per ottimizzare l’engagement o prevedere i comportamenti di consumo.
Questo richiede più di semplici rilasci di codice: richiede infrastrutture comunitarie, formazione diffusa, rifiuto della logica del profitto applicata alla conoscenza. È difficile, ma è l’unica strada che non porta direttamente a nuove forme di controllo algoritmico.
Conclusioni: diffidare dei doni di Meta, soprattutto quando sembrano troppo belli per essere veri
Muse Glimmer non è un regalo alla comunità open source. È un avanzamento strategico nel lungo gioco di Meta per dominare l’infrastruttura dell’AI quotidiana. Dietro la maschera del “local” e dell'”open” si nasconde la stessa ambizione: rendere indispensabile la propria tecnologia, creare dipendenza, estrarre valore dai comportamenti umani.
La vera sovranità tecnologica non si ottiene adottando modelli grandi rilasciati da corporation sotto licenze controllate. Si costruisce prendendo il controllo dei dati, delle infrastrutture, dei processi decisionali. Significa dire no agli agenti sempre attivi che promettono comodità in cambio di autonomia. Significa scegliere la difficoltà dell’autogestione reale rispetto alla facilità della dipendenza ben mascherata.
La prossima volta che senti parlare di AI “aperta” e “locale”, chiediti: chi ha davvero il potere di decidere cosa fa questo modello? Chi ne trae profitto? E quali alternative dal basso esistono già, anche se meno urlate?