Il 16 luglio 2026, Moonshot AI lancia Kimi K3. Dietro l'ennesimo nome di modello si cela un fatto che merita l'attenzione di una direzione tecnica: un modello open-weights, di livello frontier, il cui fornitore dichiara circa 2.800 miliardi di parametri, un contesto da un milione di token e il rilascio dei pesi prima del 27 luglio. Una capacità un tempo ritenuta riservata ai giganti proprietari (Anthropic, OpenAI, Google) diventa disponibile in open weights, a prezzo scontato, da un laboratorio cinese. SFEIR — partner di Anthropic e Google Cloud, "senza alcun interesse a sopravvalutare un modello cinese" — propone una lettura prudente, orientata all'ingegneria.
Una riserva fin dall'inizio: al lancio, nessuna tabella di benchmark ufficiale e completa. Le specifiche (Kimi Delta Attention, attenzione lineare ibrida, decodifica dichiarata 6,3 volte più veloce a 1M di token, +25% di efficienza di addestramento) sono dichiarate dal fornitore; i punteggi provengono da arene comunitarie. Da trattare come affermazioni, non come fatti. La regola non cambia: un punteggio d'arena è un segnale, non una prova; l'unica misurazione che conta è quella eseguita sui propri repository.
Il prezzo è la vera arma. Secondo le prime recensioni (da riverificare): ~3$/M in ingresso, 15$ in uscita, 0,30$ in cache. Più caro di K2.7 Code, ma aggressivo per questa categoria. Un modello open-weights di livello frontier a questo livello trascina verso il basso l'intera curva prezzo-prestazioni: la commodizzazione del livello modello, accelerata dall'open source.
Ma la singolarità decisiva non è un punteggio: è la reversibilità. Un modello proprietario si consuma (API, dipendenza dal fornitore). Un modello open-weights si recupera come opzione: eseguirlo, portarlo altrove, smettere di essere vincolati — al prezzo di un'infrastruttura pesante per 2,8T di parametri. Kimi si affianca a GLM 5.2 (Z.ai) su questo terreno e ne alza il tetto.
"Dobbiamo migrare?" è la domanda sbagliata. Kimi K3 non sostituisce né Claude né GPT-5.6: si aggiunge al portafoglio. La postura corretta è l'instradamento multi-modello — "un modello per compito, un modello per vincolo" — a cui un modello open-weights di livello frontier credibile aggiunge una colonna "reversibilità".
Il punto di vista di SFEIR: l'open-weights cambia la domanda, non solo la risposta — non più "quale modello è il migliore/il più economico?" ma "quanta parte del mio sistema sono disposto a rendere dipendente da un fornitore che non controllo?". Il modello è una commodity; il vantaggio duraturo risiede nell'ingegneria che lo circonda (Context Engineering, harness, governance dei costi). "La sovranità tecnica si progetta." Le cifre restano da validare sui propri sistemi.