Reflection AI si prepara a pubblicare il suo primo modello open-weight di frontiera, entrando in un terreno nel quale la leadership tecnologica si è spostata in larga misura verso la Cina. La startup statunitense, fondata da ex ricercatori di Google DeepMind e valutata 25 miliardi di dollari, punta però a qualcosa di più ampio della distribuzione dei pesi di un LLM: vuole costruire intorno ai modelli aperti uno stack che comprenda software di personalizzazione, infrastruttura di calcolo e sistemi destinati a imprese e governi.
Secondo le indiscrezioni di Axios, il primo modello, di cui Reflection non ha ancora pubblicato dettagli ulteriori, dovrebbe essere presentato a breve e offrire prestazioni competitive con quelle dei migliori modelli open-weight cinesi. Non dovrebbe invece raggiungere, almeno in questa prima generazione, i sistemi proprietari più avanzati di OpenAI, Anthropic e Google.
La posizione dell’azienda era stata delineata già nell’ottobre 2025, quando Reflection aveva annunciato di aver raccolto 2 miliardi di dollari per costruire quella che definisce “frontier open intelligence”. L’idea di fondo è che la capacità di costruire i sistemi AI più avanzati si stia concentrando in pochi laboratori chiusi, che dispongono del capitale, della capacità di calcolo e dei ricercatori necessari per spostare ulteriormente la frontiera.
Reflection vuole inserirsi in questo spazio con modelli aperti sufficientemente potenti da poter essere scelti non solo perché modificabili o meno costosi, ma anche per le loro capacità.
Reflection ha costruito il proprio stack di training
Dietro il modello in arrivo c’è un’infrastruttura che Reflection sostiene di aver sviluppato internamente nell’ultimo anno. L’azienda descrive una piattaforma di training per grandi LLM e reinforcement learning capace di addestrare modelli Mixture-of-Experts (MoE) su scala frontier.
Il passaggio è rilevante perché colloca Reflection su un piano diverso da quello di molte società che costruiscono prodotti partendo da modelli sviluppati altrove. Il gruppo afferma di aver realizzato direttamente la tecnologia necessaria per il pretraining e il post-training di sistemi molto grandi e di averla già sperimentata nell’autonomous coding. Ora sta estendendo le stesse tecniche al general agentic reasoning, combinando fin dall’origine pretraining su larga scala e reinforcement learning avanzato.
La composizione del gruppo riflette questa ambizione. Reflection riunisce ricercatori che in precedenza hanno lavorato a PaLM, Gemini, AlphaGo, AlphaCode e AlphaProof, oltre a persone provenienti da OpenAI e Character AI. La società è stata fondata da Misha Laskin e Ioannis Antonoglou, entrambi con un passato in Google DeepMind; Antonoglou è stato tra gli ingegneri che hanno lavorato ad AlphaGo.
Il percorso iniziale della società era concentrato proprio sul coding autonomo. Nel marzo 2025 Reflection descriveva la capacità di costruire sistemi autonomi di programmazione come un passaggio verso sistemi capaci di svolgere una gamma molto più ampia di lavoro cognitivo al computer: reasoning e miglioramento iterativo sviluppati per il software avrebbero potuto essere estesi ad altri compiti.
La competizione con la Cina riguarda modelli, chip e software
Il posizionamento diventa più netto nelle parole di Misha Laskin. In un’intervista rilasciata alla CNBC nei mesi scorsi, il CEO ha affermato che “oggi i migliori modelli aperti arrivano dalla Cina”, osservando che anche una parte dell’adozione americana si sta costruendo sopra modelli cinesi. Reflection vuole costituire una controparte statunitense in questo segmento.
Per Laskin, tuttavia, la posta in gioco non coincide soltanto con le prestazioni degli LLM. Nell’intervista definisce i modelli aperti “cavalli di Troia per l’infrastruttura che si portano dietro”: quando un’impresa o un Paese sceglie il modello sul quale costruire i propri sistemi, quella decisione tende a coinvolgere progressivamente anche il software, i chip e gli altri componenti dell’infrastruttura.
“Non riguarda soltanto i modelli, ma l’intero stack e l’intero ecosistema”, sintetizza Laskin parlando della competizione tecnologica fra Stati Uniti e Cina.
È questa lettura a spiegare perché Reflection consideri direttamente concorrenti modelli come quelli sviluppati da DeepSeek e Qwen, mentre OpenAI, Anthropic e Google occupano almeno in parte un mercato differente, costruito principalmente sull’accesso a sistemi proprietari attraverso servizi gestiti e API.
Negli Stati Uniti il quadro sta comunque cambiando: accanto ai grandi laboratori closed sono aumentate le iniziative open-weight e anche OpenAI è tornata su questo terreno. Ma Reflection punta a costruire un laboratorio la cui attività principale sia precisamente quella di mantenere una linea di modelli aperti alla frontiera.
Per governi e imprese, possedere il modello anziché affittarlo
La stessa impostazione determina la strategia commerciale. Reflection non considera il modello aperto semplicemente un prodotto scaricabile, ma il punto di partenza per costruire sistemi sui quali il cliente mantenga controllo operativo e tecnologico.
Laskin spiega la differenza contrapponendo il possesso dell’intelligenza al suo noleggio. Nelle trattative con governi e grandi imprese, sostiene, la disponibilità dei pesi sta diventando una condizione importante perché permette all’organizzazione di conservare il modello, modificarlo ed eseguirlo sulla propria infrastruttura senza dipendere permanentemente dal servizio del produttore.
“Possiedono completamente quel modello, invece di affittarlo”, afferma. Proprio per questo, aggiunge, nelle operazioni di sovereign AI Reflection si trova a competere soprattutto con i modelli open cinesi, più che con i fornitori americani di modelli closed.
Sul proprio sito Reflection articola oggi questa architettura in quattro livelli. Alla base si trova l’open model; segue un open core AI stack, composto dal software open source e dagli strumenti necessari per personalizzare i modelli ed eseguire gli agenti; l’AI factory comprende invece l’infrastruttura fisica e operativa che permette di utilizzare lo stack in produzione; sopra questi livelli vengono costruite applicazioni e integrazioni.
Per le imprese significa poter eseguire e adattare il modello sulla propria infrastruttura o presso partner scelti autonomamente. Per il settore pubblico lo stesso principio assume la forma della sovereign AI, con modelli open-weight installati su infrastrutture nazionali e governati direttamente dall’organizzazione che li utilizza.
Dai National Labs statunitensi al cloud sovrano sudcoreano
Reflection ha già iniziato a costruire rapporti commerciali e istituzionali intorno a questa impostazione, ancora prima di pubblicare il proprio modello frontier.
Negli Stati Uniti l’azienda collabora con il Department of Energy nell’ambito della Genesis Mission e deve fornire il livello di modello AI destinato ai 17 National Laboratories. Il progetto prevede che i laboratori possano adattare i modelli ai propri dati e utilizzare capacità di calcolo distribuita nell’infrastruttura scientifica del Dipartimento dell’Energia.
Reflection indica inoltre Shinsegae come partner per la costruzione di un cloud sovereign AI in Corea del Sud. Entrambi i progetti compaiono oggi tra le applicazioni della strategia open intelligence presentate direttamente dalla società.
È un mercato nel quale la disponibilità dei pesi assume un significato diverso rispetto all’uso individuale di un LLM: il modello può diventare un componente dell’infrastruttura nazionale o aziendale e continuare a funzionare indipendentemente dall’accesso a un servizio esterno.
Una valutazione da 25 miliardi prima del primo modello pubblico
Reflection si trova così in una posizione inconsueta: ha raggiunto una valutazione molto elevata prima di aver pubblicato il modello sul quale poggia gran parte della propria strategia.
Nell’intervista CNBC, Laskin ha confermato la chiusura dell’ultimo round a una valutazione pre-money di 25 miliardi di dollari e l’ingresso di JPMorgan tra gli investitori. Il precedente round da 2 miliardi annunciato nell’ottobre 2025 comprendeva, tra gli altri, Nvidia, Sequoia, Lightspeed, DST, B Capital, Citi ed Eric Schmidt.
Alla CNBC, Laskin ha collegato l’interesse degli investitori ai progressi compiuti internamente sul modello, al gruppo di oltre 150 persone provenienti in parte da altri frontier lab e ai primi accordi commerciali. Alla domanda sulla data di disponibilità non ha però indicato una scadenza precisa, osservando che costruire modelli di questa scala richiede tempo.
L’azienda sostiene inoltre di aver individuato un modello commerciale scalabile compatibile con la propria strategia open, necessario per finanziare in modo continuativo il costo elevato del training di modelli frontier. Nel post con cui ha presentato la strategia non ne ha però descritto nei dettagli il funzionamento.
La struttura dell’offerta suggerisce dove possano trovarsi almeno alcune delle fonti di ricavo: infrastruttura AI, personalizzazione, deployment, integrazione e progetti sovereign possono essere servizi commerciali anche quando i pesi del modello rimangono disponibili apertamente. Reflection non ha tuttavia ancora pubblicato termini economici sufficienti per definire con precisione come questo modello si articolerà.
Open-weight, ricerca pubblicata e software open source
Reflection usa l’espressione open intelligence per indicare un perimetro più ampio della semplice pubblicazione dei pesi.
La società dichiara che renderà disponibili i model weights, pubblicherà la ricerca che descrive i modelli attraverso paper e technical report e distribuirà come open source parte del software necessario per personalizzarli, compresi strumenti e ambienti di reinforcement learning.
La licenza del primo modello non è ancora stata annunciata. Sarà quindi quella a definire quali possibilità concrete avranno sviluppatori e imprese di utilizzare, modificare e ridistribuire i pesi.
La distinzione è rilevante anche terminologicamente. La disponibilità dei pesi rende un modello open-weight, mentre una definizione più ampia di open source AI dipende anche dall’accessibilità degli altri componenti necessari per comprenderne e riprodurne lo sviluppo.
La sicurezza passa dalla possibilità di ispezionare i modelli
L’apertura coinvolge inevitabilmente anche il dibattito sulla sicurezza dei modelli più capaci.
Nel post sulla frontier open intelligence, Reflection sostiene che consentire l’accesso ai sistemi permetta a un numero maggiore di ricercatori di individuarne vulnerabilità, studiare le mitigazioni e verificare indipendentemente il comportamento dei modelli. Allo stesso tempo riconosce che rendere ampiamente disponibili sistemi sempre più potenti introduce nuovi rischi e dichiara di investire in valutazioni prima del rilascio, ricerca contro gli abusi e standard per il deployment responsabile.
Laskin ha ripreso lo stesso argomento alla CNBC. Da una parte, osserva, c’è un modello nel quale l’accesso ai sistemi più avanzati rimane limitato ai safety researcher dei grandi laboratori; dall’altra, un ecosistema nel quale sviluppatori e ricercatori esterni possono analizzare direttamente i modelli e partecipare alla ricerca sulle protezioni. Reflection sceglie esplicitamente questa seconda impostazione.
Il confronto non è soltanto teorico. OpenAI e Anthropic hanno sostenuto a Washington la necessità di considerare i rischi derivanti dalla diffusione dei modelli open-weight cinesi, mentre startup, ricercatori e sostenitori dell’open AI vedono nella disponibilità dei modelli uno strumento per evitare che la frontiera rimanga concentrata in pochi grandi laboratori.
Reflection formula la propria posizione in termini netti: la sicurezza dell’AI, sostiene, non dovrebbe dipendere dalla “sicurezza attraverso l’oscurità”, ma da ricerca rigorosa condotta in modo aperto.
La pubblicazione del primo modello permetterà di verificare quanto questa impostazione riesca a tradursi in tecnologia. I parametri decisivi saranno le prestazioni rispetto ai modelli open-weight cinesi, la licenza, i requisiti di calcolo e gli strumenti realmente messi a disposizione per modificare e distribuire il sistema. Per Reflection, però, la partita è già più ampia: chi conquista il livello dei modelli aperti può influenzare anche l’infrastruttura sulla quale imprese e Paesi costruiranno i propri sistemi AI.
