Costruire in casa (o in ufficio) una macchina in grado di far girare l’intelligenza artificiale non è più fantascienza per addetti ai lavori: è una domanda che si pongono sempre più professionisti, creativi e piccole aziende. Ma quali componenti servono davvero? Meglio un Mac o un PC Windows? E quanto bisogna investire? In questo articolo rispondiamo a tutte queste domande, partendo dal nostro ultimo video dedicato proprio a questo argomento.

Oppure guardalo su YouTube

Perché sempre più persone vogliono un’AI in locale

Fino a poco tempo fa, “usare l’intelligenza artificiale” significava quasi esclusivamente aprire un browser e affidarsi a un servizio cloud. Oggi, invece, sempre più utenti — dai semplici appassionati ai professionisti di grafica, video editing e sviluppo software — vogliono poter far girare modelli di intelligenza artificiale direttamente sul proprio computer, senza dipendere da abbonamenti, connessioni internet o limiti di utilizzo imposti da terzi.

Le ragioni sono diverse: maggiore privacy sui dati elaborati, nessun costo ricorrente, libertà di personalizzazione e, non da ultimo, la possibilità di continuare a lavorare anche offline. Ma per ottenere tutto questo serve una macchina progettata bene, e capire come sceglierla è il primo passo.

Training e inferenza: la distinzione da cui partire

Prima di parlare di hardware, è fondamentale chiarire un concetto: quando si parla di “far girare l’AI” in casa, non si intende affatto addestrare un modello da zero. Esistono infatti due operazioni completamente diverse che riguardano l’intelligenza artificiale.

Il training: il lavoro (immane) delle big tech

Il training è la fase di addestramento vera e propria, quella in cui un modello “impara” analizzando enormi quantità di dati. È un processo estremamente complesso, sia a livello di software che di risorse hardware: richiede data center enormi, migliaia di GPU collegate tra loro e sistemi di raffreddamento avanzatissimi. È un’operazione riservata alle grandi aziende tecnologiche e, ad oggi, resta impensabile realizzarla in ambito domestico o anche aziendale su piccola scala.

L’inferenza: quello che puoi fare anche tu

L’inferenza, invece, è l’utilizzo pratico di un modello già addestrato: è ciò che accade ogni volta che scrivi un prompt e ricevi una risposta. Il “cervello” del modello è già pronto, e il computer deve semplicemente farlo “ragionare” per generare un output. Questo comporta comunque un costo computazionale, ma decisamente più abbordabile rispetto al training — ed è proprio l’inferenza locale l’obiettivo di chi vuole costruire una macchina per l’AI in casa o in ufficio.

A cosa serve davvero un’AI in locale

Gli utilizzi più diffusi dell’inferenza locale riguardano principalmente due ambiti:

• Generazione e modifica di immagini e video: plugin intelligenti applicati a foto e video editing, con risultati molto più avanzati rispetto ai tradizionali strumenti procedurali.
• Chatbot e modelli linguistici (LLM): assistenti virtuali per scrivere testi, revisionare documenti, ricevere consigli professionali o semplicemente conversare, in totale autonomia e senza inviare dati a server esterni.

Per un’azienda, questo significa anche poter integrare l’AI nei propri flussi di lavoro mantenendo il pieno controllo sui dati sensibili, un aspetto sempre più rilevante man mano che questi strumenti diventano parte integrante dell’operatività quotidiana.

I componenti chiave di una macchina per l’AI

Una volta chiarito l’obiettivo, entriamo nel vivo: come deve essere strutturato un computer pensato per l’inferenza locale?

GPU vs CPU: perché il calcolo parallelo vince

Il componente che fa davvero la differenza non è il processore (CPU), ma la scheda video (GPU). Il motivo è semplice: le GPU sono progettate per eseguire un’enorme quantità di piccoli calcoli in parallelo, grazie alla presenza di moltissimi core. I processori, al contrario, gestiscono un numero di core molto più limitato, ottimizzato per calcoli sequenziali. Le operazioni matriciali richieste dai modelli di intelligenza artificiale sono esattamente il tipo di calcolo in cui il parallelismo delle GPU eccelle, ed è per questo che rappresentano il vero motore di qualunque macchina per l’AI.

RAM e VRAM: la vera discriminante

I modelli di intelligenza artificiale sono composti da parametri — l’equivalente dei “neuroni” della rete — che possono arrivare a diversi miliardi. Più un modello è complesso, maggiore sarà la memoria necessaria per caricarlo interamente. La quantità di byte assegnata a ciascun parametro (la cosiddetta “precisione” o “quantizzazione”) incide poi in modo sensibile sul peso complessivo in memoria.

Come regola generale, per iniziare a lavorare in modo decente con modelli di dimensioni contenute (pochi miliardi di parametri) servono almeno 16 GB di RAM/VRAM. Al crescere della complessità del modello, cresce proporzionalmente anche la memoria necessaria.

Perché conta la velocità di accesso alla memoria

Non basta avere “abbastanza” memoria: è fondamentale che risieda, per quanto possibile, direttamente nella scheda video. Se il modello non entra completamente in VRAM, il sistema deve andare a “pescare” i dati mancanti nella RAM di sistema, con un accesso molto più lento — un po’ come il rallentamento che si avverte quando un computer esaurisce la RAM e inizia a usare lo spazio di swap sul disco. Questo collo di bottiglia è spesso il vero limite delle prestazioni, più della potenza di calcolo pura della GPU.

Mac vs PC: due filosofie a confronto

Una volta stabilito che servono GPU potenti e molta memoria ad accesso rapido, la vera domanda diventa: meglio un Mac o un PC Windows? Le due piattaforme affrontano il problema in modo radicalmente diverso.

La strada Apple: memoria unificata e Mac Studio

Il Mac Studio, in particolare nelle configurazioni con chip Ultra, è diventato una delle scelte più richieste per l’AI in locale. Il motivo è l’architettura a memoria unificata: CPU e GPU condividono lo stesso pool di RAM ad alta larghezza di banda, evitando la necessità di duplicare i dati e riducendo i colli di bottiglia. Questo permette di avere grandi quantità di memoria “vicina” alla GPU, anche se con una velocità di accesso comunque inferiore rispetto alle soluzioni con VRAM dedicata di fascia professionale.

È importante fare un aggiornamento rispetto a quanto si legge spesso online: al lancio, il Mac Studio con chip M3 Ultra offriva una configurazione fino a 512 GB di memoria unificata, presentata da Apple come il valore più alto mai raggiunto su un personal computer, sufficiente a caricare interamente modelli linguistici con oltre 600 miliardi di parametri. A causa della crisi globale delle memorie DRAM, che ha colpito l’intera filiera tecnologica, questa configurazione è stata però rimossa dal configuratore ufficiale Apple nel 2026: al momento, il tetto massimo disponibile per il Mac Studio è di 256 GB di memoria unificata, comunque il più alto raggiungibile su qualunque Mac in commercio. Prima di affidarti a informazioni trovate online, verifica sempre la configurazione realmente disponibile al momento dell’acquisto.

La strada Windows: GPU dedicate e modularità

Sul fronte Windows, la memoria disponibile per l’AI corrisponde alla somma della VRAM delle schede video installate: se monti più GPU, sommi la loro memoria dedicata. Le GPU consumer di fascia alta, come le NVIDIA GeForce RTX serie 50, offrono oggi fino a 32 GB di VRAM GDDR7 sul modello top di gamma, mentre le versioni di fascia media si fermano generalmente a 16 GB. Per workload professionali più intensi esistono poi le linee workstation, pensate specificamente per carichi di calcolo e inferenza AI, con memorie e prestazioni superiori.

Il grande vantaggio del PC è la modularità: i componenti possono essere cambiati, aggiornati o espansi in qualsiasi momento, cosa che sui Mac — dotati di componenti saldati alla scheda madre — non è possibile. Chi sceglie un PC deve mettere in conto un accesso alla memoria più veloce rispetto alla memoria unificata Apple, a fronte però di un investimento generalmente più alto per raggiungere lo stesso quantitativo complessivo di memoria.

Quanto budget serve? Configurazioni per ogni esigenza

Vediamo ora, in pratica, come orientarsi in base al proprio livello di utilizzo e al budget disponibile.

Setup entry-level: iniziare senza spendere una fortuna

Per chi vuole semplicemente prendere confidenza con l’AI locale — generare piccoli testi, sperimentare con un chatbot personale, provare un modello leggero da qualche miliardo di parametri — basta una GPU con almeno 16 GB di VRAM. Non serve necessariamente l’ultimo modello sul mercato: anche una scheda video di generazione precedente, se dotata di memoria sufficiente, è perfettamente adatta a questo scopo. È il modo più economico per iniziare a “farsi le ossa” con l’inferenza locale.

Setup intermedio: modelli come DeepSeek

Chi vuole fare un salto di qualità inizia a guardare a modelli più complessi, come le famiglie DeepSeek, particolarmente apprezzate per l’ottimo rapporto tra prestazioni e risorse richieste. È importante però fare chiarezza: il modello DeepSeek completo (con centinaia di miliardi di parametri) richiede centinaia di GB di memoria e infrastrutture di livello server, del tutto fuori portata per un utilizzo domestico. Ciò che si può realisticamente far girare in locale sono le versioni distillate o quantizzate di questi modelli (nell’ordine dei 7-70 miliardi di parametri), che offrono comunque prestazioni notevoli con requisiti hardware molto più contenuti, generalmente tra i 24 e i 64 GB di memoria dedicata.

Setup professionale: verso i 128 GB e oltre

Per un utilizzo professionale serio, l’obiettivo diventa avvicinarsi ai 128 GB di memoria, sia che si scelga la strada Mac che quella PC. Su Mac significa orientarsi su configurazioni Studio di fascia alta; su Windows significa mettere insieme più GPU dedicate fino a raggiungere lo stesso quantitativo complessivo. In questa fascia di utilizzo si entra nel territorio delle vere e proprie workstation professionali, pensate per gestire carichi di lavoro complessi in modo stabile e affidabile.

Per chi lavora anche con CAD, rendering 3D o elaborazioni grafiche intensive oltre che con l’AI, vale la pena approfondire il tema con la nostra guida alle workstation ricondizionate per CAD, 3D e AI, dove analizziamo nel dettaglio modelli HP, Dell e Lenovo adatti a questo tipo di carichi.

Mac o PC: quale conviene davvero per l’AI locale?

Non esiste una risposta univoca, ma alcune indicazioni pratiche possono aiutarti a decidere:

• Scegli Mac se cerchi un compromesso interessante tra prestazioni, ingombro e consumi, e non hai bisogno di espandere l’hardware nel tempo.
• Scegli PC Windows se vuoi maggiore modularità, la possibilità di aggiornare i componenti in futuro e un accesso alla memoria più rapido, accettando un investimento generalmente superiore per raggiungere lo stesso quantitativo di memoria.

In entrambi i casi, più token al secondo significano un modello più “reattivo” — non più accurato, perché l’accuratezza dipende dalla complessità del modello stesso, non dalla velocità dell’hardware che lo esegue.

Un’alternativa da valutare con cautela: le NPU dedicate

Negli ultimi tempi si stanno affacciando sul mercato anche processori e unità di calcolo pensate esclusivamente per l’intelligenza artificiale (NPU dedicate). Si tratta di una strada ancora in forte evoluzione, che comporta però un limite importante: una macchina con GPU tradizionale resta “general purpose”, utilizzabile anche per rendering, gaming o qualsiasi altro carico di lavoro. Un hardware iper-specializzato solo per l’AI, invece, perde questa flessibilità: se in futuro cambiano le tue esigenze, quell’investimento rischia di rimanere fermo in un cassetto. Per questo, salvo esigenze molto specifiche, una configurazione basata su GPU general purpose resta oggi la scelta più sensata.

Costruire una macchina per l’AI con hardware ricondizionato: conviene?

Uno degli aspetti spesso sottovalutati è che non serve necessariamente acquistare hardware nuovo per costruire una macchina efficace per l’inferenza locale. Molte workstation e schede video di generazione recente, se acquistate ricondizionate, offrono lo stesso quantitativo di RAM e VRAM di un prodotto nuovo, a fronte di un risparmio che può arrivare fino al 40%.

Questo approccio è particolarmente vantaggioso per le aziende che vogliono sperimentare l’AI locale senza immobilizzare grandi capitali, magari partendo da una configurazione intermedia e valutando in un secondo momento un upgrade verso setup più professionali. Se vuoi capire più a fondo vantaggi, limiti e criteri di scelta del ricondizionato, ti consigliamo la nostra guida completa al hardware ricondizionato.

E se hai già un dispositivo che non usi più, puoi valutare la permuta anche se non funzionante, per abbattere ulteriormente il costo della tua nuova macchina per l’AI.

Karmatech: il partner giusto per la tua macchina AI

Da oltre 20 anni Karmatech è un punto di riferimento nel settore del tech ricondizionato, con due sedi operative a Bollate (MI). Se stai valutando l’acquisto di un Mac Studio, di una workstation o di un PC con GPU dedicata per l’intelligenza artificiale in locale, ecco cosa trovi scegliendo noi:

• ✅ Garanzia di 12 mesi su tutti i dispositivi, per tutti i clienti
• 💰 Risparmio fino al 40% rispetto all’acquisto di un dispositivo nuovo
• ♻️ Permuta del tuo vecchio dispositivo, anche se rotto o non funzionante
• 🛠️ Assistenza 7 giorni su 7 per ogni evenienza

Per i clienti business, offriamo inoltre vantaggi dedicati: garanzia estesa fino a 36 mesi, IVA agevolata allo 0% per chi rientra nell’Art. 36, e assistenza prioritaria per non fermare mai l’operatività aziendale.

📍 Vieni a trovarci in Via degli Alpini 8, Bollate (MI) oppure scrivici su WhatsApp al 3738705972: ti aiutiamo a scegliere la configurazione più adatta alle tue esigenze di AI locale, che tu sia un privato curioso o un’azienda pronta a fare sul serio.

Scopri tutte le nostre soluzioni su karmatech.it o acquista online su ktstore.it.

Fonti

• Apple – Specifiche tecniche Mac Studio
• Tom’s Hardware – Apple taglia la RAM massima del Mac Studio M3 Ultra
• NotebookCheck – Apple ritira l’opzione da 512 GB per il Mac Studio M3 Ultra
• NVIDIA – Scheda tecnica GeForce RTX 5090
• Wikipedia – GeForce serie 50
• Milvus – Requisiti hardware per eseguire DeepSeek in locale