La pubblicità dei computer del 2026 mette l’intelligenza artificiale quasi ovunque: processori neurali, tasti dedicati, miliardi di operazioni al secondo. È facile pensare che ChatGPT o Codex richiedano una macchina nuova. Nella maggior parte dei casi non è così. Se scrivi una domanda in un browser, il lavoro pesante viene eseguito nei data center del fornitore; il tuo computer mostra l’interfaccia, invia i dati e riceve la risposta. Un portatile di qualche anno con browser aggiornato, connessione stabile e memoria sufficiente per le normali applicazioni può fare esattamente questo. Spendere duemila euro non renderà il modello remoto più intelligente. Codex crea più confusione perché può lavorare sui file e sugli strumenti presenti nel computer. La documentazione OpenAI indica che l’app desktop è disponibile su macOS, Windows e Linux, mentre la CLI può essere installata e avviata dentro la cartella di un progetto. Una parte del ragionamento resta affidata al modello remoto; il computer locale deve gestire repository, editor, dipendenze, test, browser e processi di sviluppo. Qui memoria e disco fanno una differenza concreta, ma la scheda grafica non è automaticamente il componente decisivo. Per un sito web, 24 o 32 GB di RAM ben utilizzati valgono spesso più di una GPU costosa lasciata inattiva.
Perché è importante
- Per usare ChatGPT e molti strumenti cloud non serve una GPU potente: il calcolo avviene sui server del fornitore.
- Codex lavora meglio con memoria e archiviazione sufficienti per progetto, strumenti di sviluppo e controlli, ma non richiede automaticamente una workstation AI.
- La spesa elevata ha senso soprattutto per modelli locali, immagini, video o dati che devono restare sul computer: qui contano memoria disponibile e VRAM della scheda grafica.
La prima domanda non è quale processore comprare
Il quadro cambia quando vuoi eseguire un modello direttamente sulla macchina, senza inviare i contenuti a un servizio esterno. In questo caso pesi, testo e calcoli devono entrare nella memoria disponibile. La VRAM è la memoria della scheda grafica: più è ampia, più facilmente può ospitare modelli grandi o elaborare immagini. NVIDIA indica 12 GB per RTX 5070 e 16 GB per RTX 5070 Ti; è una differenza più importante, per l’AI locale, di molti numeri usati nel marketing. Prima di comprare, quindi, decidi quale delle tre attività farai davvero: usare servizi cloud, sviluppare con un agente oppure eseguire modelli locali.
Tre budget sensati, dal computer che hai già alla workstation
Primo livello: da zero a circa 800 euro. È la fascia giusta per ChatGPT, Gemini, Claude, applicazioni web e un uso leggero di Codex. Prima di acquistare, prova il computer che possiedi: se regge browser, videochiamata e documenti insieme senza rallentare, probabilmente basta. Per una macchina nuova cerca almeno 16 GB di RAM e 512 GB di SSD, evitando configurazioni con memoria saldata troppo ridotta o disco quasi pieno dopo pochi aggiornamenti. Un notebook o mini PC di questa fascia non è pensato per grandi modelli locali, ma può usare tutta la potenza dell’AI cloud. Nel budget includi un backup esterno e, se lavori molte ore, un monitor dignitoso: sono spese meno appariscenti e spesso più utili. Secondo livello: circa 900–1.600 euro per lavoro professionale e sviluppo. Qui il riferimento sensato è 24 o 32 GB di RAM, SSD da 1 TB se gestisci molti progetti e un processore recente. Il Mac mini M4 configurato con 24 GB e 512 GB compare ancora nello store italiano Apple; sul versante Windows esistono mini PC e notebook equivalenti con 32 GB. La scelta non va fatta sul marchio, ma sul software necessario: alcuni strumenti aziendali richiedono Windows, mentre macOS e Linux offrono un ambiente molto comodo per sviluppo e terminale. Aggiungi al conto monitor, tastiera, adattatori e archiviazione: un mini computer economico può diventare meno conveniente se devi comprare tutto da zero.
Terzo livello: da circa 2.200 a oltre 3.500 euro, rivolto a chi sa già perché vuole l’AI locale. Una configurazione equilibrata parte da 64 GB di RAM, SSD NVMe da almeno 1 TB, alimentatore e raffreddamento adeguati e una GPU con 16 GB o più di VRAM. La RTX 5070 Ti offre 16 GB secondo le specifiche NVIDIA; schede con più memoria ampliano i modelli possibili, ma fanno salire rapidamente costo e consumo. In questo budget devono entrare assemblaggio, sistema di backup, eventuale gruppo di continuità e corrente elettrica. Se il modello viene usato poche ore al mese, noleggiare calcolo nel cloud può costare meno e permette di cambiare GPU senza sostituire un intero computer.
Cosa puoi farci concretamente
- Scrivi le tre attività più pesanti che vuoi svolgere e verifica se vengono elaborate nel cloud o sul computer.
- Prima di cambiare macchina, misura memoria occupata, spazio libero e tempi del tuo flusso attuale per una settimana.
- Acquista GPU e molta RAM soltanto se hai già scelto un modello locale compatibile e conosci quanta memoria richiede.
La domanda che resta
Privacy e autonomia sono i motivi più solidi per pagare l’hardware locale. Un modello eseguito interamente sul computer può analizzare bozze e documenti senza caricarli su un servizio esterno, purché anche l’applicazione, i log e i backup restino davvero locali. La scritta «AI PC» non garantisce questo risultato: una funzione può usare il processore neurale per effetti video e inviare comunque il testo al cloud. Allo stesso modo, installare Codex sul desktop non significa che ogni elaborazione avvenga offline. Prima di usare dati riservati bisogna leggere il percorso reale dell’informazione e le condizioni del servizio, non dedurlo dal luogo in cui si trova l’icona. Per capire se vale la pena salire di fascia, prova un lavoro completo. Apri il progetto, esegui test, browser, editor e videochiamata; controlla quanta memoria resta e quanto tempo impiega l’operazione che ripeti ogni giorno. Se il limite è l’attesa del modello remoto, cambiare PC servirà poco. Se il disco è pieno o il sistema usa continuamente memoria virtuale, più RAM e spazio possono trasformare l’esperienza. Se vuoi sperimentare modelli locali, scegli prima il modello e verifica quanta memoria richiede nella precisione che intendi usare. L’articolo sui piccoli modelli eseguiti direttamente sui dispositivi spiega perché ridurre le dimensioni può essere più intelligente che inseguire la macchina più potente.
Il verdetto è semplice. Per la maggioranza delle persone consigliamo di partire dal computer già disponibile e investire in connessione, backup e organizzazione. Per chi usa Codex ogni giorno, 24–32 GB di RAM e un SSD capiente rappresentano oggi il punto di equilibrio: una postazione compatta può essere veloce senza trasformarsi in un laboratorio. La workstation con GPU ha senso per sviluppatori, creativi e aziende che hanno già un carico locale continuo, requisiti di riservatezza o costi cloud misurati. Il mini PC GMKtec EVO‑X2 per AI locale mostra un’altra strada basata sulla memoria unificata. In tutti gli altri casi, comprare «un computer per l’AI» prima di definire il lavoro è il modo più rapido per pagare potenza che non useremo.
Fonti
Documenti, comunicati e pubblicazioni consultati per ricostruire dati e contesto.
