IA locale o nel cloud: quale scegliere per lavorare?
Neaptide · 28 settembre 2026 · 12 min di lettura
Confronta IA locale e cloud per privacy, qualità, velocità e costi. Due schemi, un calcolo trasparente e una scheda per provare i tuoi compiti.
In questo articolo
L’IA locale attira con una promessa semplice: i documenti restano sul computer, il modello funziona senza Internet e ogni richiesta non genera una fattura. Ma eseguire un modello gratis non significa ottenere risultati a basso costo. Se correggere le risposte richiede molto tempo, il risparmio sull’abbonamento può sparire in pochi giorni di lavoro.
Risposta breve: un modello linguistico locale è utile quando l’elaborazione sul proprio dispositivo o il lavoro offline sono requisiti obbligatori e la qualità è adeguata al compito. Scegli un servizio cloud quando il modello e gli strumenti producono un risultato migliore per il tuo lavoro e le condizioni di trattamento dei dati sono accettabili. Combinare i due approcci ha senso se hai definito quali materiali possono lasciare la tua infrastruttura e in quale fase.
Qui confrontiamo assistenti per testi, documenti e codice. Generazione video, elaborazione audio e altri impieghi richiedono prove separate. L’articolo si basa sulla documentazione dei prodotti, verificata il 27 settembre 2026. Non abbiamo svolto un test comparativo dei modelli: l’esempio numerico è un calcolo trasparente con dati ipotetici.
Che cosa è davvero locale?
In questo articolo, IA locale indica un modello i cui calcoli vengono eseguiti sul tuo computer o su un server che gestisci. IA nel cloud indica un modello eseguito per te da un fornitore esterno. La finestra dell’applicazione può apparire identica in entrambi i casi.
Un portatile con un modello e un server nel tuo ufficio sono configurazioni diverse. Il primo può funzionare offline dopo la preparazione. Il secondo richiede un collegamento di rete, ma può essere condiviso dal gruppo di lavoro. Affittare un server e installarvi il modello è un altro caso: controlli il software, mentre l’infrastruttura fisica appartiene al fornitore. La parola «locale» non descrive da sola tutti questi confini.
LM Studio è un esempio utile. Secondo la sua documentazione, la chat con un modello scaricato e l’elaborazione dei documenti possono funzionare offline. Tuttavia, i modelli cloud e la ricerca web della stessa applicazione desktop inviano richieste fuori dal dispositivo. Occorre verificare la modalità scelta e l’intero processo.
Il confronto secondo otto criteri pratici
Nella tabella, l’opzione locale è un modello sul proprio computer. Un server condiviso dal gruppo aggiunge accesso di rete, amministrazione degli utenti e gestione del carico complessivo.
| Criterio | Modello locale | Servizio cloud |
|---|---|---|
| Dati | È possibile elaborarli senza inviarli a fornitori esterni, se tutte le fasi restano sul dispositivo | Il fornitore elabora la richiesta; conservazione, addestramento e accesso dipendono dal prodotto e dalle condizioni |
| Qualità | Limitata dal modello e dalla configurazione disponibili; va verificata sui propri compiti | Si possono scegliere modelli che non entrano nel proprio computer; la qualità va comunque verificata |
| Uso offline | Possibile dopo aver scaricato i componenti necessari; gli strumenti di rete sono un caso distinto | L’elaborazione remota richiede accesso al servizio |
| Velocità | Dipende da hardware, modello, lunghezza dell’input e altri carichi sul computer | Dipende da modello, rete, coda e limiti del servizio |
| Costi | Hardware, energia, configurazione, manutenzione e verifica delle risposte | Abbonamento o consumo, integrazione, amministrazione e verifica delle risposte |
| Manutenzione | Scegli e aggiorni modelli, applicazione e ambiente | Il fornitore mantiene l’infrastruttura del modello; processo e accessi restano a tuo carico |
| Aumento della domanda | Gli utenti aggiuntivi condividono risorse finite; può servire altro hardware | L’espansione dipende da quote, piani e capacità disponibile del fornitore |
| Versioni | Puoi conservare specifici file del modello e il relativo ambiente | Il fornitore determina le versioni disponibili e la durata del supporto |
La tabella aiuta a definire i requisiti. Non dimostra quale opzione sia più veloce, economica o precisa sui tuoi documenti.
Dove l’IA locale è utile
L’elaborazione può restare nella propria infrastruttura
Se le regole del gruppo vietano di inviare materiali di lavoro a un servizio esterno, l’elaborazione locale permette di svolgere un compito senza quel trasferimento. Per esempio, preparare una bozza di sintesi di appunti interni o classificare richieste. Devono essere locali sia il modello sia i componenti che leggono i file originali.
Questo controllo richiede lavoro: limitare l’accesso al computer e alle cartelle, verificare i backup e aggiornare il software. Avere un modello sul disco non protegge un documento da un altro utente, da software dannoso o da una sincronizzazione configurata male.
Si può lavorare senza Internet
In viaggio o con una connessione instabile, un assistente locale può continuare a modificare testi e rispondere sui materiali disponibili. Bisogna scaricare in anticipo il modello, i componenti di esecuzione e i documenti. Ricerca web, basi di conoscenza remote e altre dipendenze di rete non saranno disponibili offline. La documentazione di LM Studio descrive questa distinzione tra funzioni locali e download dei componenti.
Si può conservare una configurazione già verificata
Per un’operazione ripetitiva può essere utile mantenere uno specifico modello, le impostazioni e l’applicazione. Elaborare regolarmente schede simili può contare più dell’accesso al modello più recente ogni settimana. Conservare i file, però, non garantisce una risposta identica a ogni esecuzione: il comportamento va controllato insieme alle impostazioni di generazione e all’ambiente.
Anche i modelli cloud possono avere versioni, ma il fornitore ne stabilisce la durata di disponibilità. Ollama, per esempio, avvisa del ritiro di alcuni modelli cloud e chiarisce che non riguarda i modelli locali già scaricati.
I limiti dell’esecuzione locale
Il primo è la qualità sul compito specifico. Un modello che entra comodamente in un portatile può avere difficoltà con codice complesso, documenti lunghi o istruzioni ambigue. È un’ipotesi da verificare, non un motivo per scartare tutti i modelli piccoli. Un compito ben delimitato può richiedere meno capacità di una conversazione aperta.
Il secondo è la memoria e il carico di lavoro. La dimensione del file del modello non equivale a tutta la memoria necessaria durante l’uso. Anche elaborazione del contesto, dati di lavoro e altri programmi occupano spazio. Nei modelli linguistici, uno di questi consumi è la cache KV; il fabbisogno dipende dall’architettura e dalla strategia di memorizzazione. Documentazione di Hugging Face sulla cache. La nostra guida a RAM, VRAM e contesto contiene spiegazioni e calcoli dettagliati.
Da qui una regola per l’acquisto: l’etichetta AI PC e un valore in TOPS non sostituiscono una prova del modello nell’applicazione scelta. La documentazione AMD descrive, per esempio, modalità distinte su CPU, GPU e NPU con componenti software diversi. La presenza di una NPU non implica che ogni applicazione la usi automaticamente.
Il terzo limite è il tuo tempo. Neppure un’applicazione comoda elimina la scelta del modello, il controllo della licenza, gli aggiornamenti e la risoluzione dei problemi. In un esperimento personale, può essere parte del divertimento. In un processo di gruppo, serve una persona responsabile. Se manca, è meglio ricalcolare il risparmio previsto.
Che cosa offre il cloud e quali sono i limiti
Un servizio cloud permette di iniziare senza comprare hardware per il modello. Offre accesso a modelli e strumenti che non puoi o non vuoi mantenere. La loro utilità dipende dal compito: poter caricare un file o richiamare uno strumento non dimostra che il risultato sia corretto.
In cambio, dipendi dall’accesso al servizio, dai suoi limiti e dai cambiamenti. Un abbonamento non implica necessariamente un uso illimitato. Un’API richiede un controllo della spesa. Se il modello cambia o una versione necessaria scompare, bisogna verificare nuovamente il processo.
Per poche attività diverse, il cloud è spesso un punto di partenza comodo: consente di verificare l’utilità prima di investire nell’hardware. È una sequenza pratica, non l’affermazione che il cloud costi sempre meno. Con un carico costante e hardware adatto già disponibile, il calcolo può cambiare.
Privacy: quattro domande distinte
Dire che «l’IA nel cloud si addestra su tutto ciò che carichi» è troppo generico. Anthropic dichiara, per esempio, di non usare per impostazione predefinita input e output dei prodotti commerciali, tra cui Claude for Work e l’API, per l’addestramento. L’invio di feedback o un consenso separato possono cambiare queste condizioni. I prodotti consumer seguono regole diverse.
L’esclusione dall’addestramento, da sola, non dice quanto a lungo siano conservati i dati. Per decidere dove elaborarli, poniti quattro domande:
- Chi elabora i dati? Solo il tuo computer, il tuo server oppure un fornitore esterno e i suoi subfornitori?
- Che cosa viene conservato e per quanto tempo? File originali, cronologia, registri delle richieste e backup sono oggetti diversi.
- Il materiale può essere usato per l’addestramento? Verifica le regole del tuo prodotto, piano e delle impostazioni relative ai feedback.
- Quali servizi aggiuntivi ricevono il contenuto? Ricerca web, riconoscimento di documenti scansionati, strumenti esterni e sincronizzazione possono avere condizioni proprie.
Anche presso lo stesso fornitore, la conservazione può cambiare tra API, file caricati e interfaccia di chat. Le modalità senza conservazione possono coprire solo determinate funzioni e accordi.
Per un processo locale, una prova semplice consiste nell’aprire un documento, fare una domanda e ricevere una risposta con la rete disattivata. Questo dimostra che quello scenario funziona offline. Non dimostra che, al ripristino della connessione, nessun dato verrà trasmesso. Ollama consente, per esempio, di disabilitare le proprie funzioni cloud con OLLAMA_NO_CLOUD=1 e un riavvio dell’applicazione, ma l’impostazione non controlla gli altri programmi del computer.
Quanto costa un risultato utilizzabile?
Confronta lo stesso volume di lavoro e includi il tempo umano. Una formula mensile di base è: quota degli investimenti iniziali + uso del servizio + energia aggiuntiva + manutenzione + verifica e correzione delle risposte. Puoi escludere i costi identici per entrambe le opzioni, dichiarandolo chiaramente.
Consideriamo uno scenario ipotetico: una persona, 200 compiti al mese, tempo valorizzato a 20 € l’ora e un orizzonte di calcolo di 36 mesi. Non sono prezzi di prodotti né misurazioni. Energia e ore sono ipotesi illustrative: sostituiscile con i tuoi dati prima di decidere.
| Voce di costo | Opzione locale, al mese | Opzione cloud, al mese |
|---|---|---|
| Hardware aggiuntivo | 900 € ÷ 36 = 25 € | 0 €: si usa il computer esistente |
| Configurazione iniziale | 6 h × 20 € ÷ 36 ≈ 3,33 € | 1 h × 20 € ÷ 36 ≈ 0,56 € |
| Energia aggiuntiva | 30 kWh × 0,30 € = 9 € | 0 € in questo scenario: nessun incremento separato conteggiato |
| Servizio o licenza | 0 € per ipotesi | 40 € per l’intero volume mensile, per ipotesi |
| Manutenzione e amministrazione | 1,5 h × 20 € = 30 € | 0,5 h × 20 € = 10 € |
| Prima della verifica delle risposte | 67,33 € | 50,56 € |
Questo calcolo non prevede integrazioni a pagamento aggiuntive, hardware di riserva o altre spese. Aggiungile se il tuo processo le richiede. Non contare di nuovo un computer già acquistato come un nuovo acquisto, ma includi gli aggiornamenti hardware e le risorse aggiuntive necessarie al modello. Il valore residuo dell’hardware non è considerato.
Valutiamo la sensibilità del risultato: un minuto aggiuntivo di correzione per ciascuno dei 200 compiti costa 66,67 € al mese, alla tariffa di 20 € l’ora. Supera la differenza tra le due opzioni della tabella. Non presumiamo che un modello locale o cloud richieda necessariamente quel minuto. L’esempio mostra perché la qualità può contare più del prezzo di accesso.
Una metrica finale utile è il costo per risultato accettato: tutte le spese del volume confrontato, inclusi tentativi falliti e correzioni, divise per il numero di risultati che superano i controlli. Se non ne viene accettato nessuno, il costo non è definito: il processo non sta ancora svolgendo il compito.
Come provare entrambe le opzioni prima dell’acquisto
Per una prima prova puoi scegliere 12 compiti rappresentativi: quattro di estrazione di fatti, quattro di scrittura o revisione e quattro di ragionamento o codice. È un punto di partenza pratico, non uno standard validato statisticamente. Adatta le proporzioni al tuo lavoro e usa solo materiali che entrambe le opzioni sono autorizzate a elaborare.
Non includere soltanto domande semplici. Aggiungi un documento contraddittorio, una domanda senza risposta nelle fonti e un compito in cui è facile non notare un errore. Se il modello estrae un tempo di consegna, annota prima il valore corretto e la fonte. Se rivede un’email, elenca i fatti da preservare. Per il codice, prepara un controllo del comportamento atteso.
- Registra le condizioni. Nome e versione del modello, configurazione locale e quantizzazione, applicazione, contesto disponibile, strumenti e modalità. Per il cloud: piano o API, modalità scelta e data.
- Fornisci gli stessi materiali. Se confronti modelli, allinea l’accesso a ricerca e strumenti. Se confronti processi completi, conserva le differenze utili e descrivile esplicitamente.
- Misura l’attesa. Distingui la prima richiesta, quando il modello non è ancora caricato, dalle successive. Ripeti lo scenario più volte: una singola esecuzione veloce dice poco su una giornata lavorativa.
- Applica criteri definiti in anticipo. Registra errori critici, accettazione o rifiuto e minuti di correzione. Una bella presentazione non deve nascondere un fatto sbagliato.
- Calcola i costi e prova una condizione impegnativa. Per esempio, un documento lungo con i programmi abituali aperti o un server condiviso con più utenti. Verifica separatamente l’uso offline, se necessario.
I token al secondo sono utili per la diagnosi tecnica, ma non misurano il tempo necessario a ottenere un risultato utilizzabile. L’API Ollama restituisce, per esempio, durate distinte per caricamento del modello, elaborazione dell’input e generazione. La revisione umana e il tempo totale del compito vanno misurati a parte.
La nostra scheda di confronto tra IA locale e cloud comprende condizioni della prova, scheda del compito e registro dei risultati. È vuota: non contiene punteggi inventati dei modelli. Per la prima configurazione locale, consulta la guida a Ollama.
Quando conviene combinare IA locale e cloud
Un processo misto è utile quando le fasi hanno requisiti diversi per dati e qualità. Per esempio, un rapporto interno viene elaborato localmente. Una persona prepara poi una sintesi autorizzata al trattamento esterno e il modello cloud aiuta a formulare un testo pubblico. Il risultato finale viene ricontrollato rispetto ai fatti originali.
La difficoltà sta nel contenuto della sintesi intermedia. Togliere i nomi non basta se restano cifre riservate, condizioni commerciali o altre informazioni sensibili. Trasferisci soltanto materiale per cui il trattamento esterno è effettivamente autorizzato. Altrimenti, il compito resta nell’infrastruttura consentita oppure viene svolto da una persona.
Combinare i due approcci ha costi propri: due insiemi di strumenti, passaggi di risultati e verifica dei materiali intermedi. Se un solo approccio svolge già bene il compito, non serve aggiungerne un altro soltanto per l’architettura.
Da quale opzione iniziare?
Inizia con un modello locale se il lavoro offline o il trattamento nella tua infrastruttura sono obbligatori. Prova prima il compito sull’hardware disponibile. Se la qualità non basta, valuta se cambiare modello, processo o attrezzatura: un vincolo sui dati non rende utilizzabile una risposta debole.
Inizia con un servizio cloud se il trattamento esterno è accettabile, i compiti sono vari e vuoi valutare rapidamente l’utilità dello strumento. Confronta il risultato con il metodo attuale e stabilisci un limite di spesa chiaro.
Combina le opzioni quando hai definito un confine concreto: quali originali restano all’interno, che cosa può essere trasferito e chi controlla il passaggio tra le fasi. Ha senso discutere l’acquisto di un «computer per l’IA» dopo questa scelta, quando modello, carico e requisiti del risultato sono chiari.