Migliori modelli di IA locali per le aziende nel 2026

Una guida pratica ai modelli a pesi aperti che vale la pena far girare sul proprio hardware nel 2026, in cosa è bravo ciascuno, i dettagli di VRAM e licenza che contano davvero per un'azienda e come dimensionare un'implementazione senza comprare troppo. In breve: non serve più un'API di frontiera per ottenere un'IA utile e privata, ma il modello giusto dipende interamente dal compito e dalla macchina su cui lo metti.

7 min di lettura7 sezioni22 giugno 2026

Cosa significa "modello di IA locale" e perché le aziende li eseguono

Un modello di IA locale è un modello linguistico di grandi dimensioni a pesi aperti che scarichi ed esegui sul tuo hardware, invece di chiamare un'API ospitata come OpenAI o Anthropic. Una nota terminologica subito: la maggior parte di questi è a pesi aperti, non completamente open source. I pesi sono pubblici e gratuiti da eseguire, ma i dati di addestramento e l'intera pipeline di solito non lo sono. Per scopi aziendali ciò che conta sono i pesi, perché sono ciò che ti permette di ospitarli in proprio.

Le ragioni per eseguire in locale non riguardano il risparmio di denaro il primo giorno. A basso volume di richieste, un'API ospitata è quasi sempre più economica dell'acquisto di una GPU e del pagamento dell'energia. I veri motori sono la sovranità dei dati e il controllo. I tuoi prompt, le anagrafiche dei clienti, i contratti e il codice sorgente non lasciano mai la tua rete, non c'è alcuna conservazione da parte di terzi né adesione all'addestramento da negoziare, e non sei esposto a un fornitore che cambia i prezzi o dismette un modello a metà progetto. Per il lavoro regolamentato, la sanità sotto HIPAA, il legale sotto regole di riservatezza, la finanza, quella privacy non è un optional, è il requisito che rende l'IA utilizzabile del tutto. L'economia si inclina a tuo favore solo a volume elevato e sostenuto, oppure quando l'alternativa è non poter usare l'IA su quei dati affatto.

Le sei famiglie di modelli che vale la pena inserire nella rosa

Qwen3, di Alibaba, è la migliore scelta predefinita per la maggior parte delle aziende. È distribuito sotto la permissiva licenza Apache 2.0 e copre la gamma di dimensioni più ampia di qualsiasi famiglia: modelli densi a 0,6B, 1,7B, 4B, 8B, 14B e 32B, più modelli mixture-of-experts come il 30B-A3B (30B totali, circa 3B attivi per token) e l'ammiraglia 235B-A22B. Questa gamma significa che una sola famiglia copre dal portatile al server. DeepSeek V3 è il peso massimo aperto, un modello mixture-of-experts da 671B parametri con circa 37B attivi per token, rilasciato sotto licenza MIT, con aggiornamenti V3.2 in arrivo fino a fine 2025. Compete con i modelli di frontiera chiusi su ragionamento e codice, ma richiede hardware serio.

Llama 4 di Meta è arrivato come varianti mixture-of-experts: Scout a 109B totali e circa 17B attivi, con una finestra di contesto insolitamente grande, e il più grande Maverick. Llama resta capace, ma la sua licenza personalizzata limita le aziende con oltre 700 milioni di utenti attivi mensili e aggiunge limiti regionali, il che conta per le operazioni più grandi o con sede nell'UE. Google Gemma 3 è la solida scelta locale per il lavoro multimodale e multilingue: dimensioni da 1B fino a 27B, una finestra di contesto da 128K, input di immagini e supporto per ben oltre 100 lingue, abbastanza efficiente da girare su una singola GPU o persino su un dispositivo edge. Mistral, il principale fornitore europeo, offre ora Mistral Small 3 (circa 24B) sotto Apache 2.0, che entra in una singola GPU consumer con quantizzazione ed è un'opzione enterprise pulita. Microsoft Phi-4 (circa 14B) e il Phi-4-mini da 3,8B sono le scelte piccole ma affilate, addestrate intensamente su dati di alta qualità per rendere oltre la loro taglia in matematica, ragionamento e output strutturato.

Adatta il modello al compito, non alla classifica

Il posto in classifica è la prima domanda sbagliata per un'azienda. Quella giusta è: quale compito, su quali dati, con quale soglia di privacy. Per un assistente di codice privato o strumenti di sviluppo agentici, i modelli mixture-of-experts si guadagnano il posto: Qwen3 30B-A3B e il più grande DeepSeek V3 generano alla velocità di un modello molto più piccolo attingendo però a maggiore capacità. Per Q&A su documenti, sintesi e chat con generazione aumentata dal recupero sui tuoi file, un modello denso di taglia media come Qwen3 14B o Gemma 3 12B-27B è di solito più che sufficiente e molto più economico da ospitare.

Per il lavoro edge e on-device, l'ispezione in tempo reale su una linea di produzione, un chiosco offline, un'app sul campo, i modelli piccoli sono il punto chiave. Gemma 3 4B e Phi-4-mini girano su hardware modesto e reggono sorprendentemente bene nel ragionamento per la loro taglia. Per input molto lunghi, interi contratti o codebase in un solo prompt, la sovradimensionata finestra di contesto di Llama 4 Scout è davvero utile, e la finestra da 128K di Gemma 3 copre la maggior parte dei casi quotidiani. Per il supporto multilingue su una base clienti, Qwen3 e Gemma 3 sono in testa. E se la pulizia della licenza è il tuo vincolo principale, come spesso accade per il deployment commerciale e il fine-tuning, Qwen3 (Apache 2.0), DeepSeek (MIT) e Mistral Small 3 (Apache 2.0) ti permettono di fare praticamente qualsiasi cosa senza royalty.

Hardware: quanta VRAM serve davvero a ciascun livello

Il calcolo è più prevedibile di quanto i fornitori lo facciano sembrare. Alla piena precisione FP16, metti in conto circa 2 GB di VRAM per miliardo di parametri. La quantizzazione Q4_K_M, lo standard per l'inferenza locale, lo riduce a circa 0,56 GB per miliardo mantenendo all'incirca il 95% della qualità, con un calo tipico dell'1% al 3% nei benchmark. In pratica: un modello da 7B a 8B richiede circa 4 GB a 6 GB e gira comodamente su una scheda da 8 GB. Un modello da 13B a 14B vuole 8 GB a 10 GB. Un modello da 30B a 32B richiede circa 16 GB a 20 GB, che entra in una scheda consumer da 24 GB. Un modello da 70B richiede circa 40 GB in Q4, ed è qui che le singole GPU consumer smettono di bastare.

Una cosa che il numero di parametri nasconde: la cache KV. L'uso di VRAM è dato dai pesi del modello più una cache che cresce in modo quasi lineare con la lunghezza del contesto, quindi un lavoro a contesto lungo può aggiungere dal 10% al 50% sopra la dimensione del modello, e un modello da 70B con un contesto da 128K può richiedere decine di gigabyte di sola cache. I modelli mixture-of-experts aggiungono la loro particolarità: solo una frazione dei parametri si attiva per token, quindi sono veloci, ma tutti i pesi devono comunque entrare in VRAM. Qwen3 30B-A3B gira all'incirca alla velocità di un modello da 3B eppure necessita di memoria per i 30B interi.

Livelli hardware consigliati e gli strumenti per eseguirlo

Quattro livelli coprono quasi ogni caso aziendale. Una GPU da 8 GB (una scheda di classe RTX 4060) o un Mac Apple Silicon da 16 GB esegue modelli da 7B a 8B a oltre 40 token al secondo, abbastanza per un vero assistente, redazione, classificazione e codice leggero. Una scheda da 24 GB, la RTX 3090, 4090 o 5090, è il punto di equilibrio del rapporto qualità-prezzo e gestisce modelli di classe 30B in Q4 con spazio per il contesto; le 3090 usate si trovano spesso intorno a 700-900 dollari. Per il lavoro a 70B servono circa 48 GB o più: una scheda da workstation come una RTX A6000, due GPU da 24 GB, o un Mac Studio con 64 GB a 128 GB di memoria unificata, che baratta la velocità grezza (circa 8-15 token al secondo su 70B) con silenzio, basso consumo e una configurazione in un solo case. I modelli MoE su scala di migliaia di miliardi come DeepSeek V3 a dimensione piena sono un lavoro multi-GPU di classe data center e raramente sono il primo deployment giusto.

Per il software, Ollama avvolge llama.cpp in un server semplice ed è la via più facile per l'uso interattivo a utente singolo su una macchina o un Mac. vLLM è il motore migliore quando devi servire molti utenti contemporaneamente, con un throughput nettamente superiore. Sul formato del modello, GGUF è la scelta predefinita per una singola GPU o Apple Silicon, mentre GPTQ o AWQ si adattano al servizio multiutente con vLLM. La regola di pianificazione onesta: dimensiona prima il carico di lavoro, scegli il modello che si adatta al caso d'uso, poi specifica l'hardware per quel modello. Comprare una scheda da 96 GB per un lavoro che una scheda da 24 GB gestisce è l'errore più comune e più costoso.

Locale contro API: come decidere per la tua azienda

Fai i conti prima di impegnarti nell'hardware. Se il tuo uso dell'IA è occasionale, qualche migliaio di richieste al mese, un'API ospitata sarà più economica e meno onerosa da mantenere di una GPU più l'energia più il tempo di ingegneria per tenerla in funzione. L'auto-hosting conviene in tre situazioni: volume elevato e sostenuto in cui i costi API per token si accumulano, dati che per legge o per contratto non possono lasciare la tua infrastruttura, e la necessità di un costo fisso che controlli invece di una bolletta a consumo che cresce con l'utilizzo.

La risposta più comune nel mondo reale è un ibrido: un modello locale piccolo o di taglia media per il lavoro ad alto volume e sensibile alla privacy, con una chiamata occasionale a un modello di frontiera ospitato per il raro compito difficile in cui la capacità giustifica l'invio di dati non sensibili all'esterno. Così la maggior parte dei tuoi dati resta privata e i costi prevedibili, dandoti comunque un tetto di capacità quando serve. Qualunque cosa tu scelga, rivaluta il panorama ogni trimestre, questo settore si muove in fretta e il modello aperto di testa è cambiato più di una volta in un solo anno.

Come Pineido configura l'IA locale senza tentativi a caso

La maggior parte dei progetti di IA locale si arena sulle stesse due domande: quale modello e quale hardware. Entrambe sono facili da sbagliare in direzioni costose, sia comprando una GPU dimensionata per un lavoro che un modello più piccolo gestisce, sia distribuendo un modello troppo debole per il carico di lavoro reale e concludendo che l'IA locale non funziona. La soluzione è dimensionare prima il carico di lavoro, poi il modello, poi l'hardware, in quest'ordine.

È esattamente ciò che fa lo sprint Local AI Setup: dimensionamento dell'hardware, selezione del modello, sicurezza e deployment in una finestra fissa di due settimane, con il modello scelto per adattarsi al caso d'uso prima di acquistare qualsiasi hardware. Per i team che vogliono un assistente privato chiavi in mano anziché una costruzione, l'opzione Pineido Studio consegna una configurazione locale pronta all'uso. Entrambe hanno ambito fisso e prezzo fisso, quindi il costo è noto prima dell'inizio del lavoro, e ciò che viene distribuito è tuo.

Spunti operativi ogni settimana

Unisciti ai responsabili di aziende di servizi che ricevono ogni settimana uno spunto concreto su operazioni, automazione e crescita.

Stiamo verificando che sia una persona. Potrà inviare tra un momento.

Niente spam. Disiscriviti quando vuoi.

Iscrizione completata! Cerca il prossimo numero nella tua casella di posta.

Domande frequenti

Qual è il miglior modello di IA locale per le aziende nel 2026?

Per la maggior parte delle aziende, Qwen3 è la migliore scelta predefinita grazie alla sua licenza Apache 2.0 e all'ampia gamma di dimensioni (0,6B a 235B). Scegli in base al compito: Qwen3 o DeepSeek V3 per codice e ragionamento, Gemma 3 per il lavoro multimodale e multilingue, Mistral Small 3 per una licenza enterprise pulita, e Phi-4 o Phi-4-mini per deployment piccoli, affilati e on-device. Non c'è un vincitore unico; il modello giusto dipende dal compito e dall'hardware su cui puoi eseguirlo.

Quale hardware mi serve per eseguire un modello di IA locale?

Metti in conto circa 0,56 GB di VRAM per miliardo di parametri con quantizzazione Q4. Un modello da 7B a 8B gira su una GPU da 8 GB, un modello da 32B entra in una scheda da 24 GB come una RTX 4090, e un modello da 70B richiede circa 40 GB o più, ovvero una scheda da workstation, due GPU, o un Mac con 64 GB a 128 GB di memoria unificata. Aggiungi dal 10% al 50% sopra per la cache KV se usi contesti lunghi.

Eseguire l'IA in locale è più economico che usare un'API?

Non sempre. A basso volume, un'API ospitata è di solito più economica dell'acquisto di una GPU e del pagamento di energia e manutenzione. L'IA locale vince sull'economia solo a volume elevato e sostenuto, e vince per principio quando i tuoi dati non possono lasciare la tua infrastruttura per ragioni legali o di conformità. Molte aziende approdano a un ibrido: un modello locale per il lavoro privato ad alto volume e una chiamata API occasionale per i rari compiti difficili.

Quali modelli di IA locali hanno una licenza sicura per l'uso commerciale?

Qwen3 (Apache 2.0), DeepSeek V3 (MIT) e Mistral Small 3 (Apache 2.0) sono i più puliti per il deployment commerciale e il fine-tuning, senza royalty e con poche restrizioni. Llama 4 di Meta usa una licenza personalizzata che limita le aziende con oltre 700 milioni di utenti attivi mensili e aggiunge limiti regionali, quindi le aziende più grandi o con sede nell'UE dovrebbero leggerla con attenzione prima di costruirci sopra.

Qual è la differenza tra Ollama e vLLM per eseguire modelli locali?

Ollama avvolge llama.cpp in un server semplice ed è il modo più facile di eseguire un modello per un singolo utente su una macchina o un Mac. vLLM è un motore a throughput più elevato costruito per servire molti utenti contemporaneamente. Usa Ollama con file GGUF per uso personale o di piccolo team, e vLLM con formati GPTQ o AWQ quando devi servire traffico concorrente.

Un piccolo modello di IA può essere davvero utile per un'azienda?

Sì, per i compiti giusti. I modelli nella fascia da 3B a 8B, come Phi-4-mini, Gemma 3 4B e Qwen3 8B, gestiscono bene classificazione, redazione, sintesi, chat con generazione aumentata dal recupero e output strutturato, e girano su hardware modesto o edge. Non sono motori di ragionamento di frontiera, ma per lavori ad alto volume e ben delimitati sono spesso la scelta più conveniente e mantengono tutti i dati sul dispositivo.

Pronto a rilasciare?

Dicci dove sei bloccato. Lo esaminiamo e ti inviamo una raccomandazione mirata entro un giorno lavorativo.

Scritto da

Kostadin Stamboliev

Fondatore e Imaginator

Fondatore e Imaginator di Pineido. Si occupa di consulenza IT, sviluppo di app e siti web, SEO tecnica, IA e automazione. Rilascia codice in produzione in sprint di 30 giorni con perimetro fisso e responsabilità chiare.

LinkedIn