Quanto costa installare un'intelligenza artificiale privata in azienda?

Quali sono le voci di costo di un'AI privata in azienda?

Le voci sono sei, e solo la prima si vede nel preventivo dell'hardware. Le altre emergono nei mesi successivi ed è lì che i conti spesso cambiano.

1. Hardware e GPU. Server, una o più schede grafiche per l'inferenza, memoria, storage e rete. Il prezzo delle GPU per data center di solito non è indicato sulle pagine prodotto del costruttore: lo fa il rivenditore e varia molto. Conta soprattutto la memoria della scheda, perché determina quali modelli puoi far girare: ad esempio la NVIDIA L40S ha 48 GB di memoria e un consumo massimo di 350 W secondo la scheda tecnica del produttore.
2. Setup e integrazione. Installazione del software, scelta e configurazione del modello, collegamento ai documenti e ai gestionali, controllo degli accessi, test. Il software di base può essere gratuito: vLLM, per esempio, è una libreria open source per servire modelli linguistici che espone anche un'API compatibile con quella di OpenAI. Il lavoro per adattarlo ai tuoi processi, invece, si paga.
3. Manutenzione e assistenza. Aggiornamenti di sicurezza, monitoraggio, interventi in caso di guasto, backup.
4. Energia e raffreddamento. Un server con GPU acceso tutto l'anno consuma in modo continuo, e serve un locale adatto.
5. Personale interno. Qualcuno in azienda deve seguire il sistema, raccogliere le richieste degli utenti e fare da riferimento con il fornitore. È un costo spesso dimenticato.
6. Aggiornamento dei modelli. I modelli open-weight escono a ritmo serrato. Sostituirli richiede test e, a volte, hardware più capiente.

Ne parlo in modo più operativo nella pagina sul costo dell'AI in locale e nella guida completa all'AI on-premise.

Quanto costa un'intelligenza artificiale privata rispetto al cloud?

Dipende dal modello di prezzo del cloud con cui la confronti: a consumo (API, si paga per token) oppure a utente (abbonamento per dipendente). Sono due logiche diverse e vanno confrontate separatamente.

Con le API paghi ogni milione di token elaborati, distinguendo input e output. Al 19 ottobre 2026 la pagina prezzi di OpenAI indica per il modello gpt-6.1-sol 2,00 $ per milione di token in input e 10,00 $ in output (tariffa standard, contesto breve). Anthropic indica per Claude Sonnet 5.5 2 $ in input e 10 $ in output per milione di token.

Con gli abbonamenti per utente paghi una quota fissa per persona. Il piano Team di Claude costa 20 $ per utente al mese con fatturazione annuale, 25 $ con fatturazione mensile per il posto standard; il piano Enterprise prevede una quota per utente più i consumi a tariffa API, con un minimo di 20 utenti.

I prezzi di terzi cambiano spesso: quelli citati sono stati consultati il 19 ottobre 2026 e vanno ricontrollati sulle pagine ufficiali prima di qualsiasi decisione.

Come si confrontano i costi su tre anni?

Si sommano tutte le voci su tre anni per ogni alternativa, a parità di casi d'uso e di qualità attesa. Tre anni è un orizzonte ragionevole perché l'hardware per l'AI invecchia in fretta e perché un confronto su un solo anno penalizza l'opzione con l'investimento iniziale.

Il confronto che conta è quello con un uso reale e quotidiano, quando l'AI entra davvero nel lavoro delle persone. Nei piani aziendali dei grandi fornitori, infatti, oltre al canone per utente si paga ogni token: nel piano Enterprise di Claude l'utilizzo è fatturato a parte, alle tariffe API standard, e le tariffe di Claude Opus 5.5 sono 4 $ per milione di token in input e 20 $ in output.

Con un uso medio il cloud supera l'ipotesi progettuale locale di circa 42.000 € in tre anni; con un uso intenso di oltre 150.000 €. E la spesa cloud continua a crescere con le persone e con l'uso, mentre quella locale resta quasi ferma finché i server bastano.

Perché il locale regge meglio quando l'uso cresce

• Il costo non segue i token. Con le API ogni richiesta in più si paga; in locale, una volta dimensionato l'hardware, cento domande in più al giorno non cambiano la spesa.
• Il lavoro non si ferma. Nei piani a crediti prepagati, quando il saldo finisce l'utilizzo si blocca per tutta l'organizzazione finché qualcuno non ne compra altri. Su server tuoi il limite è solo la capacità delle macchine.
• I dati restano in azienda. Contratti, codice, progetti e dati dei clienti non escono dalla rete aziendale: un vantaggio di riservatezza che nessun listino mette in conto.
• Il cervello aziendale costa meno quanto più lo usi. Un assistente che consulta tutti i documenti interni rilegge molti testi a ogni domanda: in cloud quei testi sono token pagati ogni volta, in locale no.

E con un uso leggero?

Va detto con onestà: se l'AI si usa poco, il cloud a consumo costa meno.

In questo scenario il locale si giustifica solo se i dati non possono uscire dall'azienda, o se l'uso è destinato a crescere: è proprio quando l'AI diventa uno strumento di tutti i giorni che il conto cambia.

Se oggi usi già le API e vuoi capire se e quando avrebbe senso spostarti, trovi il metodo nella pagina sulla migrazione dalle API a un modello locale.

Quando l'AI in locale non conviene?

Non conviene quando l'uso è basso o incerto. Se la spesa cloud è di poche centinaia di euro al mese, un'infrastruttura propria non si ripaga in tempi ragionevoli. Lo scrivo anche se l'AI on-premise è uno dei temi di questo sito.

Altri segnali che suggeriscono di restare sul cloud, almeno per ora:

• non hai ancora casi d'uso misurati, solo un interesse generico;
• non c'è nessuno in azienda che possa seguire il sistema;
• i modelli proprietari che usi oggi nel cloud potrebbero non avere un equivalente open-weight adatto ai tuoi compiti;
• i dati che tratti non hanno vincoli particolari di riservatezza.

Il locale ha senso, invece, quando più fattori si sommano: volumi alti e stabili, dati riservati, obblighi contrattuali o di settore, necessità di funzionare senza Internet. Per gli aspetti di protezione dei dati c'è una pagina dedicata all'AI aziendale e GDPR: la scelta on-premise può aiutare, ma non rende conformi da sola.

Esistono soluzioni intermedie tra cloud pubblico e server in azienda?

Sì. Le principali sono due, e spesso sono il compromesso più sensato per una PMI.

• Cloud privato o dedicato in UE. Noleggi server con GPU riservati presso un provider con data center in Europa e ci installi un modello open-weight. Eviti l'acquisto dell'hardware e mantieni il controllo sul modello, ma resti dipendente dal provider e devi verificare contratto e localizzazione dei dati.
• Approccio ibrido. I dati più sensibili restano su un modello locale o dedicato; le attività generiche usano API o abbonamenti cloud. Costa meno di un'infrastruttura interamente propria e limita l'esposizione dei dati critici.

Se l'obiettivo è dare ai dipendenti un assistente in stile ChatGPT su infrastruttura controllata, ho approfondito le opzioni nell'articolo su come avere un ChatGPT aziendale sui propri server e nella pagina ChatGPT aziendale privato.

Da dove partire?

Prima di chiedere un preventivo per un server, raccogli i numeri che servono al confronto:

1. Spesa attuale. Quanto spendi oggi in API e abbonamenti AI, mese per mese.
2. Volumi. Quante richieste, quanti utenti, quanti token. Se usi le API, i dati sono nella console del fornitore.
3. Vincoli. Quali dati non possono uscire dall'azienda, per legge, contratto o scelta.
4. Casi d'uso. Due o tre processi concreti in cui l'AI deve dare un risultato misurabile.
5. Risorse interne. Chi seguirà il sistema dopo l'installazione.

Con questi elementi il calcolo su tre anni diventa un confronto tra cifre reali, non tra impressioni. Se vuoi farlo insieme, parti dalla valutazione iniziale o dalla pagina sull'AI on-premise: ti aiuto a capire se il locale ha senso per te, e a dirtelo chiaramente se non lo ha.