Mentre la domanda dell’intelligenza artificiale spinge verso l’alto il prezzo delle memorie, Sam Altman sostiene che tenere grandi quantità di DRAM nei computer personali sia un’allocazione inefficiente: nei data center quella stessa memoria potrebbe lavorare molto di più. È una tesi che tocca direttamente chi compra oggi un Mac o un PC pensando all’IA locale, soprattutto quando la RAM non potrà essere aggiunta in seguito.
In piena crisi delle memorie, con RAM e SSD diventati molto più costosi, Sam Altman ha scelto di mettere in discussione proprio il modo in cui utilizziamo la memoria dei nostri computer. Ospite del podcast Cheeky Pint di John Collison, cofondatore di Stripe, nella puntata pubblicata il 29 ottobre 2026, il CEO di OpenAI ha definito “piuttosto terribile”, dal punto di vista dell’allocazione globale, che una parte della limitata disponibilità mondiale di DRAM finisca dentro i dispositivi personali.
Il ragionamento: memoria usata solo il 5% del tempo
Il discorso di Altman nasce da una domanda precisa: la diffusione di modelli aperti, che possono essere eseguiti direttamente sul proprio computer, potrebbe ridurre la necessità dei grandi data center? Secondo il numero uno di OpenAI, molti arrivano a questa conclusione senza considerare il problema della disponibilità globale della memoria.
La sua tesi è economica. La DRAM è una risorsa oggi limitata e, secondo Altman, in un computer personale resterebbe inutilizzata per buona parte della giornata: parla di un utilizzo pari a circa il 5% del tempo. Nei server cloud, invece, la stessa memoria può essere sfruttata continuamente e condivisa fra molti utenti. In un mercato fortemente limitato dall’offerta, il suo ragionamento porta quindi a privilegiare la massima utilizzazione dell’hardware.
Servono però due precisazioni. La prima: quel 5% è una stima indicata da Altman durante la conversazione, senza dati o metodologia a supporto. La seconda: il CEO di OpenAI non ha proposto divieti, contingentamenti della RAM o limitazioni alla vendita di memoria ai privati. Ha espresso una preferenza su dove, secondo lui, quella memoria dovrebbe finire.
Il passaggio si trova attorno al ventinovesimo minuto della conversazione: nella trascrizione completa del podcast Cheeky Pint, Altman spiega che, dal punto di vista dell’allocazione globale, considera poco efficiente avere una parte della limitata disponibilità mondiale di DRAM installata nei computer e utilizzata, nella sua stima, soltanto per una piccola parte del tempo.
Il contesto: una crisi che l’IA ha contribuito a creare
Le parole di Altman pesano soprattutto per il momento in cui arrivano. Come abbiamo ricostruito nel nostro approfondimento sul superciclo delle memorie del 2026, la crescita dei data center AI sta aumentando la richiesta di HBM, DRAM per server e NAND, riducendo contemporaneamente la capacità disponibile per molti prodotti consumer.
La situazione potrebbe protrarsi a lungo. SK hynix, presentando i risultati del terzo trimestre 2026, ha spiegato che la capacità produttiva fatica a crescere allo stesso ritmo della domanda e prevede una struttura di mercato nella quale la domanda continuerà a superare l’offerta fino al 2030. Più della metà della capacità produttiva prevista per il 2027 e il 2028 risulta inoltre già coperta da accordi di lungo periodo.
Anche Micron vede una scarsità destinata a durare. Ne abbiamo parlato nell’articolo dedicato alla carenza di RAM e SSD prevista almeno fino al 2028: la crescita dell’IA sta rendendo più redditizi i prodotti destinati ai data center e sta aumentando la pressione sulla capacità produttiva disponibile per PC, smartphone e dispositivi consumer.
Il paradosso OpenAI
È proprio qui che la posizione di Altman diventa più scomoda. OpenAI è direttamente coinvolta in una delle maggiori espansioni infrastrutturali legate all’intelligenza artificiale. Nell’ambito del progetto Stargate, Samsung e SK hanno annunciato una collaborazione con OpenAI che contempla una domanda potenziale di memoria nell’ordine di centinaia di migliaia di wafer DRAM al mese.
Non significa che OpenAI abbia semplicemente “sottratto” RAM ai consumatori. La dinamica è più ampia: l’espansione dell’IA sta creando una domanda enorme di memoria ad alte prestazioni e i produttori hanno un forte incentivo economico a destinare investimenti e capacità ai prodotti per server e data center.
Resta però il paradosso. Una delle aziende che contribuisce maggiormente alla crescita della domanda di infrastrutture AI sostiene contemporaneamente che, in presenza di una risorsa scarsa, la memoria nei computer personali rappresenti un’allocazione poco efficiente. È comprensibile che questa posizione abbia provocato reazioni negative soprattutto tra chi vede nell’IA locale un’alternativa proprio alla crescente concentrazione del calcolo nei data center.
Dove il ragionamento di Altman funziona, e dove no
Sul piano strettamente industriale il ragionamento ha una logica. Un server che lavora ventiquattro ore su ventiquattro può sfruttare memoria, processori e acceleratori molto più intensamente rispetto a un computer personale che viene acceso alcune ore al giorno.
Ma il problema è la metrica scelta. La RAM non serve soltanto all’IA e un computer personale non deve usare permanentemente tutta la memoria installata per giustificarne la presenza.
Chi lavora con montaggio video può avere bisogno di 64 GB soltanto durante alcuni progetti. Uno sviluppatore può richiedere molta memoria quando esegue macchine virtuali o compila software complesso. Fotografi, progettisti, giocatori e utenti che tengono aperte decine di schede del browser possono avere picchi analoghi.
Misurare quindi l’efficienza della memoria quasi esclusivamente in base al tempo in cui viene sfruttata significa adottare una metrica che favorisce il cloud per costruzione. Per l’utente conta anche poter disporre della capacità quando serve, indipendentemente dal fatto che quella risorsa resti inutilizzata durante il resto della giornata.
Lo stesso vale per l’intelligenza artificiale locale. Un modello potrebbe essere eseguito soltanto qualche volta al giorno, ma questo non rende necessariamente inefficiente avere la memoria necessaria sul proprio computer. Significa poter lavorare senza inviare documenti al cloud, continuare a utilizzare il modello anche senza collegamento a Internet e non dipendere per ogni elaborazione dalla capacità o dalle condizioni commerciali di un servizio remoto.
L’interesse economico di OpenAI in questo dibattito è evidente. Il gruppo sta investendo enormemente nella capacità dei data center e gran parte dei suoi servizi viene eseguita su infrastrutture remote. Una crescita dell’IA locale può ridurre, almeno per alcuni utilizzi, la necessità di affidarsi continuamente a quei servizi.
Questo non significa che locale e cloud siano destinati a escludersi. Modelli enormi e attività particolarmente complesse favoriscono ancora il cloud, mentre privacy, disponibilità, latenza e assenza di costi ricorrenti possono rendere più conveniente il locale in altri scenari.
Resta però una questione più ampia: un modello nel quale memoria e capacità di calcolo vengono concentrate nelle mani di poche aziende sposta progressivamente l’equilibrio dalla proprietà al noleggio. L’utente possiede meno capacità di elaborazione e acquista invece accesso temporaneo a infrastrutture controllate da altri.
Cosa cambia per chi usa Mac e PC
Nell’immediato non cambia nulla: nessuno verrà a requisire la RAM del nostro portatile. La dichiarazione di Altman dice però molto sulla direzione in cui una parte dell’industria dell’IA vorrebbe spingere il mercato: più capacità concentrata nei data center e più elaborazione venduta come servizio.
Per gli utenti Mac il tema è particolarmente importante. Sui modelli Apple Silicon la memoria unificata è integrata nel sistema e non può essere espansa dopo l’acquisto. La quantità scelta al momento dell’ordine accompagna quindi la macchina per tutta la sua vita utile.
La memoria determina inoltre sempre più direttamente quali applicazioni e quali modelli di IA possono essere utilizzati in locale. Lo abbiamo visto con AFM 3 Core Advanced di Apple, dove il requisito di 12 GB introduce già una distinzione fra dispositivi capaci o meno di eseguire il modello locale più evoluto.
Il fenomeno diventa ancora più evidente con i modelli linguistici generativi. Nella nostra guida a Jan, l’AI che può vivere direttamente sul Mac, la quantità di memoria è uno dei parametri che decidono quale modello può essere caricato: passando a LLM più grandi, 16 o 32 GB possono fare una differenza sostanziale.
Abbiamo analizzato lo stesso fenomeno confrontando i diversi Mac Apple Silicon per l’esecuzione dell’AI locale: memoria disponibile e banda incidono direttamente sulla dimensione dei modelli utilizzabili e sulle prestazioni. Su un Mac, quindi, la memoria acquistata oggi determina anche una parte di ciò che la macchina potrà fare con l’IA domani.
Se contemporaneamente i produttori continueranno a privilegiare HBM, server DRAM e prodotti destinati ai data center, il rischio concreto è che le configurazioni consumer con molta memoria restino costose ancora a lungo. È precisamente il problema emerso nella nostra analisi del superciclo RAM del 2026.
Per chi deve comprare un computer nei prossimi mesi, il consiglio resta quello di sempre, ma oggi pesa di più: dimensionare la memoria pensando a come verrà utilizzata la macchina fra tre o quattro anni, non soltanto ai programmi che utilizziamo oggi. Su un PC espandibile sarà talvolta possibile correggere la scelta in seguito. Su molti notebook e soprattutto sui Mac Apple Silicon quella decisione viene presa una volta sola.
