Molti contenuti hardware sull'IA presuppongono un budget di mille dollari. Questo articolo non è così. Se hai 500 dollari o meno e vuoi svolgere attività reali di intelligenza artificiale in locale — eseguire piccoli modelli LLM, generare immagini con Stable Diffusion, imparare a muoverti nell'ecosistema — ecco le opzioni oneste disponibili nel 2026 e quale scegliere.
In breve: nessuna di queste GPU riesce a eseguire Llama 3 70B. Tutte, invece, gestiscono agevolmente Llama 3 8B e SDXL. La scelta dipende soprattutto da quanta VRAM riesci a ottenere entro il tuo budget.
Punti chiave
- Miglior scelta economica complessiva: RTX 3060 12 GB (280 dollari) — ancora sovrana tra le GPU economiche per l'IA nel 2026.
- Miglior opzione nuova con garanzia: RTX 4060 16 GB (430 dollari) — più VRAM e maggiore velocità.
- Miglior opzione alternativa: Intel Arc B580 (249 dollari) — la più veloce in termini di token elaborati per dollaro, ma con software meno maturo.
- Opzione usata: RTX 3090 (650 dollari, leggermente oltre il budget) — offre 24 GB di VRAM. Vale la pena superare leggermente il budget.
- Nessuna di queste GPU esegue modelli della classe 70B a velocità utilizzabili. Attenzione all'acquisto.
Elenco ristretto
| GPU | VRAM | Prezzo (nuovo) | Llama 3 8B Q4 | SDXL 1024×1024 |
|---|---|---|---|---|
| RTX 3060 12 GB | 12 GB | $280 | 48 t/s | 4,1 iterazioni/s |
| RTX 4060 8 GB | 8 GB | $300 | 62 token/s | 5,2 it/s |
| RTX 4060 Ti 16 GB | 16 GB | $430 | 74 t/s | 7,1 it/s |
| Intel Arc B580 | 12 GB | $249 | 38 t/s (ROCm) | 3,4 it/s |
| RX 7600 XT | 16 GB | $330 | 52 t/s (ROCm) | 4,5 it/s |
| RTX 3090 usata | 24 GB | $650 (oltre) | 92 t/s | 14,8 it/s |
1. RTX 3060 da 12 GB — il re indiscusso dell’IA economica
Cinque anni dopo il lancio, la RTX 3060 da 12 GB è ancora in produzione e rimane la risposta ideale alla domanda «dammi una soluzione economica per l’IA». I 12 GB di memoria sono sufficienti per eseguire qualsiasi modello della classe 7–8B con quantizzazioni di qualità elevata, e il supporto CUDA è maturo al massimo grado. Il consumo energetico è contenuto (170 W), si adatta a qualsiasi PC e la si trova facilmente presso qualsiasi rivenditore.
Ciò che non può fare: gestire modelli più grandi di 13B. SDXL risulta lenta rispetto a una 4060 Ti. FLUX.1 dev funziona, ma richiede 6 secondi per immagine.
Acquista se: desideri l’ingresso più economico nell’IA locale senza alcun ostacolo software.
2. RTX 4060 Ti da 16 GB — la via di mezzo
For ~$150 more than the 3060, you get 4 GB more VRAM (16 vs 12) and 50% more inference speed. The 16 GB enables Llama 3 13B / Phi-4 / Qwen 2.5 14B at solid quants — meaningful step up.
L’aspetto negativo: la 4060 Ti dispone di un bus di memoria da 128 bit notoriamente stretto, che crea colli di bottiglia in alcuni carichi di lavoro. Per l’IA questo fattore conta meno rispetto ai giochi.
Acquista se: desideri una scheda economica in grado di eseguire comodamente modelli da 13B e generare immagini con SDXL a velocità elevate.
3. Intel Arc B580 — la carta jolly
A $249, l’Arc B580 offre il miglior rapporto dollari/byte di VRAM nel 2026. Grazie a IPEX-LLM e OpenVINO di Intel, esegue Llama 3 8B a circa 38 t/s — più lenta di una 3060, ma utilizzabile.
Il vero aspetto negativo: l’ecosistema software è irregolare. llama.cpp con Vulkan/SYCL funziona. ComfyUI funziona con alcuni plugin. PyTorch con l’estensione Intel funziona per molti modelli, ma non per tutti. Il codice di ricerca più recente raramente supporta fin dal primo giorno le GPU Arc.
Acquista se: sei disposto a risolvere manualmente problemi software per ottenere l’opzione più economica da 12 GB, oppure desideri anche una scheda grafica performante per i giochi.
4. RTX 3090 usata — allunga il budget se puoi
Questa è la scelta «se riesci a spendere fino a $650». La 3090 dispone di 24 GB di VRAM a un prezzo non molto superiore a quello della 4060 Ti, il che rappresenta una classe di prestazioni diversa: esegue Llama 3 da 70B in Q3 (in modo approssimativo ma possibile), Qwen da 32B in Q5 con grande agio e Generazione di video con IA a basse risoluzioni.
Gli svantaggi: ha 5 anni, richiede un alimentatore più potente (750 W o superiore), raggiunge temperature elevate ed è un prodotto usato.
Acquista se: riesci a mettere insieme $650, disponi di un buon alimentatore e desideri eseguire localmente modelli davvero interessanti.
Per un’analisi approfondita, consulta il nostro migliore GPUs for local LLMs guida.
Vantaggi e svantaggi a colpo d’occhio
La realtà sotto i $500
- Puoi svolgere un vero lavoro di IA a basso costo
- i modelli LLM da 8B girano a «velocità superiore a quella con cui leggi»
- la generazione di immagini con SDXL è produttiva
- un ottimo modo per imparare prima di impegnarti su scala maggiore
Ciò che si rinuncia
- nessun modello da 70B eseguibile localmente
- nessuna generazione di video AI (o quasi)
- il fine-tuning è lento
- lo supererai in 12–18 mesi se ti addentrerai profondamente nell’argomento
E le schede che NON abbiamo selezionato?
- RX 6700 XT da 12 GB ($330) — il supporto ROCm su RDNA 2 è ancora instabile; la 7600 XT è la scelta AMD migliore.
- RTX 4060 8 GB — gli 8 GB sono insufficienti per l’IA nel 2026. Evitala per il machine learning, anche se il prezzo è allettante.
- RTX 3050 da 8 GB — stesso problema, ma ancora più lenta.
- GTX 1660 Super — precede l’introduzione dei Tensor Core ed è drasticamente più lenta per l’IA. Non acquistarla.
Quale scheda corrisponde effettivamente ai carichi di lavoro che eseguirai
Le opzioni proposte sono abbastanza vicine sul piano teorico, quindi la scelta giusta dipende da una sola domanda: cosa caricherai effettivamente nella VRAM? L’IA economica è quasi interamente limitata dalla memoria, quindi parti dal modello, non dai benchmark. Ecco come la lista ristretta si traduce in carichi di lavoro reali.
- LLM locali della classe 7B–13B (chat, assistenti per la programmazione, RAG): Un modello da 7B in 4-bit (Q4) richiede solo circa 5–6 GB, mentre uno da 13B occupa circa 8–10 GB, lasciando spazio per il contesto. Qualsiasi scheda da 12 GB gestisce agevolmente questo carico, ed è proprio per questo che la RTX 3060 12 GB rimane il punto di riferimento minimo per rapporto qualità-prezzo. Il suo bus da 192 bit e la larghezza di banda di circa 360 GB/s contano qui più della velocità raw dei tensori, poiché la generazione dei token è limitata dalla velocità con cui i pesi vengono trasferiti attraverso la memoria.
- Stable Diffusion e SDXL: SDXL gira in FP16 occupando circa 8 GB, quindi tutte queste schede lo gestiscono. Il fattore differenziante è la dimensione del batch e il margine disponibile per risoluzioni elevate, dove la RTX 4060 Ti 16 GB si distingue, permettendoti di accodare batch più grandi in ComfyUI senza dover ricorrere alla RAM di sistema.
- FLUX e modelli di immagine più pesanti: FLUX in precisione piena richiede molto più spazio di quanto offerto da qualsiasi scheda sotto i 500 dollari, quindi dovrai eseguire versioni quantizzate GGUF o in FP8 (una versione Q4 di FLUX occupa circa 7 GB). La VRAM aggiuntiva delle schede da 16 GB ti consente di usare quantizzazioni di qualità superiore e ridurre gli errori di memoria esaurita.
- Modelli più grandi e la questione dei 24 GB: Passando oltre i 13B verso modelli da 30B o eseguendo un fine-tuning leggero, servono davvero circa 20–24 GB di VRAM, e la RTX 3090 usata RTX 3090 è il metodo classico per ottenere 24 GB a basso costo. Sii però onesto sul prezzo: nel 2026 una RTX 3090 usata costa tipicamente tra 600 e 800 dollari, mentre occasioni sotto i 500 dollari sono rare, non comuni. Se ne trovi una vicina al tuo budget, è l’unica via realistica per arrivare a 24 GB; altrimenti, il tetto pratico sotto i 500 dollari è una scheda da 16 GB, e i modelli da 30B restano fuori portata senza ricorrere all’offload sulla RAM di sistema.
- Seguire tutorial CUDA senza alcun intoppo: Se hai intenzione di copiare e incollare codice da repository GitHub o da YouTube, resta su NVIDIA. La Intel Arc B580 (12 GB, circa 249 dollari) è effettivamente capace per l’inferenza, ma opera tramite IPEX, Vulkan o OpenVINO anziché CUDA, raggiungendo circa il 70–75% delle prestazioni di una scheda NVIDIA comparabile e non supportando kernel CUDA personalizzati. Sceglila solo se sei disposto ad adattare il codice.
La scorciatoia onesta: scegli la RTX 3060 12 GB se esegui principalmente LLM e vuoi spendere il meno possibile; la RTX 4060 Ti 16 GB se la generazione di immagini è la tua priorità e valorizzi l’efficienza; e cerca una RTX 3090 usata RTX 3090 solo se riesci a trovarne una vicina al tuo budget e se i 24 GB di capacità sono effettivamente ciò di cui hai bisogno. Considera l’Arc B580 quando il rapporto prezzo-per-gigabyte supera per te la comodità dell’ecosistema.
Domande frequenti
Posso eseguire Stable Diffusion in modo serio con una GPU da 300 dollari?
Sì. La RTX 3060 da 12 GB a 280 dollari esegue SDXL a 4 it/s — perfettamente produttiva per un utilizzo personale. FLUX.1 schnell funziona in modalità a bassa VRAM. Non potrai generare video in batch da 100, ma per immagini singole e piccoli batch è più che sufficiente.
La RTX 5050 / 5060 sarà una scelta migliore nella fascia economica nel 2026?
La RTX 5060 (da 8 GB, secondo le voci, a 300 dollari) ha troppo poca VRAM per essere raccomandata per l’IA. Anche al lancio, la RTX 4060 Ti da 16 GB o la RTX 3060 da 12 GB rimarranno scelte migliori per l’IA a prezzi simili. Aspetta le schede della serie 50 con almeno 16 GB di VRAM che non siano però fissate a prezzi da top di gamma.
Devo acquistare usato o nuovo sotto i 500 dollari?
Una RTX 3090 usata (650 dollari) supera ampiamente ogni nuova scheda sotto i 500 dollari per compiti legati all’IA. Se puoi permettertelo e accetti il rischio associato all’hardware usato, è l’acquisto più intelligente. Rispettando rigorosamente il budget di 500 dollari, le RTX 3060 da 12 GB o RTX 4060 Ti da 16 GB nuove sono le scelte più sicure.
Una GPU economica + l’offload sulla CPU può eseguire modelli più grandi?
Tecnicamente sì — sia Ollama che llama.cpp supportano l’offload dei layer tra GPU e RAM di sistema. Le prestazioni sono tuttavia estremamente scarse (3–8 token/sec per modelli da 70B), rendendola impraticabile come strumento quotidiano. Utile solo per curiosità occasionali, non per un utilizzo reale.
Di quale alimentatore (PSU) ho bisogno per una di queste schede?
Un alimentatore da 550 W certificato Gold è sufficiente per tutte le schede elencate, tranne per la RTX 3090 usata (che richiede 750 W). Se già possiedi un alimentatore da 500 W, la RTX 3060 da 12 GB si adatterà comodamente; la RTX 4060 Ti è anch’essa compatibile; la RTX 3090 invece attiverà la protezione contro il sovraccarico.
Come abbinare una GPU economica alle dimensioni del modello che voglio eseguire?
Usa una semplice regola empirica per la quantizzazione in 4-bit (Q4): un modello da 7B richiede circa 5–6 GB di VRAM, uno da 13B circa 8–10 GB, e un modello da 30B circa 20–24 GB, lasciando sempre un paio di gigabyte liberi per il contesto. Ciò significa che una scheda da 12 GB gestisce comodamente modelli da 7B–13B, una da 16 GB offre un margine aggiuntivo e batch di immagini più grandi, mentre per entrare nella fascia da 30B serve una scheda da 24 GB, come una RTX 3090 usata (che nel 2026 viene solitamente venduta a un prezzo superiore ai 500 dollari). Decidi prima qual è il modello più grande che intendi realmente utilizzare, poi acquista la scheda più piccola che lo supporti con un certo margine.
Devo necessariamente scegliere NVIDIA, oppure Intel e AMD sono valide anche nella fascia economica?
Non è strettamente obbligatorio, ma NVIDIA rimane il percorso a minor resistenza, poiché quasi tutti i tutorial, le librerie di quantizzazione e i kernel personalizzati presuppongono CUDA. L’Intel Arc B580 funziona bene per l’inferenza tramite IPEX, Vulkan o OpenVINO ed è eccellente in termini di valore per gigabyte, ma devi aspettarti di dover adattare il codice e accettare prestazioni inferiori del 25–30% rispetto a una scheda NVIDIA equivalente. ROCm di AMD è migliorato, ma continua a rimanere indietro sulle schede consumer. Se il tuo tempo vale più del risparmio, resta su NVIDIA; se invece ami sperimentare, le alternative sono opzioni reali.
Come verifico che una GPU usata economica funzioni effettivamente prima di pagare?
Tre controlli individuano quasi tutti i difetti. Primo, verifica esattamente modello e quantità di VRAM tramite software come GPU-Z: non fidarti mai dell’adesivo, perché una RTX 3060 da 8 GB viene talvolta spacciata per la versione da 12 GB. Secondo, esegui un test dedicato della VRAM, ad esempio con OCCT o un tester della memoria GPU, per almeno dieci minuti; la memoria difettosa produce puntini colorati, linee o artefatti visivi e non è riparabile. Terzo, esegui un test di stress come FurMark per quindici minuti, controllando che le temperature rimangano sotto gli 85 °C. Se il venditore non consente un test in diretta, passa oltre.
Conclusione
La risposta onesta alla domanda «qual è la migliore GPU economica per l’IA sotto i 500 dollari» nel 2026 è: acquistare la RTX 3060 da 12 GB a 280 dollari a meno che tu non abbia una ragione specifica per non farlo. Ha cinque anni, supporta CUDA in modo maturo, dispone di 12 GB di VRAM ed è ancora in produzione — rappresenta la scelta più intelligente per chi vuole imparare l’IA locale senza spendere troppo.
Se riesci a spingerti fino a 430 dollari, la RTX 4060 Ti da 16 GB è un upgrade significativo. Se invece puoi permetterti una RTX 3090 usata a 650 dollari, quella è effettivamente la soluzione ideale per chi costruisce sistemi AI in modo economico nel 2026.
Ciò che non potrai fare, indipendentemente dalla scheda sub-500 dollari scelta, è eseguire localmente modelli open-weight di ultima generazione con prestazioni utilizzabili. Questa è la linea di confine. Superala in futuro, quando il tuo budget lo consentirà.
