Ollama Cloud Spiegato: Modelli Cloud, Piani e Self-Hosting

«Ollama Cloud» ora significa due cose diverse. La prima è il servizio di Ollama: modelli cloud che vengono eseguiti sui server di Ollama, pagati per token o tramite un piano mensile, a cui accedi dall'app Ollama, dalla CLI o da un'API che utilizza lo stesso /api/chat formato di richiesta di Ollama locale. La seconda è il self-hosting: eseguire il server Ollama open-source su un'istanza GPU noleggiata da AWS, Google Cloud, Azure o un altro provider, pagato all'ora. Questa guida copre entrambi, come i loro costi si confrontano con GPU locali e API hosted, e cosa sacrifichi in termini di privacy e controllo.

Cosa significa Ollama Cloud

Quando la gente dice «Ollama cloud», intende una di tre cose:

1. I modelli cloud di Ollama: un servizio hosted gestito da Ollama. I modelli vengono eseguiti sull'infrastruttura di Ollama, che la sua pagina dei prezzi dice sia principalmente negli Stati Uniti, e paghi per token o tramite un piano mensile. La prossima sezione lo illustra.
2. Ollama auto-hosted su macchine virtuali cloud: Noleggi una macchina virtuale dotata di GPU da AWS EC2, Google Compute Engine, Azure, Lambda Labs o RunPod, installi Ollama manualmente e vi esegui i modelli. Gestisci l’istanza tu stesso, ma non acquisti l’hardware.
3. Servizi Ollama gestiti: Piattaforme di terze parti che pre-installano Ollama, gestiscono il ridimensionamento e ti addebitano per richiesta o per minuto. Queste sono meno comuni e tipicamente costruite sopra l'approccio self-hosted.

Tutti e tre contrastano con l'esecuzione di Ollama in locale sul tuo desktop o server personale. Quando fai self-hosting, il binario Ollama, la libreria di modelli, la CLI e l'API rimangono identici e cambia solo la posizione di esecuzione; il cloud di Ollama offre il suo elenco di modelli hosted.

Modelli Cloud Ufficiali di Ollama

La documentazione cloud di Ollama descrive i modelli cloud come un modo per eseguire modelli sui server di Ollama dalle tue app o dal tuo terminale, senza scaricarli prima. Ci sono due modi:

• Dall'app Ollama o dalla CLI. Esegui ollama (oppure apri l'app), segui i prompt di configurazione e accedi. I modelli cloud hanno un tag cloud; l'esempio nella documentazione è gemma4:cloud.
• Direttamente tramite l'API. Crea una chiave su ollama.com/settings/keys, impostala come OLLAMA_API_KEYe invia le richieste a https://ollama.com/api/chat con un header Authorization: Bearer Non è necessaria un'installazione locale, il testo di risposta si trova in message.contente i nomi dei modelli provengono da https://ollama.com/api/tagsOllama afferma che anche i client compatibili con OpenAI e Anthropic funzionano, con copertura parziale dell'API.

export OLLAMA_API_KEY="your_api_key"
curl https://ollama.com/api/chat -H "Authorization: Bearer $OLLAMA_API_KEY" -H "Content-Type: application/json" -d '{"model": "gemma4:31b", "messages": [{"role": "user", "content": "Hello"}], "stream": false}'

Piani elencati sulla pagina dei prezzi di Ollama, verificati il 6 novembre 2026 (in dollari statunitensi):

Piano	Prezzo	Utilizzo cloud incluso	Richieste simultanee
Pay as you go	$0, nessun abbonamento	Pagamento per token con crediti di utilizzo	3
Pro	$20/mese o $200/anno	$60 di crediti di utilizzo al mese	3
Max	$100/mese	$300 di crediti di utilizzo al mese	10
Team (early access)	$500/mese	$1.000 di crediti di utilizzo al mese, condivisi dal team	10
Enterprise	Personalizzato	Prezzi su volume	Non indicato

L'utilizzo incluso si azzera ogni mese e non si accumula. Le richieste al di sopra del tuo limite di concorrenza rimangono in coda di dimensione fissa e vengono rifiutate una volta che è piena, e l'esecuzione di modelli sul tuo hardware rimane illimitata. Sulla privacy, la documentazione di Ollama afferma che elabora i prompt cloud e le risposte per rispondere alle tue richieste e non le utilizza per addestrare modelli. Se vuoi solo modelli locali, la Domande frequenti spiega come disattivare le funzioni cloud.

Ollama Self-Hosted su una Cloud VM vs Ollama Locale

Dimensione	Ollama in locale	Ollama su cloud
Costo hardware	Acquisto GPU anticipato	Noleggio orario; la tariffa dipende dalla GPU, dalla regione e dal livello (vedi la sezione dei prezzi)
Velocità di inferenza	Dipende dalla tua GPU; nessuna latenza di rete	Dipende dalla GPU noleggiata; aggiunge un round trip di rete a ogni richiesta
Privacy	I prompt non lasciano mai il tuo dispositivo	I prompt e le risposte viaggiano sulla rete; il fornitore cloud ha accesso ai metadati del traffico
Scalabilità	Fissa, determinata dall’hardware disponibile	Possibilità di avviare istanze più grandi o aggiuntive su richiesta
Manutenzione	Tu gestisci sistema operativo, driver e aggiornamenti di Ollama	Tu gestisci la VM (se auto-hosted) oppure la piattaforma se ne occupa (nei servizi gestiti)
Disponibilità	Legata alla disponibilità (uptime) del tuo dispositivo	Sempre attiva, purché mantenga l’istanza in esecuzione; paghi anche per il tempo di inattività (idle time)

L’esperienza funzionale è identica. Uno script che esegue curl http://localhost:11434/api/generate funziona senza modifiche se sostituisci localhost con l’indirizzo IP pubblico della tua istanza cloud.

Compatibilità CLI e API

L’interfaccia a riga di comando (CLI) e l’API REST di Ollama sono indipendenti dal trasporto. Per configurare la CLI in modo che punti a un’istanza cloud anziché a un server locale:

export OLLAMA_HOST=http://203.0.113.42:11434
ollama run llama3.1:8b

Sostituisci 203.0.113.42 con l’indirizzo IP pubblico della tua VM cloud. Il modello verrà scaricato sull’istanza cloud ed eseguito lì; la tua console riceverà le risposte in streaming tramite la rete.

Per i client API, modifica l’URL base:

curl http://203.0.113.42:11434/api/generate -d '{
  "model": "llama3.1:8b",
  "prompt": "Spiega le reti neurali in una frase."
}'

Tutti gli endpoint (/api/generate, /api/chat, /api/embeddings) si comportano in modo identico. Le librerie client (Python, JavaScript, Go) accettano un parametro host personalizzabile:

import ollama
client = ollama.Client(host='http://203.0.113.42:11434')
response = client.chat(model='llama3.1:8b', messages=[...])

Non sono necessarie modifiche al codice oltre alla sostituzione dell’URL dell’endpoint.

Quali modelli sono disponibili

Quando ospiti in autonomia, ogni modello nella libreria Ollama funziona su un'istanza cloud. Il Elenco modelli Ollama include Llama 3.1, Mistral, Gemma 2, Qwen, Phi, DeepSeek, e decine di altri modelli. La disponibilità dei modelli non è limitata dal luogo in cui viene eseguito Ollama.

Il vincolo principale è la VRAM della GPU. Un’istanza cloud dotata di una NVIDIA L4 (24 GB di VRAM) può eseguire gli stessi modelli quantizzati di una RTX 4090 locale. Un’istanza più piccola con 16 GB di VRAM è invece limitata a modelli più piccoli o a livelli più spinti di quantizzazione, esattamente come avviene con l’hardware locale. Usa il Calcolatore VRAM per determinare quale tipo di istanza ti serve per un dato modello e livello di quantizzazione.

Prezzi: cloud vs locale vs servizi API

I prezzi dei GPU cloud cambiano spesso e variano per regione e per livello (on-demand, spot o community), quindi controlla la pagina dei prezzi del provider prima di pianificare il budget. Due esempi, verificati il 6 novembre 2026:

• RunPod: suoi nel precisare che i suoi 125 crediti non si rinnovano, e elenca un pod RTX 4090 (24 GB) a $0,89 l'ora su Secure Cloud e $0,34 l'ora su Community Cloud, e un A40 a $0,59 l'ora su Secure Cloud.
• AWS: un g5.xlarge istanza ha una GPU NVIDIA A10G con 24 GB di memoria, sufficiente per modelli da 7B e 8B; la tariffa oraria per la tua regione è su pagina dei prezzi EC2 on-demand.

Eseguire un'istanza 24 ore su 24 costa la sua tariffa oraria moltiplicata per circa 730 ore al mese, quindi il pod RTX 4090 a $0,89 l'ora di cui sopra arriva a circa $650 al mese. A quel livello di utilizzo, acquistare una scheda comparabile in proprio può ammortizzarsi nel giro di mesi. Il calcolatore self-hosting vs API analizza questo aspetto considerando diversi modelli di utilizzo.

Il punto di pareggio varia in base al livello di utilizzo:

• Utilizzo intensivo (8+ ore/giorno): L'hardware locale si ripaga in pochi mesi.
• Utilizzo intermittente (qualche ora/settimana): Le istanze cloud risultano più convenienti: si paga solo per le ore effettivamente utilizzate.
• Carichi di lavoro a picco (burst): Con il cloud è possibile noleggiare una GPU di fascia alta per un compito breve senza doverla acquistare.

Confrontalo con servizi API ospitati come OpenAI, Anthropic o Groq, che addebitano per token. Le API ospitate servono anche piccoli modelli aperti come Llama 3.1 8B, e le loro tariffe per token variano notevolmente tra i provider. Se sia più economico di Ollama cloud dipende dal tuo volume di richieste e dalla lunghezza media della risposta. Il Calcolatore costi API analizza nel dettaglio costi per modello e utilizzo mensile.

Privacy e controllo dei dati

Eseguire Ollama localmente significa che i tuoi prompt, gli output dei modelli e tutti i documenti elaborati non lasciano mai il tuo computer. Questo è fondamentale per settori regolamentati (sanità, legale, finanza) o per dati proprietari.

Eseguire Ollama su una macchina virtuale cloud comporta i seguenti rischi:

• Transito sulla rete: I prompt e le risposte viaggiano tra il client e l'istanza cloud, potenzialmente attraverso Internet pubblico, a meno che non si utilizzi una VPN o una rete privata.
• Accesso del fornitore cloud: AWS, Google e Azure hanno accesso tecnico alla memoria e al disco della tua VM. Sebbene contrattualmente si impegnino a non ispezionare i dati dei clienti, tale possibilità rimane comunque concreta.
• Log e metadati: I fornitori cloud registrano le connessioni di rete, le chiamate API alle loro interfacce di gestione e gli eventi di fatturazione. Questi log rivelano quando stai eseguendo inferenze e quanta potenza computazionale stai utilizzando, anche se non mostrano il contenuto effettivo dei prompt.
• Residenza dei dati: La tua VM viene eseguita in una specifica regione AWS o zona GCP. Se il tuo quadro normativo impone restrizioni sulla localizzazione dei dati, dovrai selezionare di conseguenza la regione.

Se il tuo modello di minaccia include attori statali o richieste di produzione probatoria da parte del fornitore cloud, l'inferenza locale è l'unica opzione sicura. Se invece ottimizzi per costo e comodità e i tuoi dati non sono sensibili, l'hosting su cloud è perfettamente praticabile.

Quando scegliere il cloud invece dell’hardware locale

Scegli Ollama su cloud quando:

• Hai bisogno di accedere a modelli linguistici di grandi dimensioni (LLM), ma non possiedi una GPU e non puoi giustificare il costo iniziale di una GPU performante.
• Il tuo utilizzo è intermittente — qualche ora alla settimana o al mese — e preferisci pagare per la potenza computazionale solo quando la utilizzi effettivamente.
• Hai bisogno di scalare temporaneamente verso l'alto per un grosso batch job, per poi ridurre nuovamente le risorse.
• Stai facendo prototipazione e vuoi testare diversi tipi di GPU (16 GB, 24 GB, 40 GB) prima di investire nell'acquisto di hardware dedicato.
• Stai sviluppando un servizio che richiede disponibilità continua (24/7) e ridondanza, e gestire autonomamente server fisici non è fattibile.

Scegli Ollama locale quando:

• Già possiedi una GPU con almeno 12 GB di VRAM, oppure sei disposto ad acquistarne una.
• Esegui inferenze quotidianamente per diverse ore: l'hardware si ripaga rapidamente.
• La privacy è un requisito assoluto: i tuoi dati non possono in alcun caso lasciare i tuoi locali.
• Vuoi eliminare completamente i costi per singola richiesta e avere spese prevedibili.
• Sei offline o operi su una rete con accesso in uscita limitato.

Il calcolatore self-hosting vs API ti consente di immettere l'utilizzo mensile previsto (ore di inferenza, numero di richieste, token medio per richiesta) e confrontare il costo dell'acquisto di una GPU, dell'affitto di un'istanza cloud o dell'utilizzo di un servizio API ospitato. Eseguilo con i tuoi numeri prima di affittare o acquistare.

Configurazione di Ollama su un'istanza cloud

Il processo è identico su tutti i provider: avvia un'istanza con GPU, accedi tramite SSH, installa Ollama ed espone la porta 11434.

AWS EC2

1. Avvia un'istanza g5.xlarge o g5.2xlarge (Ubuntu 22.04 LTS, GPU NVIDIA A10G).
2. Accedi all'istanza tramite SSH: ssh -i your-key.pem ubuntu@<instance-ip>
3. Installa Ollama: curl -fsSL https://ollama.com/install.sh | sh
4. Avvia Ollama: ollama serve (oppure configuralo come servizio systemd).
5. Scarica un modello: ollama pull llama3.1:8b
6. Configura il gruppo di sicurezza per consentire traffico TCP in entrata sulla porta 11434 proveniente dal tuo indirizzo IP.

Google Cloud Platform

1. Crea una VM Compute Engine dotata di GPU T4 o A100 (seleziona una famiglia di macchine abilitata per GPU).
2. Accedi tramite SSH dalla console GCP o gcloud compute ssh.
3. Installa Ollama: curl -fsSL https://ollama.com/install.sh | sh
4. Avvia Ollama: ollama serve
5. Aggiorna le regole del firewall per consentire il traffico TCP sulla porta 11434 dall'intervallo di indirizzi IP in uso.

Lambda Labs o RunPod

1. Noleggia un'istanza dotata di una GPU RTX 4090 o A10.
2. Accedi tramite SSH utilizzando le credenziali fornite.
3. Installa Ollama: curl -fsSL https://ollama.com/install.sh | sh
4. Avvia Ollama ed esegui il download dei modelli come indicato sopra.

Per l'uso in produzione, esegui Ollama come servizio systemd in modo che venga riavviato automaticamente al riavvio del sistema e utilizza un reverse proxy (Nginx o Caddy) con crittografia TLS se lo esponi a Internet pubblico.

Qualsiasi provider: l'immagine Docker ufficiale

Su qualsiasi host GPU che esegue Docker, la guida Docker di Ollama avvia il server con un comando, una volta installato NVIDIA Container Toolkit e Docker è configurato per usare il driver NVIDIA:

docker run -d --gpus=all -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

Il volume denominato mantiene i modelli scaricati quando il container viene sostituito. Se pubblichi la porta 11434 oltre l'host, metti l'autenticazione davanti, come descritto nella domanda di sicurezza qui sotto.

Considerazioni sulle prestazioni

Le istanze cloud aggiungono latenza di rete. Un'istanza cloud aggiunge il percorso di andata e ritorno dalla tua macchina al data center a ogni richiesta, e quel ritardo aumenta con la distanza, quindi scegli una regione vicino a te e ai tuoi utenti. Per chat interattiva, è percettibile ma non invalidante. Per carichi di lavoro batch, è trascurabile.

La velocità di generazione dei token dipende dalla GPU, non dalla sua ubicazione fisica. Una GPU A10G su AWS genera token alla stessa velocità di un’A10G sul tuo desktop. Tuttavia, le istanze cloud possono subire effetti di "vicini rumorosi": altre macchine virtuali sullo stesso host fisico possono degradare le prestazioni. L’uso di istanze dedicate o di noleggi bare-metal con GPU elimina questo problema, ma comporta costi maggiori.

Due impostazioni contano più del provider. La prima è la lunghezza del contesto: il Domande frequenti di Ollama fornisce la finestra di contesto predefinita come 4096 token e mostra come aumentarla per l'intero server con OLLAMA_CONTEXT_LENGTH=8192 ollama serve, o per modello con il num_ctx parametro (vedi la riferimento Modelfile). Una finestra più grande usa più VRAM. La seconda è dove un modello è effettivamente caricato, che ollama ps mostra: secondo le stesse FAQ, la colonna Processor mostra una suddivisione come 48%/52% CPU/GPU quando parte del modello non entrava sulla GPU, il che rallenta significativamente la generazione. Le istanze spot o prerilasciabili costano meno di quelle on-demand ma possono essere rivendicate con breve preavviso, quindi mantienile per lavori batch che possono riavviarsi.

Domande frequenti

Esiste un servizio ufficiale Ollama Cloud?

Sì. Ollama gestisce i suoi stessi modelli cloud, che puoi usare dall'app Ollama o dalla CLI dopo aver effettuato l'accesso, o tramite l'API a https://ollama.com/api/chat con una chiave API. Il suo nel precisare che i suoi 125 crediti non si rinnovano, e (verificato il 6 novembre 2026) offre utilizzo pay-as-you-go senza abbonamento, oltre a piani Pro ($20 al mese) e Max ($100 al mese) che includono crediti di utilizzo mensile. Puoi comunque ospitare autonomamente il server open-source su una GPU affittata.

Posso usare Ollama Cloud con gli stessi modelli che eseguo localmente?

Su un'istanza cloud ospitata autonomamente, sì: qualsiasi modello che estrai con ollama pull funziona localmente lì. Il cloud di Ollama ha un elenco separato di modelli ospitati, pubblicato su https://ollama.com/api/tags. L'unico vincolo è la VRAM: assicurati che la tua GPU cloud abbia memoria sufficiente per il modello e il livello di quantizzazione che desideri. Controlla Requisiti VRAM per modello per abbinare i modelli ai tipi di istanza.

Come posso proteggere Ollama in esecuzione su un’istanza cloud?

Per impostazione predefinita, Ollama ascolta su 127.0.0.1:11434, che non è accessibile dall’esterno della macchina virtuale. Per esporlo, imposta OLLAMA_HOST=0.0.0.0:11434 prima di avviare il server. Quindi limita l’accesso tramite le regole del firewall cloud (gruppi di sicurezza AWS, regole firewall GCP) consentendo solo il tuo indirizzo IP o la tua VPN. Per l’uso in produzione, colloca Ollama dietro un reverse proxy con crittografia TLS e autenticazione (autenticazione HTTP di base, chiavi API o OAuth). Non esporre mai un server Ollama non autenticato su Internet pubblico: ciò consentirebbe a chiunque di eseguire modelli arbitrari a tue spese.

Qual è più economico: Ollama su una GPU cloud o l’API di OpenAI?

Dipende dall'utilizzo. Una GPU affittata costa lo stesso per ora indipendentemente dal fatto che sia occupata o inattiva, quindi il suo costo per milione di token è la tariffa oraria divisa per i milioni di token che effettivamente genera in quell'ora. Mantenuta occupata con molte richieste, può scendere al di sotto dei prezzi API per token per modelli della stessa dimensione; usata leggermente, ogni token costa molto più che su un'API che addebita solo per quello che usi. Le API ospitate gestiscono anche il ridimensionamento, la disponibilità e gli aggiornamenti dei modelli per te. Usa il calcolatore self-hosting vs API per modellare il tuo carico di lavoro specifico.

L’esecuzione di Ollama nel cloud riduce la riservatezza dei miei dati?

Sì, rispetto all'inferenza completamente locale. I tuoi prompt e gli output del modello viaggiano sulla rete e finiscono su una VM a cui il provider cloud ha accesso root. Se la privacy è critica—gestendo dati sanitari protetti da HIPAA, documenti legali coperto dal segreto professionale, o codice proprietario—esegui Ollama localmente. Se i tuoi dati non sono sensibili o ti fidi degli impegni contrattuali del tuo provider cloud, l'hosting cloud è un compromesso ragionevole per costo e praticità.

Posso eseguire più modelli su una singola istanza cloud?

Sì, purché l’istanza disponga di VRAM sufficiente per tenere contemporaneamente i modelli in memoria. Ollama carica i modelli su richiesta e li mantiene nella VRAM finché la pressione sulla memoria non li espelle. Un’istanza da 24 GB può contenere contemporaneamente Llama 3.1 8B (circa 8 GB con quantizzazione Q8) e Mistral 7B (dimensioni simili). Il passaggio tra modelli già caricati è istantaneo; il caricamento di un nuovo modello dal disco richiede alcuni secondi.