{"id":2535,"date":"2026-09-01T20:12:15","date_gmt":"2026-09-01T20:12:15","guid":{"rendered":"https:\/\/convly.ai\/?p=2535"},"modified":"2026-09-01T20:12:15","modified_gmt":"2026-09-01T20:12:15","slug":"ollama-windows","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/ollama-windows\/","title":{"rendered":"Ollama per Windows: Guida all'installazione e alle istruzioni di configurazione"},"content":{"rendered":"<div class=\"convly-tldr\"><strong>In breve:<\/strong><\/p>\n<ul>\n<li>Scarica l'installer ufficiale da <code>ollama.com\/download<\/code>, eseguilo e Ollama verr\u00e0 installato come servizio in background<\/li>\n<li>Richiede Windows 10 o versione successiva e almeno 8 GB di RAM; le GPU NVIDIA\/AMD vengono rilevate automaticamente per l'accelerazione hardware<\/li>\n<li>Esegui i modelli con <code>ollama run &lt;modello&gt;<\/code> dal Prompt dei comandi o da PowerShell\u2014non \u00e8 necessaria alcuna configurazione aggiuntiva<\/li>\n<li>I modelli vengono installati nella cartella <code>%USERPROFILE%.ollamamodels<\/code> per impostazione predefinita; \u00e8 possibile modificarla tramite la variabile d'ambiente <code>OLLAMA_MODELS<\/code> environment variable<\/li>\n<\/ul>\n<\/div>\n<p>Ollama on Windows is a native application that runs large language models locally without Docker or WSL2. The Windows installer sets up Ollama as a system service that starts automatically and provides GPU acceleration through DirectML and CUDA. Installation takes under two minutes, and you can run models like Llama 3.3 70B or Mistral 7B immediately from the command line.<\/p>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_86 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a97562e11d60\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a97562e11d60\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#System_Requirements_for_Ollama_on_Windows\" >Requisiti di sistema per Ollama su Windows<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Installing_Ollama_on_Windows\" >Installazione di Ollama su Windows<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#GPU_Support_and_Detection\" >Supporto e rilevamento GPU<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Running_Your_First_Model\" >Esecuzione del primo modello<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Configuration_and_Environment_Variables\" >Configurazione e variabili d'ambiente<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Performance_Tuning\" >Ottimizzazione delle prestazioni<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Integrating_with_Applications\" >Integrazione con applicazioni<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Frequently_Asked_Questions\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/it\/ollama-windows\/#Next_Steps\" >Passi successivi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"System_Requirements_for_Ollama_on_Windows\"><\/span>Requisiti di sistema per Ollama su Windows<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama richiede Windows 10 (build 1903 o successiva) oppure Windows 11. Le specifiche hardware minime sono le seguenti:<\/p>\n<table>\n<thead>\n<tr>\n<th>Componente<\/th>\n<th>Minimo<\/th>\n<th>Consigliato<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Sistema operativo<\/td>\n<td>Windows 10 (1903+)<\/td>\n<td>Windows 11<\/td>\n<\/tr>\n<tr>\n<td>RAM<\/td>\n<td>8 GB<\/td>\n<td>16 GB o pi\u00f9<\/td>\n<\/tr>\n<tr>\n<td>Spazio su disco<\/td>\n<td>10 GB liberi<\/td>\n<td>50+ GB per pi\u00f9 modelli<\/td>\n<\/tr>\n<tr>\n<td>GPU (opzionale)<\/td>\n<td>NVIDIA GTX 1050 o equivalente AMD<\/td>\n<td>NVIDIA RTX 3060 da 12 GB in su o migliore<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>L'accelerazione GPU funziona con le GPU NVIDIA (CUDA 11.8 o versione successiva) e con le GPU AMD pi\u00f9 recenti (tramite ROCm su Windows). L'installer include le librerie GPU necessarie; non \u00e8 quindi necessario installare CUDA separatamente. In assenza di una GPU, Ollama ricorre all'inferenza sulla CPU, che risulta 5-10 volte pi\u00f9 lenta ma comunque funzionante per modelli di dimensioni ridotte.<\/p>\n<p>Le dimensioni effettive della memoria RAM o VRAM richieste dipendono dalle dimensioni del modello. Ad esempio, <a href=\"https:\/\/convly.ai\/it\/models\/\">Mistral 7B<\/a> richiede circa 4,5 GB di VRAM con quantizzazione a 4 bit, mentre Llama 3.3 70B ne richiede circa 40 GB. Controlla la <a href=\"https:\/\/convly.ai\/it\/llm-vram-calculator\/\">Calcolatore VRAM<\/a> per stimare i requisiti di qualsiasi modello prima del download.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Installing_Ollama_on_Windows\"><\/span>Installazione di Ollama su Windows<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L'installer ufficiale per Windows \u00e8 un singolo file eseguibile che gestisce tutte le dipendenze:<\/p>\n<ol>\n<li>Scarica <code>OllamaSetup.exe<\/code> da <a href=\"https:\/\/ollama.com\/download\" rel=\"noopener\" target=\"_blank\">ollama.com\/download<\/a><\/li>\n<li>Esegui l'installer\u2014sono richiesti privilegi di amministratore<\/li>\n<li>Accetta la licenza e fai clic su Installa (la posizione predefinita \u00e8 <code>C:\\Program Files\\Ollama<\/code>)<\/li>\n<li>L'installazione viene completata in 30-60 secondi e avvia automaticamente il servizio Ollama<\/li>\n<\/ol>\n<p>Dopo l'installazione, apri il Prompt dei comandi o PowerShell e verifica l'installazione con il comando:<\/p>\n<pre><code>ollama --version<\/code><\/pre>\n<p>Dovresti visualizzare un output simile a <code>ollama versione 0.x.x<\/code>. Il servizio Ollama viene eseguito in background\u2014quando \u00e8 attivo, vedrai un'icona di Ollama nella barra delle applicazioni.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"GPU_Support_and_Detection\"><\/span>Supporto e rilevamento GPU<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama rileva e utilizza automaticamente le GPU disponibili su Windows. Per verificare che l'accelerazione GPU sia attiva:<\/p>\n<pre><code>ollama run llama3.3:70b \"test\"<\/code><\/pre>\n<p>Mentre il modello viene caricato, osserva il Task Manager (scheda Prestazioni). Se compare un'utilizzo della GPU sotto GPU 0 o GPU 1, l'accelerazione \u00e8 attiva. Alla prima esecuzione il modello viene scaricato (da 5 a 40 GB, a seconda delle dimensioni) nella cartella <code>%USERPROFILE%.ollamamodels<\/code>, operazione che pu\u00f2 richiedere diversi minuti su connessioni lente.<\/p>\n<p>Gli utenti NVIDIA con GPU RTX 3060 o successive ottengono le migliori prestazioni grazie ai 12+ GB di VRAM e alle ottimizzazioni per le architetture Ampere\/Ada. Il supporto per le GPU AMD su Windows sta migliorando, ma rimane ancora inferiore rispetto a quello offerto da NVIDIA\u2014ci si pu\u00f2 attendere un'inferenza dal 20% al 30% pi\u00f9 lenta su hardware AMD equivalente. Le GPU Intel Arc non sono ufficialmente supportate al settembre 2026.<\/p>\n<p>Se Ollama non rileva la tua GPU, verifica che i driver siano aggiornati (NVIDIA: 537.13 o successivo, AMD: Adrenalin 23.11 o successivo). I messaggi di errore di Ollama indicano generalmente se la GPU \u00e8 stata ignorata a causa di VRAM insufficiente o driver mancanti.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Running_Your_First_Model\"><\/span>Esecuzione del primo modello<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il <code>ollama run<\/code> Il comando scarica, carica e avvia una sessione interattiva con un modello:<\/p>\n<pre><code>ollama run phi4<\/code><\/pre>\n<p>This downloads Microsoft&#8217;s Phi-4 (approximately 9 GB VRAM at 4-bit quantization) and opens a chat prompt. Type your question, press Enter, and the model responds locally. Exit with <code>\/bye<\/code> oppure Ctrl+C.<\/p>\n<p>Modelli comuni da provare su hardware Windows:<\/p>\n<table>\n<thead>\n<tr>\n<th>Modello<\/th>\n<th>VRAM (4-bit)<\/th>\n<th>Ideale per<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Mistral 7B<\/td>\n<td>~4,5 GB<\/td>\n<td>Attivit\u00e0 generali, risposte rapide<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.1 8B<\/td>\n<td>~5 GB<\/td>\n<td>Qualit\u00e0 e velocit\u00e0 bilanciate<\/td>\n<\/tr>\n<tr>\n<td>Phi-4<\/td>\n<td>~9 GB<\/td>\n<td>Ragionamento, dimensioni compatte<\/td>\n<\/tr>\n<tr>\n<td>Llama 3.3 70B<\/td>\n<td>~40 GB<\/td>\n<td>GPU di fascia alta, qualit\u00e0 migliore<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Esplora i modelli disponibili su <a href=\"https:\/\/convly.ai\/it\/ollama-models-list-2026\/\">Elenco modelli Ollama<\/a> oppure cerca nella libreria con <code>ollama list<\/code> dopo aver scaricato almeno un modello.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Configuration_and_Environment_Variables\"><\/span>Configurazione e variabili d'ambiente<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama legge la configurazione dalle variabili d'ambiente di Windows. Impostale nelle Propriet\u00e0 sistema \u2192 Variabili d'ambiente oppure in PowerShell con <code>$env:VARIABLE_NAME<\/code>.<\/p>\n<p>Variabili principali:<\/p>\n<ul>\n<li><strong>OLLAMA_MODELS<\/strong>: cartella per l'archiviazione dei modelli (predefinita: <code>%USERPROFILE%.ollamamodels<\/code>). Modificala se il tuo disco C ha spazio limitato.<\/li>\n<li><strong>OLLAMA_HOST<\/strong>: indirizzo del server (predefinito: <code>127.0.0.1:11434<\/code>). Impostalo su <code>0.0.0.0:11434<\/code> per accettare connessioni di rete.<\/li>\n<li><strong>OLLAMA_NUM_PARALLEL<\/strong>: numero di richieste simultanee (predefinito: 1). Aumentalo se stai servendo pi\u00f9 client.<\/li>\n<li><strong>OLLAMA_MAX_LOADED_MODELS<\/strong>: numero di modelli mantenuti nella VRAM (predefinito: 1). Impostalo a 2 o superiore se disponi di almeno 24 GB di VRAM e desideri passare istantaneamente da un modello all'altro.<\/li>\n<\/ul>\n<p>Dopo aver modificato le variabili d'ambiente, riavvia il servizio Ollama da Servizi (Win+R, digita <code>services.msc<\/code>, individua Ollama, fai clic destro e seleziona Riavvia) oppure riavvia il computer.<\/p>\n<p>Per spostare i modelli su un'unit\u00e0 diversa, imposta OLLAMA_MODELS e quindi riavvia il servizio. I modelli esistenti devono essere scaricati nuovamente: Ollama non li migra automaticamente.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Performance_Tuning\"><\/span>Ottimizzazione delle prestazioni<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La velocit\u00e0 di inferenza dipende dalla VRAM, dalle dimensioni del modello e dal livello di quantizzazione. Un modello da 7 miliardi di parametri quantizzato a 4 bit genera 30\u201360 token al secondo su una RTX 3060, mentre i modelli da 70 miliardi scendono a 3\u20138 token al secondo, a meno che tu non disponga di almeno 48 GB di VRAM distribuiti su pi\u00f9 GPU.<\/p>\n<p>I sistemi multi-GPU funzionano automaticamente: Ollama distribuisce i layer del modello sulle GPU rilevate. Ad esempio, due RTX 3090 (24 GB ciascuna) possono eseguire Llama 3.3 70B a una velocit\u00e0 accettabile, mentre una singola RTX 3090 dovrebbe scaricare alcuni layer nella RAM di sistema, rallentando drasticamente le prestazioni.<\/p>\n<p>Se le prestazioni risultano inferiori alle aspettative:<\/p>\n<ul>\n<li>Controlla il Task Manager durante l'inferenza: un utilizzo della CPU superiore al 30% indica che parte del modello risiede nella RAM di sistema a causa di insufficiente VRAM<\/li>\n<li>Prova una quantizzazione pi\u00f9 leggera (ad esempio, <code>ollama pull mistral:7b-instruct-q4_K_M<\/code> invece della predefinita Q8)<\/li>\n<li>Chiudi altre applicazioni che utilizzano la GPU (browser con accelerazione hardware, giochi, software di editing video)<\/li>\n<li>Aggiorna i driver della GPU: i driver NVIDIA pi\u00f9 recenti migliorano la velocit\u00e0 di inferenza del 5\u201310% rispetto a versioni di sei mesi fa<\/li>\n<\/ul>\n<p>Per aggiornamenti hardware, consulta la <a href=\"https:\/\/convly.ai\/it\/best-gpus-for-local-llms-2026\/\">le migliori GPU per LLM locali<\/a> guida comparativa per valutare rapporto prezzo\/prestazioni tra opzioni NVIDIA e AMD.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Integrating_with_Applications\"><\/span>Integrazione con applicazioni<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ollama espone un'API REST su <code>localhost:11434<\/code> compatibile con la struttura dell'API OpenAI. Le applicazioni che supportano endpoint compatibili con OpenAI possono puntare a Ollama con modifiche minime.<\/p>\n<p>Esempio di comando curl per generare testo:<\/p>\n<pre><code>curl http:\/\/localhost:11434\/api\/generate -d '{\n  \"model\": \"mistral\",\n  \"prompt\": \"Spiega Docker in una frase\"\n}'<\/code><\/pre>\n<p>Tra le integrazioni pi\u00f9 diffuse figurano Open WebUI (interfaccia web), Continue.dev (estensione per VS Code) e LangChain (Python). Il servizio Ollama deve essere in esecuzione affinch\u00e9 le chiamate API funzionino: di default viene avviato automaticamente all'avvio del sistema.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_Asked_Questions\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Ollama richiede WSL2 o Docker su Windows?<\/h3>\n<p>No. L'installer per Windows \u00e8 un'applicazione nativa che esegue Ollama come servizio di Windows senza ricorrere a virtualizzazione o contenitori. Le versioni precedenti richiedevano Docker, ma la release nativa per Windows ha eliminato tale dipendenza alla fine del 2024. Se hai installato Ollama prima di novembre 2024, disinstalla la versione basata su Docker e scarica l'attuale installer nativo.<\/p>\n<h3>Posso utilizzare Ollama offline dopo aver scaricato i modelli?<\/h3>\n<p>S\u00ec. Una volta scaricato un modello con <code>ollama pull &lt;modello&gt;<\/code>, questo viene memorizzato localmente ed eseguito senza accesso a Internet. L'unico requisito di rete \u00e8 il download iniziale: i modelli variano da 2 GB (modelli piccoli da 7B) a oltre 80 GB (modelli grandi da 70B+). Dopo il download, puoi disconnetterti dalla rete e Ollama continuer\u00e0 a funzionare normalmente.<\/p>\n<h3>Qual \u00e8 il costo dell'esecuzione dei modelli Ollama rispetto all'uso di API?<\/h3>\n<p>Ollama is free\u2014you pay only for hardware and electricity. Compare this to API costs: Claude Sonnet 5 charges $2.00 per million input tokens, so 10 million tokens (roughly 7.5 million words) costs $20. A self-hosted setup breaks even quickly if you process significant volume. Use the <a href=\"https:\/\/convly.ai\/it\/self-hosting-vs-api-calculator\/\">calcolatore self-hosting vs API<\/a> calcolatore di break-even per stimare il punto di pareggio in base al tuo utilizzo previsto.<\/p>\n<h3>Quali modelli funzionano meglio sulle GPU consumer?<\/h3>\n<p>Per GPU con 8\u201312 GB di VRAM (RTX 3060, 4060 Ti), Mistral 7B (~4,5 GB a 4 bit), Llama 3.1 8B (~5 GB) e Phi-4 (~9 GB) offrono ottimi rapporti qualit\u00e0\/prestazioni. Se disponi di 16\u201324 GB di VRAM (RTX 3090, 4090), diventano utilizzabili anche Mistral NeMo 12B (~7,5 GB) e persino Llama 3.3 70B (~40 GB con quantizzazione aggressiva o offloading). Consulta <a href=\"https:\/\/convly.ai\/it\/vram-requirements-every-major-llm-2026\/\">Requisiti VRAM per modello<\/a> per l'elenco completo.<\/p>\n<h3>Ollama pu\u00f2 utilizzare contemporaneamente GPU NVIDIA e AMD?<\/h3>\n<p>No. Ollama utilizza esclusivamente CUDA (per NVIDIA) o ROCm (per AMD), in base a quale tecnologia rileva per prima, ma non \u00e8 possibile combinare backend GPU diversi in una singola sessione. Se possiedi sia GPU NVIDIA che AMD, Ollama d\u00e0 priorit\u00e0 alle GPU NVIDIA. Il supporto multi-GPU funziona solo quando tutte le GPU impiegano lo stesso stack di driver\u2014ad esempio due schede NVIDIA o due schede AMD, ma non una di ciascun tipo.<\/p>\n<h3>How do I uninstall Ollama from Windows?<\/h3>\n<p>Apri Impostazioni \u2192 App \u2192 App installate, individua Ollama e fai clic su Disinstalla. Questa operazione rimuove l'applicazione e il servizio, ma lascia i modelli nella cartella <code>%USERPROFILE%.ollama<\/code>. Elimina manualmente tale cartella per liberare spazio su disco. Se il servizio non si arresta durante la disinstallazione, apri il Task Manager, individua OllamaService.exe sotto Processi in background ed elimina il processo prima di riprovare.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Next_Steps\"><\/span>Passi successivi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dopo aver installato Ollama su Windows, esplora l'intera libreria di modelli su <a href=\"https:\/\/convly.ai\/it\/what-is-ollama-complete-guide-2026\/\">Guida completa a Ollama<\/a> per comprendere come la scelta del modello, la quantizzazione e la finestra di contesto influenzino la qualit\u00e0. Per carichi di lavoro produttivi, calcola i costi ricorrenti delle API rispetto al self-hosting con il <a href=\"https:\/\/convly.ai\/it\/ai-api-cost-calculator\/\">Calcolatore dei costi API<\/a> calcolatore di break-even per determinare se l'inferenza locale o le API cloud meglio soddisfano le tue esigenze di budget e scalabilit\u00e0.<\/p>","protected":false},"excerpt":{"rendered":"<p>TL;DR:Download the official installer from ollama.com\/download, run it, and Ollama installs as a background service Requires Windows 10+ and 8 [\u2026]<\/p>\n","protected":false},"author":1,"featured_media":2536,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[7],"tags":[],"class_list":["post-2535","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2535","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=2535"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2535\/revisions"}],"predecessor-version":[{"id":2537,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/2535\/revisions\/2537"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/2536"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=2535"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=2535"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=2535"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}