OpenAI compra decine di migliaia di Mac per addestrare gli agenti AI

OpenAI avrebbe messo insieme una delle flotte hardware più insolite della storia recente dell’intelligenza artificiale: decine di migliaia di Mac mini e Mac Studio, comprati non per lavorare in ufficio ma per addestrare gli agenti AI. A rivelarlo è il sito specializzato The Information, secondo cui il laboratorio guidato da Sam Altman sta puntando sul silicio Apple per una fetta molto precisa del suo lavoro: il reinforcement learning applicato agli agenti che usano il computer.

Né OpenAI né Apple hanno confermato ufficialmente l’operazione. La scala descritta, però, è abbastanza grande da avere un peso sul mercato e da spiegare alcune mosse recenti di Cupertino.

Se ti stai chiedendo perché un’azienda che di solito affitta enormi cluster di GPU dovrebbe riempire i propri spazi di computer da scrivania, la risposta dice molto su come sta cambiando l’addestramento dei modelli AI.

Perché OpenAI addestra gli agenti AI sui Mac invece che solo sulle GPU

La ragione non ha nulla a che vedere con l’affezione al marchio, ma con l’architettura della memoria. I chip Apple usano una memoria unificata che mette in comune la RAM tra CPU e GPU sullo stesso pezzo di silicio. È un dettaglio tecnico che diventa un vantaggio concreto quando il carico di lavoro non è il calcolo matriciale puro, ma una sequenza di operazioni che imitano quello che fa una persona davanti allo schermo.

I cluster di GPU tradizionali sono costruiti per una cosa sola: macinare le enormi moltiplicazioni tra matrici che servono al pre-addestramento dei grandi modelli. Il reinforcement learning con gli agenti che usano il computer è un’altra storia.

Qui il modello deve girare dentro un sistema operativo vero, osservare cosa compare a schermo, compiere un’azione, ricevere un riscontro e ripetere il ciclo milioni di volte. È un lavoro legato più alla memoria che alla potenza di calcolo grezza, e con poco parallelismo rispetto all’addestramento di un transformer. Ecco perché l’hardware Apple, nato per il desktop, si rivela una scelta sorprendentemente pratica.

Vale la pena sottolineare un dettaglio: questi Mac sono separati dai cluster di GPU in cloud che OpenAI continua ad affittare per il training su larga scala. Non sostituiscono le schede Nvidia, ma coprono un compito che quelle schede svolgono male.

C’è anche un tema di efficienza e di affidabilità. Far girare migliaia di sistemi operativi in parallelo, ognuno con il suo agente che clicca e digita, richiede macchine stabili, silenziose e dai consumi contenuti. I piccoli desktop Apple, progettati per stare accesi a lungo senza dissipare troppo calore, si adattano bene a un data center improvvisato fatto di scaffali di computer identici.

Cosa vuol dire addestrare un agente che usa il computer

Un agente che usa il computer non si limita a rispondere a una domanda: naviga tra le interfacce, compila moduli, scrive documenti, organizza la posta, clicca e scorre come faresti tu. Per imparare a farlo in modo affidabile deve esercitarsi in ambienti realistici, cioè dentro veri sistemi operativi e non in una simulazione astratta.

Questa logica è la stessa che sta spingendo tutti i grandi laboratori verso agenti sempre più autonomi. Google, per esempio, ha già portato la stessa idea dentro i suoi modelli con Gemini e l’uso del computer, segno che la corsa non riguarda più solo la conversazione ma l’azione concreta sul software.

Moltiplicare questi esercizi richiede tante macchine indipendenti che eseguono in parallelo un sistema operativo completo. Un Mac mini, piccolo ed efficiente sui consumi, è perfetto per questo tipo di scala orizzontale.

Anthropic segue una strada simile, ma la paga in modo diverso

OpenAI non è l’unica ad aver capito il trucco. Anche Anthropic, il laboratorio sostenuto da Google e Amazon, usa i Mac mini per i propri carichi di reinforcement learning. La differenza sta nel modello di spesa.

OpenAI, secondo il report, compra direttamente le macchine: si accolla il costo in conto capitale e il rischio di ritrovarsi con hardware immobilizzato. Anthropic invece affitta la capacità dei Mac mini attraverso Amazon Web Services, tenendo l’hardware fuori dal proprio bilancio.

È la stessa scelta strategica che vediamo su scala molto più grande nella corsa alla potenza di calcolo, dove i laboratori firmano contratti miliardari per assicurarsi i chip. Non a caso Anthropic ha da poco siglato un accordo da 45 miliardi con Nscale per il calcolo AI: comprare o affittare, la posta in gioco è sempre garantirsi abbastanza hardware.

Apple accelera: nuovi Mac mini e Mac Studio in anticipo

La domanda improvvisa si è già vista negli ordini di Apple. I tempi di consegna delle configurazioni personalizzate di Mac mini e Mac Studio con molta RAM si sono allungati fino a settimane o mesi in alcuni casi.

Cupertino ha reagito in fretta. Il 25 agosto 2026 ha rinnovato in anticipo entrambe le linee: i nuovi Mac mini hanno introdotto le opzioni con chip M6 e M5 Pro, mentre il Mac Studio è passato alle configurazioni M5 Max e M5 Ultra. Il rinnovo è arrivato cinque giorni prima del report di The Information, e difficilmente si tratta di una coincidenza.

C’è anche un dato di bilancio che aiuta a capire perché ad Apple questa storia non dispiaccia. Il segmento Mac è stato la parte in più rapida crescita del suo business hardware negli ultimi trimestri, con ricavi da 10,4 miliardi di dollari nell’ultimo trimestre, in aumento del 29% rispetto a un anno prima.

Un’azienda che vende computer si ritrova così, quasi per caso, un cliente enorme tra i laboratori dell’intelligenza artificiale.

La sfida a Nvidia e la corsa all’hardware dell’AI

La notizia ha un destinatario indiretto molto preciso: Nvidia. L’azienda che di fatto controlla il mercato dell’hardware per l’addestramento AI grazie al dominio nelle GPU avrebbe iniziato a guardare ad Apple come a un concorrente reale nell’elaborazione locale.

Il motivo è economico prima ancora che tecnico. Un Mac mini parte da una frazione del costo di un singolo server GPU di fascia enterprise e offre una via conveniente per scalare in orizzontale, quando il carico di lavoro è quello giusto.

Comprarne diecimila resta una spesa enorme, ma i conti cambiano se l’alternativa è prenotare tempo su GPU in cloud per compiti che quei chip non sfruttano appieno. È una parte della più ampia partita sui costi dell’infrastruttura, la stessa che ha spinto Nvidia ad alzare i prezzi dei server AI per via del caro memoria.

Che l’hardware sia ormai il vero campo di battaglia lo conferma anche il fiume di capitali in arrivo. Nascono fondi enormi proprio per finanziare le macchine dell’AI, come dimostra il Machine Age Fund lanciato da Andreessen Horowitz, pensato per l’hardware dell’intelligenza artificiale.

Cosa cambia per il settore da qui in avanti

Al di là dei numeri, la mossa di OpenAI racconta una tendenza. L’addestramento dei modelli non è più un monolite fatto solo di GPU costosissime: ogni tipo di lavoro cerca l’hardware più adatto, e gli agenti che usano il computer trovano casa su piccoli desktop di consumo.

Per Apple è un’occasione inattesa, che trasforma una linea di prodotti da ufficio in infrastruttura per l’AI. Per Nvidia è un campanello d’allarme, perché mostra che il suo fossato vale soprattutto per il pre-addestramento e non per ogni singolo carico di lavoro.

Per chi lavora nel settore, il segnale è che la specializzazione dell’hardware conta quanto la potenza. Scegliere la macchina giusta per ogni fase, dal pre-addestramento sulle GPU al reinforcement learning sugli agenti, diventa una leva competitiva vera e propria.

Resta la cautela d’obbligo: è un’indiscrezione, non un annuncio ufficiale, e le due aziende non hanno confermato nulla.

Se però il quadro è corretto, il messaggio per chi segue il settore è chiaro. La prossima frontiera dell’intelligenza artificiale non si gioca solo su modelli più grandi, ma su come e dove li si addestra. Se vuoi capire dove sta andando la corsa all’hardware e agli agenti autonomi, continua a seguire i nostri approfondimenti: è qui che si decide una parte importante del futuro dell’AI.