Daniel Dines, CEO di UiPath, è stato chirurgico nel diagnosticare la paralisi che colpisce gli agenti IA in azienda. Sul palco del Raise Summit di Parigi ha detto: niente junior a bordo, niente produzione. La colpa non è degli LLM, ma della cultura organizzativa e della carenza di talenti disposti a sporcarsi le mani con integrazioni complesse.

L’analisi è vera, ma incompleta — soprattutto per chi opera in contesti on-premise. Quando un’impresa valuta di portare un agente IA in produzione su stack locali, la mancanza di figure entry-level è solo un sintomo. Il problema strutturale sta nella distanza tra le promesse dei framework cloud-native e la realtà operativa di data center aziendali, reti segmentate e requisiti di sovranità dei dati. Le pipeline di inference su hardware self-hosted richiedono competenze che non si imparano in un corso accelerato: configurazione di VRAM, quantization dei modelli, orchestrazione di container su GPU bare-metal. E se mancano queste competenze, assumere junior non basta — servono senior che costruiscano l’impalcatura.

Il cortocircuito è noto a chi progetta deployment on-premise. I PoC girano liscio su cloud, dove le risorse sono elastiche e i servizi gestiti mascherano la complessità. Ma quando lo stesso agente deve interrogare database legacy dietro un firewall, rispettando policy GDPR e operando in low-latency su dati sensibili, l’infrastruttura si rivela per quella che è: un sistema industriale che non perdona improvvisazioni. Le GPU vanno dimensionate, il serving va ottimizzato fuori dai benchmark artificiali, il TCO smette di essere una voce teorica e diventa il capo-progetto quotidiano.

C’è un’implicazione di secondo ordine che Dines non ha esplicitato ma che traspare dal suo intervento. Se il fattore umano è il primo ostacolo, il secondo è la qualità dell’ambiente di deployment. Le aziende che hanno già investito in stack on-premise — magari per ragioni di compliance o di sovranità — scoprono che i loro agenti IA si bloccano non tanto per colpa dei modelli, ma perché la colla software tra LLM, fonti dati e interfacce utente è ancora fragile. E quella colla va sviluppata in house, collaudata su hardware reale, distribuita con logiche diverse da quelle del cloud. Qui serve un connubio tra competenze di automazione (il mondo UiPath) e competenze di sistema (il mondo di chi amministra server GPU 24/7).

Chi ci guadagna? I vendor che offrono piattaforme di AI engineering pensate per ambienti ibridi e on-premise, e che mettono a disposizione tool di orchestrazione capaci di astrarre l’hardware senza nasconderlo. Chi ci perde? Le startup di agenti IA “cloud-only”, che si scontrano con il muro della data gravity: più i dati sono strategici, più l’inference deve risiedere nello stesso perimetro. Il segnale strutturale è chiaro: la fase degli esperimenti è finita, e la produzione on-premise è il prossimo campo di battaglia. Non si tratta solo di assumere neolaureati, ma di ripensare lo stack partendo dal silicio, non dal SaaS.