Daniel Dines conosce l’automazione d’ufficio come pochi altri. Il fondatore di UiPath ha costruito un colosso europeo del software vendendo «robot» software capaci di replicare compiti ripetitivi. Oggi, nel mezzo dell’ondata dell’intelligenza artificiale generativa, la sua voce si leva per chiedere prudenza: non tagliate posti di lavoro troppo rapidamente.

L’appello non arriva da un idealista. Dines è un miliardario che ha fatto dell’automazione il suo business. Eppure, nel momento in cui gli LLM promettono di inghiottire mansioni che fino a ieri sembravano al riparo, lui stesso ammette di provare ansia. Un’inquietudine che riflette un nervosismo diffuso nei consigli di amministrazione e tra i tecnici che valutano deployment on-premise di modelli linguistici.

Perché il fattore umano resta un trade-off irrisolto

La tensione è antica, ma i nuovi carichi di lavoro la rendono concreta. Chi sceglie di portare l’inference dentro i propri data center – magari su GPU server con centinaia di GB di VRAM – lo fa spesso per sovranità dei dati o per contenere il TCO nel lungo periodo. Ma la velocità con cui un agente LLM può sostituire processi prima affidati a persone solleva domande che nessuna quantization o architettura a pipeline può ignorare. Dines non parla di hardware, ma il suo messaggio è ugualmente tecnico: l’efficienza non coincide automaticamente con la decisione giusta.

Il paradosso dell’automazione on-premise

I self-hosted LLM promettono controllo: i dati restano in casa, la latenza è prevedibile, si evita il vendor lock-in. Eppure, proprio la possibilità di eseguire fine-tuning su modelli locali accentua il potenziale di disintermediazione. Un’azienda che adotta un assistente AI on-premise può ridisegnare interi flussi, spesso senza aver mappato le conseguenze sul personale. È lo stesso scenario che ha reso UiPath un gigante, ma oggi Dines invita a non bruciare le tappe.

Leggere l’ansia dell’automazione tra chip e contratti

Per chi osserva il mercato dell’infrastruttura AI, la confessione del fondatore di UiPath segnala che anche i venditori più esperti riconoscono i limiti della pura sostituzione. Le schede acceleratrici, le pipeline di data prep, le librerie di inference – tutto l’ecosistema on-premise – offrono performance misurabili in token al secondo, ma non possono misurare l’impatto sulla cultura aziendale. AI-RADAR esplora costantemente questi trade-off, senza suggerire soluzioni, ma offrendo framework per valutare il deployment di LLM in contesti reali.

In definitiva, la cautela di Dines è un promemoria: l’automazione intelligente merita di essere dispiegata con la stessa attenzione con cui si progetta un cluster GPU. Forse anche di più.