Il mercato del lavoro svizzero sta facendo i conti con un dato che suona come un campanello d’allarme per chiunque osservi l’impatto concreto dei Large Language Models. Un team di ricercatori ha passato al setaccio circa 7,3 milioni di annunci di lavoro pubblicati online e ha scoperto che le posizioni destinate a chi entra per la prima volta nel mondo professionale si sono ridotte, nel 2025, di quasi un terzo rispetto alla media degli anni precedenti l’esplosione dell’IA generativa. Non un aggiustamento marginale, ma una contrazione che ridisegna la geografia delle competenze richieste.

Il crollo delle offerte per i career starter

Lo studio, condotto su dati elvetici ma con implicazioni che superano i confini nazionali, mostra come il fenomeno sia tutt’altro che omogeneo. I cali più marcati si concentrano proprio nelle mansioni che gli strumenti di intelligenza artificiale possono svolgere con relativa facilità: dalla redazione di testi standardizzati all’analisi di dati strutturati, fino ad attività di supporto amministrativo. In questi ambiti, il numero di annunci per profili junior si è assottigliato molto più rapidamente che in ruoli che richiedono destrezza fisica, interazione umana complessa o creatività non algoritmica. Il segnale è netto: l’automazione non sta solo integrando il lavoro esperto, ma sta erodendo la base stessa della piramide professionale.

Cosa significa per chi costruisce stack on-premise

Chi oggi valuta deployment self-hosted di modelli linguistici – magari per mantenere il controllo dei dati o per ridurre il TCO su volumi elevati – deve leggere questi numeri con attenzione. La scomparsa delle figure entry-level non è un problema astratto: in molte organizzazioni, i giovani professionisti rappresentavano non solo forza lavoro a basso costo, ma anche il serbatoio da cui attingere per far crescere competenze interne sulla gestione dell’infrastruttura. Se le aziende iniziano a sostituire proprio quelle mansioni con agenti basati su LLM, il know-how necessario per addestrare, fare fine-tuning o mettere in sicurezza un modello on-premise rischia di concentrarsi sempre di più in pochissime mani.

Il paradosso della sovranità tecnicica

Un’infrastruttura gestita internamente – che sia su bare metal, in un cluster Kubernetes air-gapped o in un ambiente edge – promette di preservare la riservatezza dei dati e di evitare lock-in verso fornitori cloud. Tuttavia, per funzionare davvero ha bisogno di personale capace di gestire pipeline di inference, ottimizzare la latenza, amministrare nodi GPU e intervenire quando un modello va incontro a derive prestazionali. Se il mercato del lavoro smette di produrre figure junior da formare, chi gestisce stack on-prem rischia di trovarsi con strumenti all’avanguardia e un team sempre più scheletrico, oppure costretto a competere a colpi di compensi stellari per attrarre pochi profili senior già formati altrove.

Oltre l’allarme: una lettura per il deployment reale

La ricerca svizzera non offre soluzioni preconfezionate, ma illumina una variabile spesso trascurata nelle analisi sul TCO: la disponibilità e l’evoluzione del capitale umano. Per chi progetta ambienti di inference on-premise, questo significa probabilmente integrare nei calcoli di TCO anche investimenti in formazione e tutoring interno, o la scelta di architetture che semplifichino la gestione quotidiana – per esempio spingendo su quantization aggressiva per ridurre il footprint hardware, o adottando framework di serving che automatizzino parte delle operazioni di manutenzione. Non è più soltanto una questione di GPU, VRAM e throughput: la vera partita si gioca sulla capacità di rendere sostenibile nel tempo la convivenza tra automazione e competenze umane.