La notizia arriva senza troppi dettagli, ma il numero è di quelli che ridisegnano le priorità industriali: JD.com, uno dei maggiori operatori logistici al mondo, ha annunciato piani per riqualificare fino a 700.000 lavoratori colpiti dalla diffusione dei robot nei magazzini. Non un licenziamento di massa, ma un riposizionamento radicale delle competenze umane in un ecosistema sempre più governato da macchine autonome.

L’automazione mangia i compiti ripetitivi

La trasformazione tocca tutte le grandi reti distributive: Amazon, Alibaba, Walmart e altri hanno introdotto carrelli a guida autonoma, bracci per lo smistamento e sistemi di picking basati su visione artificiale. JD.com non fa eccezione. Il dettaglio non trascurabile è la scala: 700.000 persone non sono una divisione, ma una fetta consistente dell’organico, segno che l’automazione non è più confinata a progetti pilota ma si sta estendendo ai processi core.

Cosa fanno esattamente questi robot? Movimentano merci, imballano, etichettano, smistano colli a velocità impossibili per un operatore umano. Per farlo, si appoggiano a modelli di machine learning che elaborano dati dai sensori in tempo reale — telecamere, lidar, sensori di peso — e prendono decisioni in frazioni di secondo. Qui si innesta il cuore tecnico della questione per la community di AI-RADAR: dove gira l’intelligenza che guida queste flotte? Quasi sempre in locale, direttamente sull’edge.

Perché la logistica spinge sull’on-premise

I vincoli di latenza sono stringenti: un carrello che deve evitare un ostacolo non può attendere il round-trip verso un cloud remoto. Allo stesso modo, i dati che descrivono la disposizione del magazzino, gli inventari e i flussi di prodotto hanno una sensibilità competitiva e spesso sottostanno a requisiti normativi. L’architettura prevalente è quindi quella self-hosted: server industriali o moduli GPU embedded (come le soluzioni NVIDIA Jetson o simili) installati direttamente nei capannoni, collegati ai robot via rete locale o 5G privato.

Questo scenario rientra perfettamente nel dibattito che seguiamo su AI-RADAR: la scelta fra cloud e on-premise non è solo questione di costi, ma di controllo effettivo sull’inference. In logistica, un fermo macchina dovuto a latenza di rete o a un aggiornamento remoto mal riuscito può tradursi in ore di paralisi operativa. Avere l’AI in casa significa poter orchestrare aggiornamenti, gestire code e assicurare prestazioni deterministiche.

Che ruolo hanno gli LLM in questa partita

Fino a pochi anni fa, i modelli impiegati nella robotica di magazzino erano reti convoluzionali per la visione o alberi decisionali per la pianificazione dei percorsi. Oggi l’ingresso dei Large Language Models — e dei modelli multimodali — apre prospettive più ambiziose: un robot potrebbe ricevere istruzioni in linguaggio naturale (“Preleva il terzo pallet a sinistra e portalo alla baia 12”) e tradurle in una sequenza di azioni fisiche.

Per farlo, però, il modello deve girare localmente: nessun responsabile di stabilimento vuole dipendere da una API esterna per le operazioni quotidiane. Si profila un mondo in cui le flotte di robot integrano LLM quantizzati in precisione INT8 o FP16, con fine-tuning su domini specifici (layout dei magazzini, nomenclatura interna). I framework di serving come vLLM o llama.cpp consentono già di eseguire modelli da 7–13 miliardi di parametri su hardware relativamente compatto, con latenze compatibili con il task planning, se non ancora con il controllo in tempo reale.

Cosa significa per chi valuta il deployment di AI in azienda

La mossa di JD.com è un segnale di mercato forte: l’automazione fisica su larga scala trascina con sé la necessità di competenze nuove, ma anche di infrastrutture di calcolo distribuite e gestibili internamente. Per le imprese che stanno costruendo la propria strategia AI, diventa cruciale analizzare il Total Cost of Ownership di un deployment self-hosted rispetto a soluzioni ibride, considerando non solo l’hardware ma anche i costi operativi legati a raffreddamento, manutenzione e aggiornamento continuo dei modelli.

Non è un caso che sempre più fornitori spingano appliance dedicate per l’inference on-premise, dai server con GPU H100 alle workstation multi-GPU per ambienti disaggregati. La sovranità dei dati — principio non negoziabile in molti settori regolamentati — trova nella logistica un alleato insospettabile: la necessità operativa di bassa latenza coincide con l’esigenza di mantenere i dati sensibili all’interno del perimetro aziendale.

AI-RADAR esplora questi trade-off nella sezione dedicata ai deployment on-premise, offrendo framework analitici per chi deve decidere se e come portare i modelli dentro i propri capannoni. La lezione di JD.com è che la partita non si gioca solo sul modello o sull’algoritmo, ma sulla capacità dell’organizzazione di assorbire il cambiamento — e di dotarsi dell’infrastruttura giusta per sostenerlo.