Gli ingegneri di Nvidia scrivono sempre meno codice. E a Jensen Huang sta benissimo. «Questi sistemi agentici sono…», ha esordito il CEO, lasciando intendere che la preferenza dei suoi team per la costruzione di agenti IA rispetto alla scrittura di Python è ormai consolidata. Non un passo indietro, ma un avanzamento di carriera.

La frase, riportata da The Next Web, è più di una curiosità da campus: racchiude una tesi precisa su dove stia andando il lavoro di chi progetta software. Huang non parla di assistenti di coding che suggeriscono snippet, ma di un cambio di paradigma in cui l’ingegnere non produce più codice in prima persona, bensì assembla e orchestra agenti basati su LLM che generano, testano e integrano codice in autonomia. Il mestiere si sposta dalla sintassi alla supervisione di comportamenti probabilistici.

Chi vince e chi perde nella fabbrica agentica

Questa trasformazione ha vincitori e vinti già delineati. Nvidia è il beneficiario più ovvio: se l’unità di lavoro non è più la linea di codice ma l’inference di un agente, il consumo di calcolo si moltiplica. Ogni agente richiede uno o più modelli in esecuzione continua, e ogni chiamata a un LLM si traduce in richieste di calcolo che vanno servite con GPU capaci di alta throughput e bassa latenza. Per un’azienda che produce l’hardware su cui girano quei modelli, far sì che i propri ingegneri abbraccino questa modalità significa anche costruire internamente la domanda che poi il mercato replicherà.

Chi rischia sono i fornitori di servizi cloud che basano il loro valore sul semplice hosting di repository e pipeline di CI/CD tradizionali. Se il codice viene generato da agenti, la proprietà intellettuale non è più solo negli artefatti finali ma anche nei prompt, nei dataset di contesto e nella catena di decisioni dell’agente. L’azienda che sviluppa software ha quindi un incentivo fortissimo a tenere l’intero ciclo dentro i propri confini, non solo per controllo ma per proteggere il know-how. Il deployment on-premise o in ambienti self-hosted diventa la scelta naturale per chi vuole evitare che la logica dei propri agenti finisca sotto il controllo di terzi.

Il nodo della sovranità e della latenza

C’è un rovescio della medaglia: orchestrare agenti in locale significa disporre di cluster GPU dimensionati per sostenere inference continua. Non basta più un server di build notturno; serve un’infrastruttura capace di rispondere in tempo reale a decine di richieste simultanee, con requisiti di memoria e bandwidth che crescono al crescere della complessità dell’agente. Per i team IT, il passaggio a pipeline agentiche non è un semplice upgrade software, ma una riprogettazione dell’hardware di supporto.

Qui si inserisce la riflessione che AI-RADAR propone a chi valuta il deployment on-premise di LLM: i framework di analisi disponibili sulla piattaforma aiutano a confrontare le variabili in gioco — TCO, consumi energetici, vincoli di latenza e sovranità dei dati — senza fermarsi al confronto superficiale tra cloud e bare metal.

Una promozione, non una minaccia

Huang sceglie con cura la parola “promozione”. Non è un accomodamento per addolcire la pillola, ma il riconoscimento che l’abilità di orchestrare agenti sarà un asset più raro e prezioso della pura competenza di programmazione. Il messaggio implicito è che la professione non scompare, si sposta su un piano più alto: chi sa disegnare loop di feedback, valutare output di modelli, allineare agenti a vincoli di business sarà il nuovo protagonista del ciclo di sviluppo.

Restano domande aperte. Se gli agenti diventano così centrali, la concentrazione di chi fornisce l’hardware per farli funzionare non rischia di diventare un collo di bottiglia strutturale? E quali competenze vanno insegnate a chi entra oggi nel mondo del lavoro? Per ora, Nvidia sembra aver già preso la sua posizione: spingere la domanda dove l’offerta è pronta a rispondere.