In qualche divisione di JPMorgan Chase l’automazione ha già cancellato tra il 30 e il 40 per cento dei posti di lavoro. Lo ha detto Jamie Dimon, ceo della banca, durante la call sui risultati del secondo trimestre, aggiungendo un dettaglio che smorza l’entusiasmo degli investitori: in un mercato competitivo, i miglioramenti di redditività restano incerti perché i risparmi tendono a trasferirsi sui prezzi.

La dichiarazione non è solo un dato sull’occupazione: è un segnale strutturale per chi progetta stack di AI in contesti regolati. Se una delle più grandi banche al mondo sta già impiegando modelli linguistici per sostituire attività umane, il confine tra automazione incrementale e ristrutturazione della forza lavoro diventa sottile, e le scelte di deployment assumono un peso strategico.

Banche come JPMorgan operano sotto vincoli normativi severi, dal GDPR europeo alle regole sul trattamento dei dati finanziari. L’adozione di LLM in questi ambienti avviene quasi sempre on-premise o in ambienti ibridi a sovranità controllata, perché mandare dati sensibili su cloud pubblici multitenant non è praticabile. Il messaggio di Dimon, quindi, va letto in controluce: se l’AI sta già tagliando posti, l’infrastruttura che lo consente è con ogni probabilità self-hosted, con GPU e pipeline di inference che girano su server interni, dove il costo totale di possesso (TCO) include non solo l’hardware ma anche la governance, la sicurezza e la manutenzione di modelli spesso sottoposti a fine-tuning su dati proprietari.

Il tempismo non è casuale. Le aziende che oggi valutano di portare modelli on-premise possono guardare a JPMorgan come a un banco di prova: l’automazione pesante è possibile, ma il vantaggio competitivo non si misura solo in minori stipendi. La cautela di Dimon sui margini suggerisce che il risparmio operativo verrà eroso dalla concorrenza, spostando l’ago della bilancia verso fattori meno visibili — la velocità di adattamento dei modelli a contesti normativi, la capacità di mantenere i dati in giurisdizioni specifiche, la resilienza dell’infrastruttura.

Per chi fornisce l’hardware necessario (schede ad alta memoria, sistemi con NVLink, server ottimizzati per carichi AI), questa dinamica prefigura una domanda sostenuta e poco sensibile ai cicli del risparmio immediato: le banche non possono rinunciare al controllo dei dati, e perciò devono investire in risorse proprie. Parallelamente, l’impatto occupazionale solleva interrogativi non solo sociali ma anche tecnici — modelli più autonomi richiedono supervisione, audit e trasparenza, tutte aree che spingono verso architetture on-premise verificabili.

Non è ancora chiaro quanto la riduzione di personale tocchi ruoli di front-office o back-office, né quali divisioni siano state coinvolte; ma la portata del numero – fino al 40 per cento – rende il fenomeno un caso di studio per qualunque organizzazione che valuti un deployment self-hosted di LLM. A monte resta una domanda aperta: se i margini non salgono, il vero tesoro è la difendibilità dell’ecosistema dati interni e la capacità di accelerare senza dipendere da terze parti, un terreno dove l’on-premise è ancora la leva più efficace.