C’è un’ironia sottile nel modo in cui il settore del recruiting sta provando a salvarsi. Le stesse tecnicie che per anni hanno promesso di svuotare uffici interi di selezionatori — software capaci di scremare curricula, scrivere annunci, condurre prime interviste in video — oggi diventano il prodotto da vendere. Le agenzie di staffing non si limitano più a collocare contabili o project manager: corrono a caccia di ingegneri AI, architetti di sistemi LLM, specialisti in fine-tuning e deployment on-premise.

Il paradosso è solo apparente. L’automazione avanza, ma mentre divora mansioni ripetitive, moltiplica i ruoli ad alta specializzazione. La domanda si concentra su figure che sappiano mettere in piedi e governare stack di intelligenza artificiale lontano dal cloud pubblico: medici di GPU, esperti di quantization e orchestrazione, tecnici che capiscono come far girare modelli sempre più pesanti su hardware delimitato, dentro confini aziendali precisi. Chi cerca talento lo sa: l’inference su dati sensibili non può passare da API esterne, e il TCO sfugge di mano se non si presidia l’infrastruttura locale.

In questo scenario, le società di selezione operano un cambiamento di pelle. Non più intermediari generici, ma boutique tecniciche che setacciano mercati di nicchia. La domanda di profili capaci di lavorare su pipeline self-hosted, containerizzazione di modelli, gestione della VRAM e conformità GDPR sposta il baricentro della professione: il recruiter deve diventare a sua volta un semi-ingegnere, o per lo meno conoscere le differenze fra un deployment su bare metal e uno su edge.

La faccenda, però, non è senza conseguenze. Mentre le agenzie si riposizionano su ruoli AI inarrivabili per i normali filtri automatici, la macchina dell’automazione non si ferma: i bot che sostituiscono i recruiter junior diventano sempre più bravi proprio grazie alle tecnicie che i loro datori di lavoro stanno vendendo. È un loop che accelera la polarizzazione del mercato: da un lato, una fascia di professionisti dell’AI strapagati e contesi; dall’altro, una massa di addetti alle selezioni la cui mansione si assottiglia ogni trimestre.

Per il panorama italiano, dove la sovranità dei dati e le restrizioni normative spingono verso architetture on-premise, l’effetto è duplice. Da un lato, le imprese faticano a trovare chi sappia mettere in produzione modelli senza appoggiarsi ai colossi americani; dall’altro, la scarsità fa salire le quotazioni di quelle figure, rendendo ogni assunzione una partita strategica. I framework più noti — da vLLM a Ollama — semplificano la messa in opera, ma non eliminano la necessità di competenze verticali: scelta della quantization, calibrazione del context window, monitoraggio della latenza.

Il recruiting si sta così legando a doppio filo al destino dell’AI auto-ospitata. I cacciatori di teste che capiranno la differenza tra un FP16 e un INT8, o che sapranno valutare un progetto di deployment in termini di consumo energetico e CapEx, sopravvivranno alla falcidie algoritmica. Gli altri, forse, saranno solo un altro caso di studio nel curriculum di un modello.