Tom Blomfield ha fondato due delle fintech britanniche più note, GoCardless e Monzo. Ora approda in Anthropic con un incarico tanto atipico quanto rivelatore: lavorare nel team che si occupa di compute, ovvero la potenza di calcolo necessaria ad addestrare e far funzionare modelli come Claude. Non è un passaggio casuale.

Blomfield non è un ricercatore di machine learning, né un progettista di silicio. Viene dal mondo dei pagamenti e delle infrastrutture finanziarie, settori in cui scalare sistemi complessi in modo affidabile è una questione di sopravvivenza. Il fatto che Anthropic lo abbia scelto per affrontare il problema più duro dell'intelligenza artificiale — la potenza di calcolo — dice molto su come si sta evolvendo l'industria.

Siamo abituati a pensare ai Large Language Models come a una partita giocata su algoritmi e dataset. Ma la verità è che, senza un'infrastruttura di calcolo capace di reggere carichi di lavoro sempre più massicci, anche il modello più brillante resta un esperimento da laboratorio. Le GPU, la memoria video, l'interconnessione tra nodi e l'efficienza energetica sono diventati fattori critici quanto la ricerca pura. E quando un profilo come Blomfield — abituato a costruire piattaforme che processano milioni di transazioni senza intoppi — viene messo a capo di questa partita, il segnale è inequivocabile: il compute non è più un mero costo operativo, è il campo di battaglia strategico.

Cosa c'entra tutto questo con chi valuta deployment on-premise? Molto più di quanto sembri. Anthropic, come quasi tutti i laboratori frontiera, gira su infrastrutture cloud, ma i problemi che deve affrontare sono gli stessi di un'azienda che decide di portare l'inference o il fine-tuning in casa: saturazione delle GPU, latenza, costi di gestione e, non ultima, la sovranità dei dati. Affidarsi al cloud può semplificare le operazioni, ma introduce dipendenze e variabili fuori controllo, come la disponibilità di determinate schede o l'oscillazione dei prezzi delle istanze.

Portare i modelli on-premise significa riprendere in mano il controllo dell'intero stack, ma costringe a fare i conti con la stessa scarsità di risorse che assilla i grandi laboratori. La mossa di Anthropic ricorda a tutti che l'ottimizzazione del compute — dalla quantization alla scelta dei framework di serving, fino alla configurazione della VRAM — non è un dettaglio tecnico per sistemisti, ma la condizione necessaria per estrarre valore reale dai LLM senza mandare in tilt i bilanci.

L'arrivo di Blomfield segnala anche uno spostamento di competenze: le capacità maturate nella gestione di sistemi transazionali ad alta affidabilità stanno migrando verso l'AI, perché i vincoli sono simili. Non sorprende, allora, che anche in aziende lontane dalla Silicon Valley i ruoli legati all'AI infrastrutturale stiano guadagnando peso. La lezione per chi segue le logiche del self-hosted è che la battaglia sull'AI non si vince solo con il modello più grande, ma con l'architettura più solida ed efficiente.