Lunedì scorso, durante un all-hands tecnicico globale, Thomson Reuters ha usato un'espressione chirurgica: «un numero limitato di ruoli». Un dipendente presente ha poi confidato a Reuters che la cifra potrebbe arrivare fino a 500 posizioni. Non si tratta di un taglio lineare. L'azienda canadese, che controlla Reuters News, sta sfoltendo ingegneri con competenze tradizionali mentre accelera sulle assunzioni di profili definiti «AI-native».

La mossa non sorprende chi guarda oltre i titoli. Thomson Reuters gestisce un patrimonio informativo — dati finanziari, legali, fiscali — per il quale la sovranità e la residenza dei dati sono vincoli architetturali, non opzioni. Spostare l'intelligenza artificiale nel cloud significherebbe cedere il controllo su asset regolati da normative come GDPR e da contratti con clienti istituzionali. La vera partita, allora, si gioca sull'on-premise.

Tagliare ingegneri che manutengono sistemi legacy e sostituirli con figure capaci di orchestrare pipeline di fine-tuning, quantization di LLM e servizio di inference su hardware auto-gestito segnala una riconversione profonda. Non è semplicemente «fare di più con meno», ma preparare l'infrastruttura interna per modelli sempre più grandi, riducendo la dipendenza da API di terze parti e abbattendo il TCO sul lungo periodo.

Questa transizione ha vincitori e vinti ben definiti. Da un lato, vince chi sa mettere in produzione modelli open-source su server locali: i framework come vLLM o Ollama, gli specialisti di VRAM e bandwidth di memoria, i sistemisti che conoscono i colli di bottiglia dell'inference su GPU. Perde, invece, l'ingegneria «generalista» che non ha ancora incorporato queste competenze nel proprio bagaglio. A livello strutturale, l'operazione di Thomson Reuters diventa un segnale per l'intero settore enterprise: la prossima ondata di assunzioni tech non sarà per migrare al cloud, ma per costruire capacità di calcolo sovrane, gestite internamente.

C'è anche un risvolto meno visibile. Le aziende che producono hardware per server AI — dalle GPU con elevata VRAM agli acceleratori specializzati — trovano in queste riconversioni un mercato in espansione, mentre i fornitori di servizi cloud rischiano di vedere ridimensionato il loro ruolo a semplice overflow per picchi occasionali. Parallelamente, la comunità open-source che mantiene modelli e strumenti per il self-hosting riceve un impulso indiretto: più organizzazioni adottano stack on-premise, più investimenti e contributi confluiranno su librerie per l'inference efficiente e il fine-tuning su dati proprietari.

La notizia dei 500 tagli, quindi, non va letta come una semplice riduzione dei costi. È l'indizio di un cambiamento di paradigma nella gestione dell'AI aziendale, dove il controllo diretto sui dati e sull'hardware torna a essere centrale. Per chi valuta percorsi analoghi, AI-RADAR mappa trade-off e framework utili a orientarsi tra le complessità del deployment on-premise.