Le startup che nascono con l’intelligenza artificiale nel DNA non cercano giovani leve. Preferiscono ingegneri navigati, architetti software e specialisti con anni di pratica sui sistemi complessi. Un working paper di Harvard Business School e INSEAD, ripreso da Business Insider, lo conferma: le aziende AI-native sono più snelle, più piatte e sbilanciate verso profili senior.

I ricercatori Rembrand Koning e Hyunjin Kim hanno esaminato le startup del lotto Y Combinator tra il 2020 e il 2024, insieme a un campione più ampio di imprese tecniciche. I dati mostrano un pattern chiaro: meno assunzioni junior, più investimenti su competenze specialistiche. I team non crescono semplicemente di numero, ma di densità tecnica.

Perché le AI-native non assumono (quasi) nessuno alle prime armi

La risposta non sta tanto in una cultura aziendale esclusiva, quanto nella natura del lavoro che queste startup affrontano. Non si tratta di integrare un’API di linguaggio in un’app consumer e via. Chi sviluppa prodotti AI-centrici deve spesso gestire fine-tuning di LLM, costruire pipeline di inference ottimizzate, operare quantization aggressiva per far girare modelli su hardware limitato e, in molti casi, mantenere il controllo diretto dei dati. Attività che richiedono una comprensione profonda di VRAM, larghezza di banda della memoria, architetture GPU e compromessi tra precisione e velocità.

Il tutto è amplificato quando il deployment è on-premise o self-hosted. A differenza del semplice consumo di modelli via cloud, portare un LLM sui propri server significa mettere mano a configurazioni di rete, storage a bassa latenza, containerizzazione (spesso su Kubernetes) e sicurezza dei dati. Non è materia per profili appena usciti dall’università, a meno di non investire mesi in formazione supervisionata.

Il riflesso sul mercato del talento on-premise

Per le imprese che valutano di portare l’AI dentro casa — per questioni di sovranità dei dati, compliance o puro calcolo di TCO — questa tendenza suona come un campanello d’allarme. La disponibilità di ingegneri capaci di far funzionare un inference server on-premise, scegliere lo stack hardware giusto (GPU con sufficiente VRAM, NVLink, storage NVMe) e mantenere l’intera pipeline in produzione è già limitata. Se le startup più innovative assorbono questi profili con stipendi e progetti sfidanti, la partita si fa ancora più difficile per organizzazioni più tradizionali.

Il framework dipinto dallo studio Harvard suggerisce che il modello “pochi ma buoni” non è una scelta temporanea, ma un tratto strutturale dell’AI nativa. Con l’esplosione dei modelli aperti (Llama, Mistral, Qwen) e la possibilità di fare fine-tuning in casa, la pressione per avere talento senior capace di gestire l’intero ciclo — dalla preparazione dei dataset alla messa in produzione con latenze accettabili — non potrà che aumentare.

Non si tratta solo di competenze di AI research. Servono figure ibride: system engineer con conoscenze di machine learning, DevOps disinvolti con gli hypervisor e le GPU, esperti di reti che capiscono perché un modello distribuito richiede interconnessioni a bassa latenza. Figure, appunto, senior.

Il fenomeno non è privo di conseguenze. Le organizzazioni che non riescono ad attrarre questi profili rischiano di restare confinate a soluzioni cloud chiavi in mano, rinunciando ai benefici della sovranità e del controllo diretto sui costi. In alternativa, devono investire pesantemente in formazione interna, allungando i tempi di adozione. Un trade-off che in molti stanno già sperimentando.