Il problema dell’AI in azienda non è “quale modello” utilizzare. È che manca qualcuno capace di far parlare modelli, sistemi legacy e persone reali.
Le aziende, a partire da quelle più grandi, banche, assicurazioni, manifatturiero, sanità hanno finalmente capito che l’AI non è un gadget. Stanno mettendo a disposizione budget seri, è arrivata sponsorship dai C‑suite, si lavora su roadmap pluriennali e progetti con timeline ambiziose, molto ambiziose, in linea con la crescita degli investimenti e dei casi d’uso che vediamo negli ultimi anni.
Eppure si trovano di fronte a un problema che nessun vendor ha ancora risolto davvero: mancano le persone che sanno portare questi progetti a terra, dall’idea alla produzione. Le ricerche sul mercato del lavoro AI in Italia mostrano chiaramente che la carenza di competenze è una delle principali cause di rallentamento o blocco dei progetti.
Non è pigrizia del mercato del lavoro. È che nessuno, fino a ieri, aveva fatto progetti di questo tipo su questa scala. L’AI generativa in azienda è entrata davvero in produzione solo di recente, e molte organizzazioni stanno ancora cercando di capire come integrare modelli, dati, processi e persone.
Non c’è un playbook consolidato, non c’è il senior da assumere che “l’ha già fatto mille volte”. Le aziende stanno scrivendo le regole mentre giocano la partita, con tutto il margine di incertezza e di opportunità che questo comporta.
Il profilo che serve è il Forward Deployed AI Engineer.
Un ibrido raro che combina:
- software engineering solido (non smanettoni dilettanti);
- esperienza pratica con LLM e agenti in produzione, non solo in laboratorio;
- la capacità di stare in una stanza con il responsabile di processo che non sa cosa sia un embedding, e uscirne con un piano tecnico condiviso e realizzabile.
Non è consulenza pura (di solito non tocca codice). Non è ingegneria in astratto (fatica a parlare la lingua del business). È una terza cosa: una declinazione moderna del forward deployed engineer, ma orientata a progetti AI e agentici, in cui l’ingegnere è embedded nelle linee di business per colmare il gap tra tecnologia e operatività quotidiana.
Questo profilo è, a tutti gli effetti, un 40% software engineering, 30% business acumen (termine dall’inglese che significa che persona perspicace, che ha acume commerciale), 30% AI/agenti con la capacità unica di gestire tutte e tre le dimensioni contemporaneamente, senza farsi travolgere. Non basta “capire i modelli”: bisogna saperli integrare con sistemi legacy, dati sporchi, vincoli normativi e resistenze culturali.
Il Palazzo Senatorio della tecnologia non ti insegna questo. Le università e i percorsi tradizionali stanno iniziando solo ora a introdurre moduli su AI generativa e MLOps (Machine learning Operations), ma la parte più importante di questo mestiere la impari mettendoci le maniogni giorno, su progetti reali.
A partire dalla fine del 2025 è diventato realistico costruire catene di ragionamento lunghe e agenti più robusti, ma la vera sfida è farli funzionare dentro il caos aziendale: connessioni legacy, processi contorti, sistemi che nessuno documenta da anni, e 10.000 persone che non hanno mai sentito parlare di un agente AI.
Non è un ruolo per chi vuole fare una cosa sola e farla bene in astratto. È per chi trova eccitante, non dispersivo, navigare tre complessità difficili contemporaneamente: tecnologia, business e organizzazione.
Nei prossimi 24 mesi, chi sa fare questo lavoro bene sarà una delle figure più richieste e meglio pagatedel delivery B2B tech in Italia, come indicano già oggi i trend sulle job posting AI e sulla crescita della domanda di profili ibridi tecnico‑business. Non per hype, ma per semplice logica di mercato: abbiamo i budget, abbiamo i modelli, abbiamo sempre più casi d’uso.
Quello che manca sono le persone che sappiano cucire tutto insieme e tenere in piedi la produzione quando l’entusiasmo iniziale sarà finito.