Cosa fa un AI Engineer?

L'AI Engineer è il ruolo esploso insieme all'AI generativa: a differenza del ricercatore ML che addestra modelli da zero, l'AI Engineer costruisce applicazioni sopra modelli fondazionali già esistenti (GPT, Claude, Gemini e simili). Il lavoro quotidiano è prompt engineering, sistemi RAG, orchestrazione di agenti, integrazioni via API e MCP, valutazione (eval) della qualità degli output, gestione dei costi e della latenza in produzione. Non è un ruolo che sostituisce il data scientist o l'ML engineer, ma li affianca con un focus diverso: mentre il data scientist costruisce modelli statistici su misura e l'ML engineer li porta in produzione con pipeline di training e monitoraggio, l'AI Engineer parte da un modello già pronto e costruisce il prodotto attorno, il che lo rende oggi il profilo più richiesto nell'adozione pratica della GenAI in azienda, perché la maggior parte del valore si crea integrando bene modelli esistenti sui propri dati.

Le competenze che conta davvero

Non serve un dottorato in machine learning: servono solide basi di ingegneria del software, familiarità con le API dei modelli, capacità di progettare pipeline di recupero dati affidabili, disciplina nel testare e valutare sistemi non deterministici (dove lo stesso input può produrre output leggermente diversi) e comprensione dei limiti pratici dei modelli, dalle allucinazioni al comportamento su contesti lunghi. È un profilo molto più vicino a un ingegnere backend con specializzazione AI che a uno scienziato dei dati.

Dove si distingue da data scientist e ML engineer

Il data scientist costruisce e valuta modelli statistici e predittivi su misura per un problema specifico. L'ML engineer porta quei modelli in produzione con pipeline di training, versioning e monitoraggio. L'AI Engineer, invece, tipicamente non addestra nulla: prende un modello fondazionale già pronto (spesso via API di terzi) e costruisce il prodotto attorno, dal chatbot di supporto clienti all'agente che automatizza un processo interno. È il profilo più richiesto nell'adozione pratica della GenAI in azienda proprio perché il costo e la complessità dell'addestrare modelli propri sono raramente giustificati: la maggior parte del valore aziendale si crea integrando bene modelli esistenti sui propri dati, non costruendone di nuovi.

Il nome nella norma UNI 11621-8

La norma UNI 11621-8:2026 descrive questo stesso territorio con etichette più granulari: AI Prompt Engineer per chi progetta le istruzioni che governano l'interazione con l'AI generativa, AI Algorithm Engineer per chi lavora sull'ottimizzazione degli algoritmi, AI Machine Learning Engineer per chi porta i modelli dalla ricerca alla produzione. In una PMI questi compiti finiscono tipicamente sotto un unico profilo assunto, quello descritto qui: la norma li scompone per la formazione e la rendicontazione dell'obbligo di alfabetizzazione AI dell'art. 4 dell'AI Act, non perché ogni azienda debba assumerli come ruoli separati.