Il dibattito sull’intelligenza artificiale è spesso dominato da una domanda quasi ossessiva: quali professioni scompariranno? Ogni nuova generazione di modelli linguistici viene accompagnata da previsioni sulla fine dei programmatori junior, degli analisti, dei traduttori, dei creatori di contenuti o dei professionisti amministrativi. È una narrazione semplice, quasi cinematografica, che funziona perfettamente sui social network ma descrive soltanto metà della trasformazione. L’altra metà, molto meno spettacolare ma decisamente più interessante, riguarda la nascita di nuove professioni che fino a pochi anni fa non esistevano nemmeno nel lessico aziendale.
L’esempio arriva da Box, società specializzata nella gestione dei contenuti e nella collaborazione enterprise, che ha dichiarato di aver creato tredici nuove figure professionali legate all’intelligenza artificiale nell’arco di appena due anni. Il dettaglio più sorprendente non è il numero, ma la natura di questi ruoli. La maggior parte non riguarda la progettazione o l’addestramento di modelli di AI. Riguarda invece la loro integrazione nei processi aziendali, nella governance, nell’organizzazione del lavoro e nella trasformazione operativa.
Tra le nuove figure emergono naturalmente AI Architect e specialisti dedicati all’architettura delle soluzioni, ma risultano ancora più significativi ruoli come i Forward Deployed Engineer, professionisti che lavorano direttamente presso i clienti per trasformare le potenzialità dell’intelligenza artificiale in applicazioni concrete. Il loro compito non consiste nello sviluppare un nuovo modello linguistico, bensì nel comprendere processi aziendali complessi, identificare colli di bottiglia, integrare dati, ridefinire workflow e costruire sistemi realmente utilizzabili.
Ancora più emblematico è il ruolo degli AI Model Evaluator. Box racconta il caso di un giovane laureato di Stanford che, a soli ventitré anni, si occupa di confrontare sistematicamente modelli differenti per determinare quale sia il più adatto a specifici casi d’uso. È una professione che due anni fa sarebbe sembrata incomprensibile persino a chi oggi la svolge. Non si tratta di creare algoritmi più sofisticati, ma di misurare affidabilità, accuratezza, costi, latenza, qualità delle risposte e capacità operative in contesti reali, offrendo ai clienti criteri oggettivi per scegliere la tecnologia più efficace.
Questo rappresenta forse il cambiamento più importante dell’attuale fase dell’intelligenza artificiale. Il vantaggio competitivo non deriva più esclusivamente dall’accesso al modello più potente. I modelli di frontiera stanno rapidamente diventando una commodity, mentre la differenza economica si sposta sull’implementazione. È un fenomeno già osservato in altre rivoluzioni tecnologiche. Internet non ha creato valore soltanto attraverso i protocolli di rete; il valore è nato quando aziende e organizzazioni hanno imparato a ripensare processi, prodotti e modelli di business.
Nell’adozione enterprise dell’AI il vero problema raramente è rappresentato dal modello stesso. La sfida consiste nell’identificare il problema corretto da risolvere prima ancora di scegliere la tecnologia. Serve comprendere il processo aziendale, definire gli obiettivi, stabilire gli indicatori di successo e progettare un caso d’uso sostenibile. Questa fase richiede competenze consulenziali, conoscenza del business e capacità di tradurre esigenze operative in architetture digitali. È un lavoro molto meno appariscente rispetto allo sviluppo di un foundation model, ma spesso genera un impatto economico decisamente superiore.
Subito dopo emerge il tema dei dati. Nessun modello, per quanto sofisticato, può produrre risultati affidabili se alimentato con informazioni incomplete, obsolete o non contestualizzate. Diventano quindi fondamentali competenze legate ai sistemi di retrieval, alla gestione della memoria, alle basi documentali aziendali, alla qualità dei dati e alla costruzione di pipeline capaci di fornire al modello il contesto corretto nel momento opportuno. In altre parole, il futuro appartiene sempre meno ai prompt engineer e sempre più agli architetti dell’informazione.
Esiste poi un ulteriore livello, quello dell’orchestrazione dei workflow. Un modello linguistico raramente opera in isolamento. Deve dialogare con CRM, ERP, piattaforme documentali, sistemi di ticketing, database, strumenti di cybersecurity e applicazioni verticali. Ogni passaggio richiede decisioni precise su quando l’intelligenza artificiale debba intervenire, quando invece sia necessario il controllo umano e come gestire eccezioni, errori e validazioni. Questa è ingegneria dei processi, non semplice utilizzo dell’AI.
Infine arriva la componente meno affascinante ma probabilmente più decisiva: governance, monitoraggio, conformità normativa e controllo operativo. Ogni progetto pilota sembra brillante durante una dimostrazione. Molti falliscono quando vengono distribuiti su larga scala. Occorre monitorare qualità delle risposte, costi computazionali, sicurezza, gestione dei dati sensibili, conformità regolatoria e continuità operativa. È proprio questa infrastruttura invisibile a determinare se un progetto rimarrà una demo oppure diventerà un sistema critico per il business.
La storia dell’informatica suggerisce prudenza prima di liquidare queste nuove professioni come temporanee. L’introduzione dei computer eliminò numerose attività manuali e amministrative, ma generò interi ecosistemi professionali che nessuno aveva previsto. Amministratori di sistema, responsabili IT, CIO, specialisti di cybersecurity, cloud architect e data engineer sono tutte figure nate dall’evoluzione tecnologica più che dalla tecnologia in sé. Oggi sembrano indispensabili; quarant’anni fa sarebbero apparse altrettanto enigmatiche quanto un AI Model Evaluator appare oggi a chi osserva il mercato da fuori.
La vera lezione è che il lavoro nell’era dell’intelligenza artificiale si sta spostando verso l’intersezione tra tecnologia e organizzazione. Le competenze puramente tecniche rimangono importanti, ma non bastano più. Cresce il valore di chi comprende contemporaneamente processi aziendali, dati, governance, integrazione applicativa e gestione del cambiamento. È una trasformazione che penalizza chi considera l’AI soltanto come un chatbot più evoluto e premia invece chi la interpreta come una nuova infrastruttura produttiva.
L’ironia è che la Silicon Valley continua a presentare ogni nuovo modello come il protagonista assoluto della rivoluzione, mentre nelle aziende il protagonista è quasi sempre qualcun altro: il professionista che riesce a far funzionare quel modello dentro una realtà fatta di procedure, legacy software, compliance, resistenze culturali e vincoli economici. Il futuro del lavoro nell’intelligenza artificiale potrebbe quindi essere meno hollywoodiano di quanto raccontino le conferenze dei big tech, ma decisamente più concreto. Come spesso accade nelle grandi rivoluzioni industriali, la vera innovazione non consiste nell’inventare una macchina più potente, bensì nel trovare migliaia di modi intelligenti per inserirla nella complessità del mondo reale.