Con la pubblicazione della norma UNI 11621-8:2026 da parte di UNI, l’AI Data Scientist è entrato nell’elenco dei dodici profili professionali dell’intelligenza artificiale riconosciuti da uno standard nazionale, il primo del genere in Europa, elaborato dalla Commissione Tecnica UNINFO CT 526 con il coordinamento del Dipartimento per la Trasformazione Digitale il 30 aprile 2026. Il nome somiglia a quello di un mestiere che esiste da almeno quindici anni, e la somiglianza genera un equivoco diffuso: molti lo leggono come un sinonimo aggiornato di data scientist. Non lo è. Questo articolo spiega cosa distingue il profilo della norma dal data scientist classico, perché la differenza conta per chi assume, e come si muove chi viene dalla data science tradizionale e vuole attraversare il confine.
Un nome familiare per un mestiere diverso
Il data scientist classico è figlio dell’era dei big data. La Harvard Business Review lo incoronò nel 2012 come il mestiere più attraente del secolo, e per un decennio la formula è rimasta stabile: raccogliere dati aziendali, pulirli, esplorarli, addestrare modelli statistici e di machine learning su misura, comunicare i risultati al business. Il modello era un prodotto interno: nasceva sui dati dell’azienda, viveva nei server dell’azienda, e chi lo aveva costruito ne conosceva ogni assunzione.
Quel mondo non è scomparso. Ma non è più solo.
Dal 2023 in poi la maggior parte del valore nuovo passa da modelli che nessuna azienda italiana addestra in casa: sistemi fondazionali costruiti da laboratori esteri, acquistati come servizio, adattati al contesto. Il professionista che lavora con questi sistemi non controlla i dati di addestramento, non vede i pesi, non può spiegare il comportamento del modello risalendo al codice. Eppure deve rispondere della qualità di ciò che il sistema produce dentro i processi aziendali. È un mestiere con la stessa cassetta degli attrezzi statistica del predecessore, ma con un oggetto di studio che si comporta più come un fenomeno naturale da osservare che come un manufatto da ispezionare.
La norma prende atto di questo passaggio e gli dà un nome.
La distinzione ha conseguenze pratiche immediate in Italia, dove le imprese che possono permettersi di addestrare modelli propri si contano sulle dita e tutte le altre comprano. Per anni gli annunci hanno cercato “data scientist” chiedendo in realtà mestieri diversissimi: chi voleva un analista di business, chi un ingegnere dei dati, chi un mago tuttofare. Con due schede distinte nella stessa norma, il data scientist orientato ai sistemi AI e i profili ingegneristici che gli stanno accanto, l’ambiguità smette almeno di essere una scusa.
La scheda della norma: missione, compiti, indicatori
Come ogni profilo della UNI 11621-8, l’AI Data Scientist è descritto in otto voci: missione, compiti, competenze, conoscenze, abilità, autonomia, responsabilità e KPI, il tutto agganciato all’e-Competence Framework europeo. La missione unisce i due mondi: estrarre valore dai dati e garantire che i modelli utilizzati, inclusi quelli generativi e fondazionali, siano valutati, monitorati e documentati con metodo scientifico.
I compiti tracciano il perimetro. Analisi dei dati e costruzione di modelli, come da tradizione. Ma anche selezione e valutazione comparativa di modelli fondazionali per un caso d’uso, progettazione di esperimenti per misurare la qualità di sistemi generativi, monitoraggio del degrado delle prestazioni nel tempo, valutazione dei rischi legati ai dati (distorsioni, rappresentatività, provenienza), supporto alla documentazione tecnica richiesta dal quadro normativo. La voce responsabilità è netta: il profilo risponde della correttezza metodologica delle valutazioni, anche quando il modello è di terzi.
Una riga della scheda merita sottolineatura: i KPI includono la qualità e la tracciabilità delle valutazioni, non solo l’accuratezza dei modelli. Tradotto: il mestiere viene misurato anche su quanto bene misura.
Dal modello addestrato in casa al modello fondazionale
La differenza operativa più profonda sta nel rapporto col modello. Il data scientist classico addestra: sceglie l’algoritmo, prepara i dati, controlla la procedura, e se qualcosa non torna può rifare. L’AI Data Scientist della norma, molto più spesso, seleziona e adatta: confronta modelli fondazionali disponibili sul mercato, decide tra adattamento leggero e tecniche di contesto come il RAG, il recupero di documenti aziendali forniti al modello al momento della richiesta, e verifica che il comportamento regga sui casi reali dell’organizzazione.
Selezionare è un lavoro più insidioso di quanto sembri. I punteggi sui benchmark pubblici dicono poco sul comportamento di un modello dentro un processo specifico: un sistema brillante sui test accademici può fallire sui documenti tecnici di un’azienda meccanica, sulle abbreviazioni di un reparto ospedaliero, sull’italiano amministrativo. Il valore del profilo sta nel costruire la valutazione locale: un insieme di casi rappresentativi del lavoro vero, criteri di giudizio espliciti, una procedura ripetibile che permetta di confrontare modelli oggi e di riconfrontarli tra sei mesi, quando il fornitore aggiorna il sistema senza chiedere permesso.
Un esempio rende l’idea. Una banca regionale vuole un assistente che riassuma le pratiche di fido per gli analisti. Il data scientist classico avrebbe chiesto: quali dati abbiamo per addestrare? L’AI Data Scientist chiede altro: quali modelli sul mercato reggono il linguaggio delle pratiche italiane, come lo verifico su cento fascicoli anonimizzati prima della scelta, quali errori sono tollerabili e quali no, come mi accorgo se il prossimo aggiornamento del fornitore peggiora i riassunti proprio sulle pratiche agricole che per questa banca pesano metà del portafoglio. Nessuna di queste domande richiede di addestrare alcunché. Tutte richiedono metodo.
C’è anche una conseguenza contrattuale. Quando il modello è un servizio esterno, la qualità diventa una clausola: chi ha fatto le valutazioni fornisce all’ufficio acquisti i numeri per negoziare livelli di servizio sensati. Un altro punto in cui il mestiere esce dal laboratorio ed entra nelle stanze dove si firmano i contratti.
Misurare i sistemi generativi: il mestiere dentro il mestiere
Valutare un classificatore era relativamente semplice: la risposta era giusta o sbagliata, e le metriche stavano nei manuali. Un sistema generativo produce testo aperto, e la domanda “questa risposta è buona?” smette di avere una risposta binaria. È buona per chi? Rispetto a quale criterio? Con quale tolleranza per le sfumature?
Qui il profilo mette a frutto la sua eredità statistica. Costruire rubriche di valutazione con dimensioni esplicite (correttezza fattuale, completezza, tono, aderenza alle istruzioni), campionare gli output in modo rappresentativo, stimare l’accordo tra valutatori umani, usare con cautela i modelli stessi come giudici sapendo che ereditano distorsioni proprie: è metodologia sperimentale applicata a un oggetto nuovo. La differenza tra un’azienda che “prova il modello e vede se va” e una che sa quanto spesso il proprio sistema sbaglia, su cosa e con quale tendenza, è tutta in questo lavoro.
Poi c’è il tempo. I sistemi generativi in produzione degradano in modi silenziosi: cambia il fornitore, cambiano i dati in ingresso, cambia l’uso che le persone ne fanno. Il monitoraggio continuo, con soglie di allarme e revisioni periodiche dei campioni, è compito esplicito della scheda UNI. Non è burocrazia: è ciò che separa un incidente intercettato da un incidente scoperto dai clienti.
Il vincolo, come sempre, è economico: la valutazione umana costa, quella automatica è imperfetta. Decidere quanto investire in misura, dove campionare fitto e dove basta un controllo a maglie larghe, è una scelta di allocazione che richiede sia statistica sia comprensione del business. Anche per questo la scheda colloca il profilo in dialogo costante con chi possiede i processi: la soglia di errore accettabile per un riassunto interno e per una comunicazione al cliente non è la stessa, e non la decide il tecnico da solo.
La data governance quando arriva l’AI Act
Il terzo tratto distintivo del profilo è normativo. Il Regolamento UE 2024/1689 (AI Act) impone requisiti espliciti sulla qualità e sulla governance dei dati per i sistemi ad alto rischio: pertinenza, rappresentatività, gestione delle distorsioni, documentazione. La Legge 23 settembre 2025, n. 132 ha portato il quadro nell’ordinamento italiano. Qualcuno deve trasformare questi requisiti in pratiche: censire da dove vengono i dati, documentare le trasformazioni, valutare se un insieme di addestramento o di adattamento rappresenta davvero la popolazione su cui il sistema opererà.
Per l’AI Data Scientist questo significa un allargamento di responsabilità che il predecessore non conosceva. La qualità dei dati smette di essere una virtù professionale privata e diventa materia di conformità, con documenti che le autorità possono chiedere di vedere. Chi vuole capire come questi obblighi atterrano sulle organizzazioni trova nella guida operativa all’AI Act di AIPIA un quadro aggiornato per le imprese.
Il contesto rende il profilo più raro di quanto servirebbe. Con le competenze AI cresciute del 93% negli annunci di lavoro italiani in un anno e un’adozione aziendale ferma al 22% contro il 32% della media europea secondo Eurostat, la domanda di chi sa valutare sistemi altrui corre più veloce dell’offerta di chi sa farlo con metodo.
Il percorso di chi viene dalla data science classica
La buona notizia per i data scientist tradizionali: il grosso del capitale professionale si trasferisce. Il metodo sperimentale, la statistica, la capacità di interrogare i dati con onestà, la programmazione, la diffidenza verso i risultati troppo belli: tutto questo resta il cuore del mestiere nuovo. Chi lo possiede parte da tre quarti del cammino.
Il quarto mancante è fatto di tre blocchi. Primo: il funzionamento dei modelli fondazionali quanto serve a valutarli, dai token alla finestra di contesto, dalla natura statistica delle allucinazioni ai limiti dei benchmark. Secondo: le tecniche di valutazione dei sistemi generativi, che nei percorsi universitari di dieci anni fa semplicemente non esistevano. Terzo: il quadro normativo, perché la governance dei dati in ottica AI Act è diventata parte della professione, non una seccatura da delegare al legale. Per orientarsi tra le opzioni formative, AIPIA ha strutturato percorsi formativi AI per livelli e profili che coprono questi blocchi in modo progressivo, con la possibilità di dimostrare le competenze acquisite tramite Credenziali Digitali Europee con sigillo eIDAS agganciate ai profili della norma.
C’è anche qualcosa da disimparare: il riflesso di addestrare da zero. Nel mondo dei sistemi fondazionali, costruire un modello in casa è spesso la risposta sbagliata a un problema che l’adattamento risolverebbe in una settimana. Il professionista maturo riconosce quando la vecchia cassetta degli attrezzi è quella giusta e quando è solo quella familiare.
Utile, infine, collocarsi rispetto ai profili vicini della norma. Il Data Engineer costruisce e mantiene le infrastrutture da cui i dati arrivano; il Machine Learning Engineer porta i sistemi in produzione e li fa funzionare; l’AI Data Scientist decide se quei sistemi meritano di andarci e certifica con i numeri che continuano a meritarlo. Sono tre mestieri complementari che i selezionatori confondono da anni. La scheda mette per iscritto i confini, e per chi si candida diventa più facile dire con precisione dove sta e dove vuole andare.
Il dodicesimo profilo della UNI 11621-8 non manda in pensione il data scientist: lo sposta. Dal costruire modelli al rispondere dei modelli, chiunque li abbia costruiti. In un’economia dove le imprese useranno sempre più sistemi che non hanno addestrato e non possono ispezionare, chi sa misurarli con metodo è la vera infrastruttura di fiducia. La norma, per una volta, è arrivata prima che il mercato se ne accorgesse.
