UNI ha pubblicato il 30 aprile 2026 la norma UNI 11621-8:2026, elaborata dalla Commissione Tecnica UNINFO CT 526 con il coordinamento del Dipartimento per la Trasformazione Digitale: dodici profili professionali dell’intelligenza artificiale, ciascuno descritto per missione, compiti, competenze, conoscenze, abilità, autonomia, responsabilità e KPI, in allineamento con l’AI Act, con la Legge 23 settembre 2025, n. 132 e con l’e-Competence Framework europeo. Questo blog ha dedicato un articolo a ciascun profilo, dal Data Engineer al Chief AI Officer. Resta l’ultima lettura, quella che tiene insieme tutte le altre: la norma non è soltanto un catalogo di mestieri, è una mappa di carriera. Letta in verticale descrive dodici ruoli; letta in orizzontale descrive le strade che li collegano, i punti in cui si cambia binario e i passaggi in cui si sale. È questa seconda lettura l’oggetto dell’articolo.
Perché una tassonomia si può leggere come una mappa
Il valore della norma per chi ragiona di carriera sta in due campi che i curricula tradizionali non hanno mai standardizzato: autonomia e responsabilità. Per ogni profilo, UNI 11621-8 specifica quanto il professionista decide da solo e di che cosa risponde. Messi in fila, questi due campi disegnano una scala: si cresce professionalmente quando aumenta il perimetro delle decisioni prese senza supervisione e quando si passa dal rispondere di un compito al rispondere di un risultato, e poi di una strategia.
L’allineamento all’e-Competence Framework aggiunge il secondo asse. Ogni competenza è espressa su livelli confrontabili in tutta Europa, il che permette di misurare la distanza tra il profilo che si ricopre oggi e quello a cui si punta: non “mi manca esperienza”, ma “mi mancano due competenze specifiche al livello richiesto”. La differenza è la stessa che passa tra sapere di dover viaggiare verso nord e avere le coordinate.
La mappa serve a entrambi i lati del mercato. Il professionista la usa per pianificare i propri passaggi; l’azienda la usa per costruire piani di crescita interni che non dipendano dall’estro del responsabile di turno. Prima della norma, promuovere un ML engineer a un ruolo di architettura era una decisione argomentata con formule vaghe; ora esiste un riferimento pubblico che dice quali competenze, quale autonomia e quali responsabilità il nuovo gradino comporta. Per le organizzazioni che perdono i profili migliori perché non sanno mostrare loro una prospettiva, non è un dettaglio burocratico. È lo strumento che mancava.
Con questi due assi, le traiettorie tipiche diventano leggibili. Ne esistono principalmente tre, più un vertice a cui tutte, in teoria, possono condurre.
La traiettoria dell’ingegneria: dai dati alle architetture
La strada più battuta comincia dal Data Engineer, il profilo che costruisce e mantiene le infrastrutture dei dati: pipeline, qualità, integrazione. È il punto d’ingresso naturale perché ogni sistema AI vive di dati ben organizzati, e perché le competenze richieste, ingegneria del software e basi di dati, sono le più diffuse tra chi esce da studi informatici.
Il passaggio successivo è il Machine Learning Engineer, che dai dati risale ai modelli: addestramento, messa in produzione, monitoraggio. Da qui la traiettoria si ramifica nelle specializzazioni, il Deep Learning Engineer sulle reti neurali profonde, l’NLP Engineer sul linguaggio naturale, l’Algorithm Engineer sull’ottimizzazione degli algoritmi, fino ai ruoli di architettura senior che la norma colloca ai gradi più alti di autonomia tecnica.
Un dettaglio operativo che molti trascurano: il salto da Data Engineer a ML Engineer non è un avanzamento gerarchico ma un cambio di oggetto, dai flussi di dati ai modelli che li consumano. Chi lo affronta scopre che la competenza ponte decisiva non è la matematica avanzata, ma la pratica di MLOps: portare un modello in produzione e tenercelo somiglia più all’ingegneria dei sistemi che alla ricerca. È il motivo per cui questa transizione riesce spesso a chi viene dall’ingegneria del software, e delude chi la immagina come un ritorno all’università.
Lungo questa traiettoria la formazione formale pesa all’inizio, dove le basi non si improvvisano, e torna a pesare nelle specializzazioni. Nel mezzo, contano i sistemi che si sono messi in produzione.
La traiettoria dell’analisi e della ricerca
La seconda strada parte dall’analisi. L’AI Data Scientist della norma lavora sui dati con e per i sistemi di intelligenza artificiale: progetta esperimenti, valuta modelli, anche fondazionali, misura prestazioni e derive nel tempo. Rispetto al data scientist tradizionale, il baricentro si sposta dalla costruzione di modelli propri alla valutazione e all’adattamento di modelli esistenti, con la data governance in ottica AI Act come competenza distintiva.
Al vertice tecnico-scientifico di questa strada sta l’AI Research Scientist, il profilo che produce conoscenza nuova: metodi, architetture, risultati pubblicabili. È l’unico dei dodici per cui il dottorato resta la via d’accesso di gran lunga prevalente, e la sua collocazione naturale, laboratori industriali e università, lo rende numericamente marginale nel mercato italiano.
Il traffico più interessante su questa traiettoria, però, va in direzione opposta a quella che si immagina: non dall’analisi verso la ricerca, ma dall’analisi verso il prodotto e la consulenza. L’AI Data Scientist che sa spiegare a un consiglio di amministrazione perché un modello va ritirato ha già in mano metà del mestiere di AI Product Manager. La norma rende visibile questo ponte proprio perché descrive le competenze in un linguaggio comune ai due profili.
La traiettoria del prodotto e della consulenza
La terza strada è quella che non richiede di passare per l’ingegneria, ed è la più rilevante per chi arriva all’AI da altri mestieri. Il punto d’ingresso più accessibile è l’AI Prompt Engineer, che progetta interazioni con i sistemi generativi, flussi di lavoro e criteri di valutazione degli output: un profilo dove il rigore linguistico e la conoscenza del dominio applicativo pesano più del codice.
Da lì si sale verso l’AI Consultant, che accompagna le organizzazioni nell’adozione, dall’analisi dei processi alla selezione delle soluzioni, e verso l’AI Product Manager, che governa il ciclo di vita di un prodotto basato su AI mediando tra tecnica, utenti e obiettivi. I due profili condividono gran parte delle competenze e differiscono per postura: il consulente attraversa molte organizzazioni, il product manager ne presidia una in profondità. Il passaggio dall’uno all’altro, in entrambe le direzioni, è tra i più frequenti dell’intero sistema.
Su questa traiettoria l’esperienza di dominio vale quanto la competenza AI, e la crescita si misura meno in profondità tecnica e più in perimetro di responsabilità: dal singolo caso d’uso al portafoglio di iniziative, dal progetto al conto economico.
Un esempio di sequenza realistica: una professionista con dieci anni nel marketing entra come AI Prompt Engineer progettando i flussi generativi della propria funzione; in due anni diventa il punto di riferimento aziendale per l’adozione, e il ruolo evolve di fatto in quello di AI Consultant interno; quando l’azienda decide di trasformare uno di quei flussi in un servizio venduto ai clienti, la guida del prodotto tocca a lei. Tre profili UNI in cinque anni, senza aver mai scritto una riga di codice di produzione. Non è un caso limite: è la fisiologia di questa traiettoria.
A cavallo delle tre strade sta l’AI Security Specialist, il profilo che protegge i sistemi da attacchi e usi impropri. Si arriva a questo ruolo quasi sempre dalla cybersecurity tradizionale, ed è la dimostrazione più chiara che i dodici profili non sono compartimenti: sono posizioni su una mappa in cui i confini si attraversano.
Il vertice: che cosa serve davvero per il Chief AI Officer
Tutte le traiettorie convergono, almeno in teoria, sul profilo apicale: il Chief AI Officer, responsabile della strategia AI dell’organizzazione, della sua governance e della conformità normativa, dal Regolamento UE 2024/1689 in giù. In teoria, appunto. In pratica la norma dice, con il linguaggio asciutto dei KPI e delle responsabilità, che al vertice non si arriva accumulando competenza tecnica: si arriva aggiungendo alla base tecnica o consulenziale tre corpi di competenze che nessuna delle traiettorie fornisce da sola.
Il primo è la governance: disegnare processi decisionali, comitati, deleghe, sistemi di controllo. Il secondo è la compliance: rispondere della conformità all’AI Act e alla Legge 132/2025 davanti al vertice aziendale, il che richiede di capire i rischi normativi prima che diventino sanzioni. Il terzo è il conto economico: un CAIO gestisce budget, negozia con i fornitori, risponde del ritorno degli investimenti.
Chi viene dalla strada tecnica deve costruire il linguaggio del business; chi viene da consulenza e prodotto deve conquistare la credibilità tecnica per non dipendere in tutto dai propri ingegneri. Le due carenze sono speculari, e la norma, specificando che cosa il ruolo richiede, permette a ciascuno di sapere esattamente quale metà gli manca.
Vale anche un’avvertenza sui tempi. In Italia il ruolo formale di Chief AI Officer esiste in una minoranza di organizzazioni, per lo più grandi; molto più diffusa è la versione implicita, il dirigente che somma la responsabilità AI a un incarico preesistente. Per chi punta al vertice questo non è un ostacolo ma un’informazione: la strada passa quasi sempre dal farsi affidare quella responsabilità implicita, e dal ricoprirla secondo lo standard del profilo prima che l’organizzazione decida di dargli un nome.
Dove serve formazione formale e dove basta l’esperienza
La mappa si chiude con la domanda pratica: come si attraversano i confini tra profili? La norma suggerisce una risposta differenziata. I passaggi verticali dentro la stessa traiettoria, da junior a senior, si fanno soprattutto con l’esperienza documentata: progetti, sistemi in produzione, risultati. I passaggi orizzontali tra traiettorie richiedono quasi sempre formazione strutturata, perché introducono corpi di conoscenze nuovi: il tecnico che va verso il prodotto deve studiare gestione ed economia, il consulente che si avvicina ai modelli deve studiarne il funzionamento, chiunque punti al vertice deve studiare governance e normativa.
In entrambi i casi, il problema è rendere il passaggio credibile agli occhi di chi assume o promuove. AIPIA lavora esattamente su questo snodo: la pagina dedicata ai profili professionali AI della norma UNI 11621-8 mantiene la lettura aggiornata dei dodici ruoli, i percorsi formativi AI sono organizzati per livelli e per traiettorie, e le competenze acquisite vengono attestate con Credenziali Digitali Europee (EDC) verificabili con sigillo eIDAS e con attestazioni di qualità professionale ai sensi dell’articolo 7 della Legge 4/2013. Strumenti che trasformano un cambio di binario dichiarato in un cambio di binario dimostrabile.
Uso pratico immediato: la mappa funziona anche nei colloqui di sviluppo annuali. Presentarsi alla conversazione con il proprio responsabile indicando il profilo UNI di destinazione, le due o tre competenze mancanti al livello richiesto e la proposta formativa per colmarle trasforma una richiesta generica di crescita in un piano verificabile, con scadenze e criteri di successo condivisi.
C’è un rischio, nel leggere una norma come una mappa: scambiarla per un binario obbligato. Vale il contrario. Prima della UNI 11621-8 le carriere nell’AI italiana si muovevano alla cieca, con titoli inventati dagli annunci e competenze non confrontabili; ora esiste un linguaggio comune per dire da dove si parte e dove si vuole arrivare. La mappa non decide la destinazione di nessuno. Ma da aprile 2026, chi viaggia senza è l’unico a cui ogni strada sembra uguale.
