PwC ha pubblicato nel giugno 2025 il Global AI Jobs Barometer, un’analisi condotta su quasi un miliardo di annunci di lavoro in sei continenti: tra il 2019 e il 2024 la quota di posizioni potenziate dall’AI che richiedono una laurea è calata di 7 punti percentuali, mentre nelle professioni più esposte all’AI le competenze richieste cambiano il 66 per cento più velocemente che nelle altre. Per chi ha 45 anni, vent’anni di carriera in un altro mestiere e l’intenzione di riposizionarsi verso l’intelligenza artificiale, questi due numeri contengono una notizia buona e una scomoda. La buona: i titoli di studio contano meno, l’ingresso laterale è possibile. La scomoda: quello che si impara oggi invecchia in fretta, e la riqualificazione non è un evento ma una condizione permanente. Questo articolo prova a separare ciò che funziona davvero da ciò che si racconta nei post motivazionali.
Il capitale che chi cambia carriera sottovaluta sempre
Chi arriva all’AI a metà carriera tende a considerare i propri vent’anni di esperienza come un peso, qualcosa da giustificare nei colloqui. È l’errore di prospettiva più diffuso, ed è esattamente rovesciato.
I progetti di intelligenza artificiale nelle aziende falliscono raramente per ragioni algoritmiche. Falliscono perché chi li costruisce non conosce il processo che dovrebbero migliorare: non sa quali dati sono affidabili e quali no, non distingue un’eccezione rara da un caso quotidiano, non capisce perché un reparto resiste all’adozione. Il controller che conosce a memoria le distorsioni dei dati di bilancio, il responsabile qualità che sa dove la produzione nasconde le non conformità, l’avvocato che riconosce a colpo d’occhio una clausola anomala: ciascuno di loro possiede la materia prima che i progetti AI consumano di più, la conoscenza di dominio.
Un ingegnere machine learning si assume sul mercato. La conoscenza del dominio no: o c’è già in azienda, o si compra a caro prezzo sotto forma di errori.
Il riposizionamento efficace parte da qui: non abbandonare il proprio dominio per entrare nell’AI, ma diventare la persona che nel proprio dominio sa far funzionare l’AI. La distinzione sembra sottile. In pratica separa le transizioni riuscite da quelle che si arenano dopo il terzo corso online.
C’è anche un dato di mercato che sostiene questa lettura. Le competenze AI negli annunci di lavoro italiani sono cresciute del 93 per cento in un anno, ma la crescita non riguarda solo i ruoli ingegneristici: una parte consistente degli annunci cerca figure capaci di applicare l’AI a funzioni esistenti, dal marketing alla finanza agli acquisti. Le aziende, in altre parole, non cercano soltanto chi costruisce i sistemi. Cercano chi li fa rendere dentro processi che conosce già.
I profili UNI raggiungibili senza una laurea STEM
Dal 30 aprile 2026 esiste un riferimento pubblico per capire quali mestieri dell’AI esistono davvero e cosa richiedono: la norma UNI 11621-8:2026, elaborata dalla Commissione Tecnica UNINFO CT 526, che definisce dodici profili professionali con missione, compiti, competenze, autonomia e responsabilità. Letta con gli occhi di chi vuole cambiare carriera, la norma divide i dodici profili in due famiglie: quelli dove la profondità matematica e ingegneristica è il requisito d’ingresso, e quelli dove pesano di più il giudizio, la conoscenza dei processi e la capacità di collegare la tecnologia agli obiettivi.
Tre profili della seconda famiglia sono realisticamente raggiungibili da chi arriva da altri mestieri.
L’AI Consultant accompagna le organizzazioni nell’adozione: analizza processi, individua i casi d’uso, valuta fornitori e soluzioni, stima costi e benefici. È il profilo dove l’esperienza gestionale e settoriale pesa di più, perché il cliente compra soprattutto la capacità di capire il suo problema. L’AI Product Manager governa il ciclo di vita di un prodotto o servizio basato su AI: raccoglie requisiti, definisce priorità, media tra team tecnico e utenti. Chi ha già fatto product management, project management o direzione operativa porta in dote la parte difficile del mestiere. L’AI Prompt Engineer progetta le interazioni con i sistemi generativi: istruzioni, flussi di lavoro, criteri di valutazione degli output. Richiede rigore linguistico, pensiero strutturato e conoscenza del dominio applicativo più che programmazione.
Per tutti e tre vale la stessa condizione: serve una comprensione solida di come funzionano i sistemi che si maneggiano, dei loro limiti e dei vincoli normativi. Non serve saperli costruire.
Comprensione solida significa qualcosa di preciso. Sapere che un modello linguistico produce testo probabilisticamente plausibile e non verità verificate, e regolarsi di conseguenza. Sapere cosa prevede il Regolamento UE 2024/1689 (AI Act) per i sistemi che si consigliano a un cliente, e cosa impone la Legge 23 settembre 2025, n. 132 sul versante italiano. Saper leggere una scheda tecnica di un fornitore separando le prestazioni misurate dalle promesse commerciali. È un corpo di conoscenze acquisibile in mesi di studio serio, non in un fine settimana. Ma è studio alla portata di chiunque abbia già imparato, almeno una volta nella vita, un mestiere complesso.
I profili che richiedono basi tecniche vere, senza scorciatoie
L’onestà impone il rovescio della medaglia. Profili come Machine Learning Engineer, Deep Learning Engineer, Algorithm Engineer e AI Data Scientist poggiano su algebra lineare, statistica, ottimizzazione e anni di pratica di programmazione. Non sono inaccessibili in assoluto a chi parte da zero a 45 anni, ma il tempo richiesto si misura in anni di studio sistematico, non in settimane di corso intensivo.
Chi promette il contrario vende qualcosa, e di solito non è un lavoro.
C’è una conseguenza pratica che pochi mettono in conto: su questi profili il professionista a metà carriera compete con venticinquenni formati esattamente per quel ruolo, disponibili a retribuzioni d’ingresso e con una curva di apprendimento davanti. Sul terreno puramente tecnico, la partita è impari. Sul terreno dove tecnica e dominio si incontrano, si rovescia: ed è lì che conviene giocarla.
L’errore ricorrente: inseguire il ruolo tecnico per sentirsi legittimati
Il copione si ripete con regolarità. Il professionista cinquantenne decide di “entrare nell’AI”, si iscrive a un bootcamp di programmazione, passa sei mesi sulle basi di Python, arriva a costruire il suo primo modello su dati di esercizio. Poi guarda gli annunci e scopre che le posizioni junior chiedono progetti reali, che i suoi coetanei tecnici hanno quindici anni di codice alle spalle, e che nessuno assume un ML engineer alle prime armi pagandolo quanto serve a chi ha un mutuo e due figli.
Lo scoraggiamento che segue non è un fallimento personale. È il risultato prevedibile di una strategia sbagliata.
C’è una variante meno visibile dello stesso errore: restare fermi in attesa del momento giusto. Molti professionisti a metà carriera rimandano perché aspettano che il quadro si stabilizzi, che emerga “il corso giusto”, che l’azienda decida per loro. Ma il barometro PwC dice che le competenze richieste cambiano il 66 per cento più in fretta proprio nei ruoli esposti all’AI: aspettare la stabilità significa aspettare qualcosa che non arriverà. Il vantaggio competitivo di chi inizia ora non sta nell’arrivare preparato al punto di equilibrio, ma nell’abituarsi prima degli altri a un mestiere che si aggiorna di continuo.
La programmazione di base resta un investimento utile, perché toglie la soggezione verso la tecnologia e permette di dialogare con i team tecnici senza intermediari. Ma va trattata per quello che è: alfabetizzazione strumentale, non riqualificazione professionale. Il riposizionamento vero avviene quando la nuova competenza si innesta sull’esperienza esistente e produce un profilo che sul mercato non c’era: il consulente assicurativo che sa impostare e valutare un sistema di analisi automatica dei sinistri vale più della somma delle due figure separate.
Dimostrare le nuove competenze quando il curriculum racconta un’altra storia
Il problema successivo è la credibilità. Chi ha vent’anni di carriera in un altro campo non può dimostrare le competenze AI con l’anzianità di ruolo, e i selezionatori diffidano, con qualche ragione, delle autodichiarazioni: la stessa parola “prompt engineer” compare in migliaia di profili LinkedIn senza che nulla la sostenga.
Servono prove verificabili, e ne esistono di tre tipi.
La prima è il progetto documentato nel proprio dominio: un caso d’uso reale, anche piccolo, con problema, approccio, risultati e limiti descritti in modo trasparente. Vale più di qualunque attestato perché mostra insieme la competenza nuova e quella vecchia. La seconda è la formazione strutturata con verifica finale, che distingue chi ha studiato da chi ha guardato video: i percorsi formativi AI di AIPIA sono costruiti per livelli progressivi proprio per chi non parte da una base tecnica. La terza è la credenziale digitale verificabile: AIPIA rilascia ai soci che completano il corso AI Base con Credenziale Europea una Credenziale Digitale Europea (EDC) con sigillo eIDAS, che un datore di lavoro può verificare online in pochi secondi, e attestazioni di qualità professionale ai sensi dell’articolo 7 della Legge 4/2013. Non sono equivalenti a una laurea in informatica, e chi le presenta come tali sbaglia. Sono qualcosa di diverso e, per questo pubblico, di più utile: la prova che la competenza dichiarata è stata verificata da un soggetto terzo identificabile.
Dodici mesi realistici, non dodici settimane miracolose
Una transizione seria a metà carriera ha tempi che si possono pianificare. I primi tre mesi servono all’alfabetizzazione: capire cosa i sistemi generativi sanno fare, dove sbagliano, quali vincoli normativi ne governano l’uso, sperimentando ogni giorno sugli strumenti dentro il proprio lavoro attuale. I mesi dal quarto al sesto servono a un progetto pilota nel proprio dominio, scelto piccolo e concreto: automatizzare un’analisi ricorrente, costruire un flusso di verifica documentale, misurare i risultati. Dal settimo al nono si consolida: formazione strutturata, credenziale verificabile, prime conversazioni esterne con il nuovo posizionamento. Gli ultimi tre mesi sono di mercato: candidature mirate o, più spesso, rinegoziazione del proprio ruolo in azienda, dove il progetto pilota è già visibile.
Dodici mesi di lavoro serio accanto al lavoro che già si fa. Chi promette lo stesso risultato in sei settimane sta descrivendo un altro prodotto.
Due avvertenze pratiche su questo calendario. La prima: la rinegoziazione interna è quasi sempre la strada più corta, perché l’azienda conosce già il valore di dominio della persona e il progetto pilota abbatte la diffidenza verso la competenza nuova; il mercato esterno, per chi cambia a metà carriera, funziona meglio come seconda opzione che come prima. La seconda: la rete professionale pesa quanto la formazione. Le associazioni di settore, i gruppi di pratica, gli eventi tecnici sono il luogo dove il riposizionamento diventa visibile prima che diventi ufficiale, e dove si incontrano le persone che segnaleranno la prima occasione. Nessuna credenziale sostituisce una persona che fa il tuo nome nel momento giusto.
C’è un ultimo dato che merita attenzione: secondo la Salary Guide 2026 di Hays Italia, il 77 per cento dei professionisti italiani si dichiara disposto a seguire percorsi di formazione dedicati all’AI. La disponibilità, dunque, è la norma, non l’eccezione. Ciò che distingue chi si riposiziona davvero è la direzione dello sforzo: non verso il mestiere degli altri, ma verso la versione aumentata del proprio. L’AI non premia chi rinnega la propria storia professionale. Premia chi la usa come leva.
