AI Natural Language Processing Engineer: ruolo, competenze e percorso secondo la norma UNI 11621-8

La UNI 11621-8 è la norma tecnica italiana pubblicata da UNI nel 2024 che definisce 12 profili professionali specifici per l’Intelligenza Artificiale, allineati al framework europeo e-CF (EN 16234-1). È importante perché fornisce un linguaggio condiviso tra aziende, enti formativi e professionisti per riconoscere competenze, ruoli e responsabilità in ambito AI, e costituisce la base per la certificazione delle persone secondo lo schema ISO/IEC 17024.

Il Regolamento UE 2024/1689 (AI Act) è entrato in vigore il 1° agosto 2024 con applicazione graduale fino al 2 agosto 2027. L’articolo 4 sulla AI literacy del personale è applicabile dal 2 febbraio 2025. Per i sistemi di AI ad alto rischio, le organizzazioni devono dimostrare che il personale abbia competenze documentate: la UNI 11621-8 è lo strumento normativo italiano per identificare e certificare questi profili.

La certificazione formale di terza parte secondo ISO/IEC 17024 sarà rilasciata da organismi accreditati Accredia. Alla data attuale nessun organismo italiano risulta ancora accreditato per i profili UNI 11621-8: l’iter di accreditamento è in corso. La credenziale digitale europea EDC (European Digital Credentials for Learning) rilasciata da AIPIA è invece già operativa e riconosciuta a livello europeo.

La certificazione UNI 11621-8 secondo ISO/IEC 17024 è rilasciata da un organismo di certificazione accreditato Accredia ed è la forma più formale di riconoscimento. La credenziale digitale EDC è un attestato di competenza rilasciato secondo lo standard europeo European Digital Credentials for Learning della Commissione Europea: è verificabile online, ha valore in tutti i Paesi UE e rappresenta lo strumento più rapido e moderno per certificare le proprie competenze AI già oggi.

L’iter prevede: 1) iscrizione ad AIPIA come socio professionista; 2) presentazione del proprio dossier di competenze (CV, formazione, esperienza, portfolio progetti AI); 3) valutazione del comitato tecnico secondo i criteri della norma UNI 11621-8; 4) eventuale colloquio o prova; 5) rilascio della credenziale digitale europea EDC con QR di verifica. La credenziale ha validità triennale ed è rinnovabile con aggiornamento continuo.

La UNI 11621-8 è la declinazione italiana di profili allineati al framework europeo e-Competence Framework (e-CF, EN 16234-1) usato in tutti i Paesi UE. Essendo i profili mappati su e-CF, le competenze certificate sono comprensibili e riconoscibili in tutta Europa. La credenziale EDC rilasciata da AIPIA aggiunge un livello di interoperabilità tecnica perché segue lo standard europeo dei diplomi digitali.

L’NLP Engineer progetta e implementa sistemi che elaborano linguaggio naturale: classificazione testi, named entity recognition, question answering, summarization, traduzione, sentiment analysis, chatbot conversazionali, sistemi RAG, agenti basati su LLM. Lavora sia con tecniche classiche (regex, statistica, modelli linguistici tradizionali) sia con tecniche moderne basate su Transformer e LLM, ottimizzando accuratezza, latenza e costi.

Tecniche dominanti: LLM (GPT-4o/5, Claude 4 Sonnet/Opus, Gemini 2.5, Llama 4, Mistral, Qwen, DeepSeek), modelli encoder (BERT, RoBERTa, DeBERTa) per task discriminativi, embedding model (E5, BGE, OpenAI, Cohere) per retrieval, modelli specializzati per NER e parsing, framework RAG (LangChain, LlamaIndex, Haystack), tecniche di fine-tuning efficiente (LoRA, QLoRA), valutazione con metriche specifiche del task.

L’NLP Engineer ha competenze più ampie e profonde: dalla scelta di tecniche classiche o moderne, al fine-tuning di modelli, alla costruzione di sistemi NLP end-to-end. Il Prompt Engineer è più verticale sulla progettazione e ottimizzazione di prompt per LLM. In aziende piccole spesso un NLP Engineer include le attività di Prompt Engineer; in aziende grandi sono ruoli distinti ma collaborano strettamente.

In Italia nel 2025: junior 35-55k€, mid 55-80k€, senior 80-120k€ lordi annui. Specialisti in LLM e GenAI con esperienza in fine-tuning, RAG enterprise o agenti raggiungono 130-160k€. Il ruolo è in forte espansione e i candidati senior con casi reali in produzione sono molto contesi sul mercato, soprattutto in settori legal tech, healthcare, finance e enterprise SaaS.

Casi d’uso più diffusi: chatbot e assistenti per clienti e dipendenti, analisi automatica di documenti (contratti, fatture, polizze), classificazione di ticket e instradamento, sentiment analysis su feedback e social, knowledge management e ricerca semantica aziendale, sintesi automatica di riunioni e documenti, supporto alla redazione (copilot di scrittura), traduzione automatica avanzata, content moderation, conformity check automatico.

I principali LLM general purpose gestiscono bene l’italiano standard. Per use case specifici si possono usare: modelli specificamente addestrati o fine-tuned su italiano (LLaMAntino, Italian-LLama, Minerva), embedding multilingue di buona qualità (E5 multilingual, BGE-M3), dataset italiani per fine-tuning specifico (legal, medical, PA). Per dialetti e gergo settoriale spesso serve un fine-tuning supervised o l’arricchimento con few-shot example, glossari e RAG specifico.

Valutazione multi-livello: metriche automatiche (BLEU, ROUGE, BERTScore, METEOR, exact match, F1 NER), benchmark specifici del task (SQuAD, ARC, MMLU, italian-MMLU), valutazione LLM-as-a-judge con prompt strutturati, human evaluation su campioni rappresentativi, valutazione di hallucination su task RAG (faithfulness, answer relevance), test di robustezza, fairness, bias, sicurezza (jailbreak resistance, prompt injection).

Sì, è una delle attività più frequenti nel 2025. Una pipeline RAG enterprise comprende: ingestion documenti, parsing multi-formato (PDF, DOCX, HTML), chunking intelligente, generazione embedding, indicizzazione in vector DB, hybrid search (vector + BM25), reranking (Cohere Rerank, BGE Reranker), generazione finale con LLM, citation tracking, evaluation con Ragas o framework custom, monitoring continuo della qualità del retrieval.