L’AI Index 2026 dello Stanford Institute for Human-Centered Artificial Intelligence, il rilevamento annuale che misura lo stato della ricerca e dell’industria AI mondiale, contiene un dato che merita attenzione per l’Italia. Non è quello sui modelli di frontiera (50 modelli notable prodotti dagli USA nel 2025, 38 dalla Cina, 7 dall’intera Unione Europea) ma quello sui ricercatori. Il numero di Deep Learning Engineer in posizioni industriali in Europa è cresciuto del 22% tra 2024 e 2026, ma l’Italia partecipa a questa crescita con quote modeste. Le stime aggregate da LinkedIn e dai principali report di settore indicano tra 800 e 1.500 Deep Learning Engineer attivi in Italia a maggio 2026. Per metterli in prospettiva: la sola Anthropic ne assume in un anno più di quanti ne lavorino oggi nell’intero comparto industriale italiano.
Quanti sono e dove lavorano
La distribuzione geografica dei Deep Learning Engineer italiani è concentrata. Milano, da sola, ne ospita circa il 35% del totale, secondo le mappature LinkedIn aggiornate a marzo 2026. Roma segue con il 18%, Torino con il 12%, Bologna con il 9%. Il restante 26% si distribuisce tra altri capoluoghi (Trento, Trieste, Padova, Genova, Napoli, Pisa) e ruoli in remoto per aziende non italiane.
Cinque categorie di datori di lavoro coprono la quasi totalità del mercato.
Società italiane di language tech: Almawave, Translated, Expert.ai, iGenius. Big tech con uffici italiani strutturati: Microsoft (con il laboratorio Mind a Milano), Amazon (con i centri di sviluppo a Milano e Roma), Google (Milano), IBM (Roma). Società di consulenza tecnologica con divisioni AI dedicate: Reply (con AlfaReply, Concept Reply, Deep Sea Reply), Engineering Group, Accenture AI. Grandi aziende italiane con laboratori R&D propri: Leonardo (su difesa e cyber), Eni (con il laboratorio HPC), Pirelli (su sensoristica), Generali (con il laboratorio Generali AI). Startup ben finanziate, con concentrazione particolare su Milano e Roma.
Il ruolo del supercomputer Cineca Leonardo
Un Deep Learning Engineer senior che lavora in Italia su modelli di frontiera ha un punto di accesso strategico al compute: il supercomputer Leonardo del consorzio interuniversitario Cineca, ospitato presso il tecnopolo di Bologna. Operativo da fine 2022, Leonardo è il sesto supercomputer più potente d’Europa. I progetti italiani di deep learning che hanno ottenuto accesso rilevante (oltre 100.000 ore-GPU all’anno) nel 2025 sono stimati tra 80 e 120, distribuiti tra ricerca accademica, partnership pubblico-private e progetti finanziati attraverso Horizon Europe e PNRR.
L’accesso è regolato attraverso bandi periodici (EuroHPC JU, ISCRA, ELIXIR-IT) con criteri di valutazione scientifica.
Il vincolo non è economico, è di domanda. Le ore-GPU disponibili sono una frazione di quelle che Anthropic, OpenAI, Google DeepMind o xAI possono mobilitare per un singolo training run. Un addestramento di un modello da 70 miliardi di parametri, per riferimento, richiede tipicamente 200.000-500.000 ore-GPU H100. Il dato dice tutto sul perché in Italia non si addestrano modelli di frontiera. Non è una questione di talento, è una questione di compute.
Salari italiani e divario USA
I livelli retributivi per AI Deep Learning Engineer in Italia nel 2026 si collocano in una forchetta che riflette la maturità del mercato. La fascia mid-level (con dottorato o tre-cinque anni di esperienza, almeno due progetti deep learning portati a produzione) si colloca tra 65.000 e 95.000 euro lordi annui. La fascia senior, con esperienza specifica su training di modelli grandi e architetture transformer di ultima generazione, va da 110.000 a 160.000 euro. I ruoli oltre i 180.000 euro esistono ma sono limitati a posizioni senior nelle big tech con sede italiana e ad alcune startup ben finanziate, dove la componente equity può aggiungere valore rilevante al pacchetto totale.
I numeri italiani vanno confrontati con quelli statunitensi.
Un Deep Learning Engineer senior a OpenAI, Anthropic o DeepMind percepisce nel 2026 un base salary tra 250.000 e 400.000 dollari, con equity che porta il pacchetto totale tipicamente tra 600.000 e 900.000 dollari per i livelli L5/L6. La fascia staff/principal, con cinque-dieci anni di esperienza, si colloca regolarmente sopra il milione di dollari di pacchetto totale. La differenza è quattro-cinque volte il salario italiano equivalente. Per un ricercatore senior italiano la differenza, capitalizzata su un orizzonte di dieci anni, vale tra i tre e i sei milioni di euro netti.
Il divario non è solo salariale
L’analisi del solo differenziale salariale racconta metà della storia. La parte più rilevante è il differenziale di accesso al compute. Un ricercatore di Anthropic che propone un esperimento ottiene tipicamente in 24-72 ore l’allocazione di GPU necessaria al lavoro. Un ricercatore italiano in posizione equivalente passa attraverso bandi periodici, comitati di valutazione, code di attesa che possono durare mesi. La differenza di velocità si traduce in differenze di output scientifico misurabili. Tra 2023 e 2025 l’Italia ha contribuito al 1,8% delle pubblicazioni AI di alto impatto a livello globale, contro il 4,2% della Francia e il 5,1% del Regno Unito.
Distanza che non si chiude solo allineando gli stipendi.
La norma UNI 11621-8 codifica l’AI Deep Learning Engineer con un focus che riflette la maturità delle architetture: progettazione e fine-tuning di reti neurali profonde (transformer, modelli di diffusione, architetture multimodali), padronanza dei framework PyTorch e JAX, gestione del distributed training su cluster GPU, ottimizzazione di memoria e calcolo per ridurre i costi di training e inferenza. Set di competenze che richiede esperienza diretta su training di modelli grandi, esperienza che in Italia si acquisisce solo in pochi laboratori.
Perché alcuni restano e cosa li motiva
Non tutti i Deep Learning Engineer italiani vanno all’estero. Una quota consistente sceglie di restare, e le ragioni meritano analisi. Per alcuni profili la qualità della vita italiana, le radici familiari, la possibilità di lavorare su problemi industriali rilevanti pesano più del differenziale salariale. Per altri il calcolo è economico in senso ampio: un base salary di 130.000 euro a Milano, con costo della vita inferiore a San Francisco e con benefit fiscali per i rientrati dall’estero, produce una capacità di spesa che non è così distante da quella americana. Per altri ancora la motivazione è strutturale: chi ha figli in età scolare, cura di parenti anziani, partner con carriera consolidata in Italia, valuta che il trasferimento abbia un costo di opportunità superiore al guadagno.
Le aziende italiane che vogliono trattenere i propri Deep Learning Engineer hanno imparato a competere su più dimensioni: qualità tecnica del progetto, autonomia decisionale, accesso a compute attraverso partnership con Cineca, formazione continua finanziata, percorsi di carriera con ruoli ibridi industria-accademia. Il pacchetto totale che le migliori aziende italiane offrono nel 2026 a un Deep Learning Engineer senior è competitivo a livello europeo, anche se resta lontano da quello americano.
La traiettoria che si sta delineando
Le proiezioni Cineca per il 2026-2028 prevedono l’espansione di Leonardo con il sistema Leonardo Plus, che dovrebbe portare la capacità computazionale italiana a livelli pre-exascale. Investimento pubblico che, se accompagnato da politiche di accesso più rapide e da partnership industriali strutturate, può ridurre il divario di compute. Il quadro normativo europeo aiuta. Horizon Europe e Digital Europe finanziano progetti AI con budget che superano i 200 milioni di euro all’anno per il triennio 2024-2027. L’Italia è tra i beneficiari principali, con quote rilevanti sui filoni AI generativa, AI per la salute, AI per la cybersicurezza.
Il mestiere del Deep Learning Engineer italiano nel 2026 è un mestiere di frontiera, con vincoli reali ma anche con opportunità che non esistevano cinque anni fa.
La distanza dagli USA resta strutturale. La distanza dalla Francia e dalla Germania, invece, è chiudibile con scelte concrete di policy industriale. Il margine in cui si gioca questa partita non è il salario singolo, è la densità del comparto: quante aziende italiane, in quali settori, con quali ambizioni, decidono di costruire team deep learning veri.
