Lo State of Data + AI Report 2026 di Databricks, il rilevamento annuale che mappa lo stato dell’adozione del machine learning in 23 paesi, è preciso e poco gentile sui dati italiani: le imprese del nostro paese viaggiano con 18 mesi di ritardo rispetto a Regno Unito e Germania nell’adozione di feature store e CI/CD per il machine learning. Il dato che meriterebbe una riflessione più profonda è un altro. Il problema non è l’addestramento dei modelli, su cui esiste competenza accademica e industriale. Il problema è il deployment in produzione, e il profilo che lo gestisce ha un nome preciso: AI Machine Learning Engineer.
Il vero collo di bottiglia non è il training
Per anni la narrativa pubblica sull’AI italiana si è concentrata sui modelli, sulle architetture, sui benchmark. Narrativa parziale.
Il 67% dei progetti di machine learning avviati nelle aziende italiane tra il 2022 e il 2024 non è mai arrivato in produzione, secondo una rilevazione condotta da Reply su un campione di 340 progetti enterprise. Le cause documentate non riguardano la qualità dei modelli ma l’incapacità di portare un prototipo Jupyter notebook in un ambiente di produzione affidabile, monitorato, riaddestrabile, conforme alle policy aziendali. Esattamente il lavoro del Machine Learning Engineer.
La norma UNI 11621-8 codifica l’AI Machine Learning Engineer in modo netto: il professionista responsabile della progettazione, sviluppo, deployment e manutenzione di sistemi di machine learning in ambienti operativi. Non è il data scientist che esplora i dati. Non è il ricercatore che propone l’architettura. È la figura che trasforma un modello sperimentale in un servizio software che funziona ventiquattro ore su ventiquattro, sotto carico variabile, con dati in arrivo da fonti diverse e con vincoli di latenza misurabili.
Lo stack che il mercato chiede nel 2026
Le competenze tecniche richieste sono cambiate sensibilmente negli ultimi due anni. La containerizzazione resta il punto di partenza obbligato, con padronanza di Docker e Kubernetes considerata pre-requisito. Sui feature store il mercato si è polarizzato attorno a tre soluzioni: Feast (open source), Tecton (enterprise), Databricks Feature Store. Sui framework di model serving la maggioranza degli annunci enterprise italiani richiede esperienza con Ray Serve, NVIDIA Triton o Seldon Core. Il monitoraggio del modello in produzione è diventato un capitolo a sé: gli strumenti dominanti sono Arize AI, WhyLabs, Evidently, ognuno con specializzazioni diverse sul rilevamento di drift, deriva concettuale, degradazione delle performance.
A questi si aggiunge un livello di astrazione superiore: l’orchestrazione delle pipeline.
Prefect, Dagster e Airflow restano i framework principali. Il dato interessante è che a partire dal 2025 le aziende italiane di media dimensione hanno iniziato a chiedere esperienza con Metaflow, il framework di orchestrazione open source sviluppato originariamente da Netflix e adottato da diverse banche italiane per la sua semplicità di adozione e per il modello di sviluppo iterativo che propone.
Tre casi: una manifattura, una banca, una PMI
Per capire cosa fa davvero un Machine Learning Engineer nel 2026 conviene guardare a tre casi del tessuto produttivo italiano.
Una manifattura del Nord Italia, società di componentistica meccanica con 1.200 dipendenti e tre stabilimenti tra Brescia e Vicenza. Il progetto su cui lavora il loro ML Engineer è un sistema di manutenzione predittiva che ingerisce dati da 1.500 sensori IoT distribuiti sulle linee produttive. Il modello prevede guasti su componenti critici con un anticipo medio di 14 giorni. Il lavoro dell’ML Engineer non è stato addestrare il modello (lo ha fatto un consulente esterno) ma costruire la pipeline che acquisisce i dati ogni 30 secondi, li pulisce, li passa al modello e attiva un alert in cabina di regia.
Una banca romana di medie dimensioni, sistema di rilevamento frodi su carte di pagamento. Il modello classifica le transazioni in tempo reale con una latenza target di 80 millisecondi. Il lavoro del ML Engineer in questo contesto è stato in larga parte di ottimizzazione: ridurre la dimensione del modello attraverso quantizzazione, distribuirlo su più nodi GPU, gestire il fallback in caso di indisponibilità del servizio. Sul progetto lavorano oggi quattro ML Engineer e un team di sei data scientist.
Una PMI campana, società di stampaggio plastico con 80 dipendenti.
Hanno avviato nel 2025 un progetto di computer vision per il controllo qualità sui prodotti finiti, in collaborazione con un partner tecnologico napoletano. L’ML Engineer (un solo professionista, contrattualizzato part-time) si occupa di tutto: dalla raccolta delle immagini al deployment del modello sull’edge device installato accanto alla macchina, passando per l’integrazione con il sistema gestionale aziendale. Il caso campano è interessante perché dimostra che il profilo non è più appannaggio esclusivo delle grandi imprese.
Il divario MLOps con UK e Germania
Il dato Databricks da cui siamo partiti merita una lettura più articolata. Il ritardo di 18 mesi non è uniforme. Le aziende italiane sono in linea con la media europea sull’adozione di strumenti per l’esperimento (notebook, tracking dei run, versioning dei modelli). Sono indietro su tre voci specifiche: feature store enterprise, pipeline CI/CD per ML, automated retraining. La differenza è strutturale. In UK e Germania la maggioranza delle banche top-tier ha completato la migrazione verso una piattaforma MLOps unificata tra il 2023 e il 2024. In Italia la stessa migrazione, dove avviata, è ancora in corso.
Il punto è che il ritardo si autoalimenta.
Senza ML Engineer esperti non si costruiscono pipeline affidabili; senza pipeline affidabili i progetti AI restano in sandbox; restando in sandbox non producono valore misurabile; senza valore misurabile non si giustifica l’investimento per assumere altri ML Engineer. Loop che si rompe solo con investimenti decisi, da parte delle aziende e da parte degli enti formativi.
Salari italiani: dalla mid alla senior in cinque anni
I livelli retributivi documentati negli annunci italiani di maggio 2026 si collocano in una forchetta ampia. Un ML Engineer mid-level (due-quattro anni di esperienza con almeno un progetto in produzione) si colloca tra 60.000 e 95.000 euro lordi annui, con mediana attorno a 78.000. La progressione verso il livello senior (cinque-otto anni, con responsabilità di team o di pipeline critiche) porta la forchetta a 110.000-160.000 euro. I ruoli principal o staff engineer presso le big tech con sede italiana (Microsoft, Amazon, Google, IBM) raggiungono e superano i 180.000 euro nella retribuzione fissa, con bonus e RSU che possono raddoppiare il pacchetto totale.
I dati italiani restano inferiori a quelli del Nord Europa, ma la distanza si sta riducendo. Tra 2024 e 2026 i salari italiani per ML Engineer senior sono cresciuti del 19% in media, una velocità di adeguamento che riflette sia la scarsità del profilo sia la pressione competitiva delle aziende straniere che assumono in remoto da Milano e Roma.
Le competenze trasversali che fanno la differenza
Le competenze tecniche descritte sopra sono condizione necessaria ma non sufficiente. Quello che separa un ML Engineer mediocre da uno che riceve offerte multiple è l’insieme delle competenze trasversali. Capacità di leggere il business: capire perché un modello viene chiesto, quali metriche di prodotto influenza, qual è il costo di un errore. Padronanza del processo software: code review, testing automatizzato, gestione delle release. Comunicazione con stakeholder non tecnici: scrivere RFC, presentare a comitati di rischio, motivare scelte architetturali a un CFO. Sono competenze che la formazione tecnica italiana raramente tratta in modo strutturato. Le associazioni professionali e i percorsi formativi specializzati sui dodici profili UNI 11621-8 provano a colmare il gap.
L’AI Machine Learning Engineer è il profilo che decide se l’AI italiana resta nelle slide di consulenza o entra nei processi produttivi. Le aziende che lo capiscono in anticipo stanno già costruendo team da cinque-dieci persone. Le altre aspettano e nel frattempo perdono tempo competitivo, in un mercato dove i diciotto mesi di ritardo segnalati da Databricks rischiano di diventare ventiquattro entro fine 2027.
