È l’unico mestiere dell’Intelligenza Artificiale che le statistiche federali statunitensi censiscono come occupazione autonoma: retribuzione mediana di 112.590 dollari e crescita prevista del trentaquattro per cento nel decennio. E in Europa? L’analisi dei fabbisogni lo mette in cima ai ruoli più richiesti. Ma dietro il titolo più abusato del decennio, ciò che conta resta il metodo: il ritratto dell’AI Data Scientist.
Quando un mestiere entra nelle statistiche ufficiali del lavoro, smette di essere una moda. Il Data Scientist vi è entrato da tempo: il Bureau of Labor Statistics – BLS, l’ufficio federale di statistica del lavoro degli Stati Uniti, ne documenta una retribuzione mediana annua di 112.590 dollari nel 2024 e una crescita occupazionale prevista del trentaquattro per cento tra il 2024 e il 2034, tra le più alte di tutte le occupazioni censite, sintetizzandone così la funzione: «Data scientists use analytical tools and techniques to extract meaningful insights from data» (BLS) (testo in lingua originale).
Il repertorio Occupational Information Network – O*NET del Dipartimento del Lavoro ne dettaglia i compiti: «Develop and implement a set of techniques or analytics applications to transform raw data into meaningful information […] Apply data mining, data modeling, natural language processing, and machine learning» (O*NET) (testo in lingua originale). Nella declinazione che qui interessa, l’AI Data Scientist combina competenze statistiche, di programmazione e di dominio per sviluppare modelli predittivi, curando la qualità dei dataset e comunicando i risultati ai decisori.
Il metodo prima dell’algoritmo
La sostanza del mestiere non sta negli strumenti, che pure il repertorio elenca in abbondanza, dai linguaggi di analisi alle librerie di apprendimento automatico, ma in quattro discipline di metodo.
La prima è la formulazione del problema: tradurre una domanda di business in una domanda statistica ben posta, scegliere le metriche pertinenti, riconoscere quando i dati disponibili non possono rispondere. La qualità di un’analisi si decide qui, prima di ogni algoritmo.
La seconda è il rigore: campionamenti corretti, validazioni fuori campione, controllo delle correlazioni spurie e delle fughe di informazione tra addestramento e prova, quantificazione dell’incertezza. Senza questo presidio i modelli predicono il passato e falliscono il futuro.
La terza è la responsabilità: verificare la rappresentatività dei dati, misurare gli effetti dei modelli sui diversi gruppi di interessati, documentare limiti e condizioni d’uso. È il punto in cui la scienza dei dati incontra il Regolamento (UE) 2016/679, c.d. GDPR, e, per i sistemi destinati alle categorie ad alto rischio, i requisiti di governance dei dati del Regolamento (UE) 2024/1689, c.d. AI Act.
La quarta è la comunicazione: visualizzazioni oneste, esplicitazione di assunzioni e margini di errore, il coraggio di dire ai decisori anche ciò che non vorrebbero sentirsi dire. Un risultato incomunicabile è inutilizzabile; uno comunicato male è peggio.
E in Europa? In cima alla lista dei fabbisogni
La domanda europea non è meno esplicita di quella americana. L’analisi dei fabbisogni di competenze sull’IA del progetto Artificial Intelligence Skills Alliance – ARISA, cofinanziato dall’Unione, apre proprio con questo profilo l’elenco dei ruoli più necessari: «The AI practitioners’ roles that are needed most are data scientists, data engineers and especially machine learning engineers» (ARISA) (testo in lingua originale). E il bacino complessivo in cui questa domanda si muove è in forte espansione: secondo l’istituto statistico dell’Unione, «in 2025, more than 10 million persons were employed as ICT specialists across the European Union (EU)», pari al 5,0 per cento dell’occupazione complessiva (Eurostat) (testo in lingua originale).
Il riferimento italiano
Per il titolo professionale più inflazionato del decennio, l’Italia dispone ora di un antidoto alla diluizione: la norma UNI 11621-8:2026 definisce il profilo con competenze declinate secondo la metodologia dell’e-Competence Framework europeo, la norma UNI EN 16234-1, e chi intenda farsi attestare quelle competenze può sottoporsi a valutazione presso un organismo accreditato secondo lo Standard UNI CEI EN ISO/IEC 17024, nel quadro della Circolare informativa Accredia DC n. 21/2026 (Accredia).
Conclusioni
L’AI Data Scientist sta al crocevia tra statistica, informatica e conoscenza del dominio: Washington ne certifica la domanda con le statistiche federali, l’Europa lo colloca in cima ai propri fabbisogni, l’Italia ne ha reso verificabili le competenze. Resta il punto che nessuna statistica può garantire: la differenza tra scienza dei dati e suo marketing la fa, sempre, il metodo.
Alla luce di quanto esposto, ci si domanda quanti, tra i molti che oggi portano questo titolo, reggerebbero una valutazione terza delle proprie competenze; il mercato, ora, ha lo strumento per chiederlo.
