Ora la laurea in Informatica è opzionale.
Le competenze, invece, no.
Questa frase farà arrabbiare molte persone, e la maggior parte di loro saranno coloro che hanno speso quattro anni e molti soldi per un titolo che il mercato sta silenziosamente svalutando. Capisco la rabbia. Ma non cambia la realtà. Nel 2026, le aziende che assumono per ruoli di ingegneria AI guardano a ciò che sai costruire, non a dove hai seguito le lezioni.
Non sto dicendo che una laurea in Informatica sia inutile. Se ce l'hai, aiuta. Quello che dico è che la laurea ha smesso di essere il gatekeeper. Il gatekeeper ora è la prova concreta. Sai costruire qualcosa che funziona, spiegare perché funziona e pubblicarlo dove qualcuno possa vederlo? Questo è l'unico vero test.
Questo è il percorso completo per superare quel test senza una laurea. Niente motivazione spicciola, niente "credici e basta". Una vera e propria roadmap, in ordine, con i progetti esatti che ti faranno assumere e il metodo preciso per imparare ogni pezzo usando gli strumenti che hai già sul tuo laptop.
Perché Il Vecchio Percorso È Rotto
Il percorso tradizionale ti diceva di prendere la laurea, candidarti attraverso la porta principale e aspettare il permesso. Quel percorso presumeva che il titolo fosse la risorsa scarsa. Non lo è più.
Ecco cosa è successo realmente. Gli strumenti di AI hanno ridotto la distanza tra conoscere un concetto e costruire con esso. Dieci anni fa, trasformare un'idea in software funzionante richiedeva anni di conoscenza sintattica accumulata. Ora la sintassi è la parte economica. La parte scarsa è sapere COSA costruire, COME strutturarlo e PERCHÉ un approccio batte un altro. Queste sono capacità di giudizio, e il giudizio non viene da un diploma. Viene dal costruire cose, romperle e ricostruirle.
Quindi le persone che vengono assunte ora non sono quelle con il curriculum più impressionante. Sono quelle con una traccia pubblica di ciò che hanno costruito. Un GitHub pieno di progetti reali. Una demo su cui qualcuno può cliccare. Un thread che spiega come hanno risolto un problema difficile. Quella traccia vale più di una laurea perché dimostra esattamente ciò che un datore di lavoro ha bisogno di sapere: se sai fare il lavoro.
L'errore che la maggior parte delle persone commette è passare mesi a prepararsi per essere pronti invece di costruire la traccia. Seguono un altro corso, guardano un altro tutorial, aspettano di sentirsi qualificati. Quella sensazione non arriva mai. Non diventi un ingegnere AI finendo un programma di studi. Lo diventi costruendo sistemi AI, all'inizio male, poi meno male, finché le cose che costruisci funzionano davvero.
Cos'è Realmente un Ingegnere AI Nel 2026
Prima della roadmap, chiariamo la definizione, perché la maggior parte delle persone mira al bersaglio sbagliato.
Un ingegnere AI non è un ricercatore di machine learning. Non stai addestrando modelli foundation da zero o pubblicando articoli su nuove architetture. Quello è un lavoro diverso, e richiede matematica avanzata e solitamente un titolo di studio superiore.
Un ingegnere AI COSTRUISCE con modelli che già esistono. Prendi Claude, GPT o modelli open source e li colleghi in sistemi che svolgono lavoro utile. Li connetti ai dati. Dai loro strumenti. Costruisci il recupero delle informazioni, la memoria, i cicli degli agenti e le barriere di sicurezza che trasformano un modello grezzo in un prodotto. Sei un costruttore di sistemi il cui componente più potente è un modello linguistico.
Questa distinzione è importante perché ti dice cosa imparare davvero. Non hai bisogno di capire la backpropagation per essere eccellente in questo lavoro. Devi capire come fornire al modello il contesto giusto, come strutturare un'attività multi-step in modo che non crolli, come verificare l'output e come distribuire il tutto in modo che funzioni in modo affidabile. Queste sono competenze ingegneristiche, e ognuna di esse è apprendibile senza una laurea.
La Roadmap, In Ordine
Impara queste cose in sequenza. Ogni passo si basa sul precedente. Saltare avanti è il modo più comune con cui le persone si bloccano, perché provano a costruire agenti prima di saper gestire i dati e poi si chiedono perché nulla funziona.
1. Python. Funzioni, classi, async. Non devi essere un mago di Python. Devi essere abbastanza fluente da leggere codice, scrivere script e capire cosa produce per te un assistente di codifica AI. Async è importante perché la maggior parte del lavoro AI implica l'attesa di chiamate API, e il codice bloccante diventerà un collo di bottiglia per tutto ciò che costruisci.
2. SQL e gestione dei dati. Quasi ogni applicazione AI reale tocca i dati. Devi estrarli, pulirli e modellarli. SQL è il linguaggio universale per questo ed è cambiato a malapena in decenni, il che significa che è una competenza sicura e permanente da possedere.
3. Git, riga di comando e basi di Linux. Questo è l'ambiente in cui vivono tutti gli strumenti seri. Claude Code funziona nel terminale. Il deployment avviene su server Linux. Il version control è il modo per non perdere il lavoro e per collaborare. Nessuno assume un ingegnere AI che non sa usare un terminale.
4. API REST e integrazione API LLM. È qui che l'ingegneria AI inizia davvero. Impari a chiamare un modello a livello di codice, gestire le sue risposte, gestire i limiti di velocità e gestire gli errori. Ogni prodotto AI è fondamentalmente una serie di chiamate API ben strutturate.
5. Embedding e ricerca vettoriale. È così che le macchine capiscono il significato invece di limitarsi a confrontare parole chiave. Converti il testo in vettori, li memorizzi e cerchi per somiglianza. Questa è la base di ogni sistema di recupero informazioni e il concetto che la maggior parte dei principianti salta e poi rimpiange di aver saltato.
6. RAG, costruito end-to-end. Retrieval Augmented Generation. Dai al modello accesso ai tuoi documenti in modo che risponda usando informazioni reali invece di indovinare. Questa è la competenza più richiesta nell'AI applicata in questo momento perché quasi ogni azienda vuole un sistema in grado di rispondere a domande sui propri dati.
7. Framework per agenti e uso di strumenti. Passi da un modello che risponde a un modello che agisce. Chiama strumenti, esegue attività multi-step e svolge lavoro reale. Questa è la frontiera, ed essere competente qui ti separa dalla massa che scrive ancora singoli prompt.
8. Deployment e MLOps di base. Un progetto che funziona solo sul tuo laptop è un hobby. Devi sapere come farlo funzionare in un ambiente reale, monitorato e affidabile. Questa è la differenza tra "ho costruito una demo" e "ho pubblicato un prodotto."
9. Strumenti di sviluppo AI. Claude Code, Cursor e gli strumenti agente che ti rendono drasticamente più veloce. Padroneggiarli non è barare. È il lavoro vero e proprio. Un ingegnere AI che non sa usare l'AI per costruire più velocemente è come un falegname che rifiuta gli elettroutensili.
I 3 Progetti Che Ti Faranno Davvero Assumere
Nessuno ti assume per aver finito dei corsi. Ti assumono per le prove. Costruisci questi tre e avrai una prova che copre l'intera roadmap.
Progetto 1. Un'applicazione RAG che usa i tuoi dati.
Prendi un corpus reale di documenti. I tuoi appunti, un set di PDF, i documenti pubblici di un'azienda, qualsiasi cosa. Costruisci un sistema che li acquisisce, li incorpora, memorizza i vettori e risponde a domande basate solo su quei dati. Questo singolo progetto dimostra recupero informazioni, embedding, chunking e la capacità di prevenire le allucinazioni. È la cosa più direttamente assumibile che tu possa costruire perché è esattamente ciò che le aziende vogliono.
Progetto 2. Un agente AI che usa strumenti.
Costruisci un agente che non si limita a rispondere ma agisce. Chiama almeno due strumenti reali: un'API di ricerca, una calcolatrice, uno scrittore di file, un calendario. Pianifica, esegue e gestisce il caso in cui uno strumento fallisce. Questo dimostra che capisci la progettazione di agenti, non solo il prompting, che è l'abilità che la maggior parte dei principianti non dimostra mai realmente.
Progetto 3. Un prodotto AI full-stack distribuito.
Prendi uno dei progetti precedenti e pubblicalo. Un'interfaccia reale, un backend, distribuito da qualche parte con un URL pubblico che uno sconosciuto può visitare e usare. Questo dimostra la cosa che preoccupa di più i datori di lavoro: che sai pubblicare qualcosa che va oltre "funziona sulla mia macchina." Un progetto distribuito vale dieci progetti locali su un curriculum.
Tre progetti. Copertura full-stack. Prova pubblica. Questo portfolio batte la maggior parte delle lauree per questo specifico lavoro.
Come Imparare Davvero Ogni Pezzo
Ecco la parte che la maggior parte delle guide salta. Non devi comprare un corso da 500€ per imparare tutto questo. Hai il miglior tutor mai costruito seduto sul tuo laptop. Usa il modello per insegnarti le competenze che userai per costruire con il modello.
Usa questo prompt per trasformare Claude in un tutor strutturato per qualsiasi competenza nella roadmap:
Sei il mio tutor di programmazione per [COMPETENZA, es. embedding e ricerca vettoriale].
Sto imparando a diventare un ingegnere AI e non ho una laurea in Informatica.
Insegnami questo in modo pratico, non teorico.
- Spiega il concetto chiave in linguaggio semplice con un'analogia concreta.
- Dammi l'esempio di codice funzionante più piccolo possibile che posso eseguire oggi.
- Dammi un esercizio leggermente più difficile da fare da solo.
- Dopo che ti mostro il mio tentativo, criticarlo e indicami cosa farebbe di diverso un ingegnere senior.
Presumi che io impari costruendo e rompendo cose, non leggendo.
Aspetta che completi ogni passaggio prima di passare al successivo.
Questo singolo prompt sostituisce la maggior parte dei corsi a pagamento. Si adatta al tuo livello, risponde alle tue domande esatte e non va avanti finché non capisci davvero.
Per i progetti, usa Claude Code per creare l'impalcatura e poi sforzati di capire ogni riga. Non copiare ciecamente. Dopo che genera codice, esegui questo:
Guidami attraverso il codice che hai appena scritto riga per riga.
Per ogni sezione, spiegami cosa fa e perché hai scelto questo approccio
rispetto all'alternativa ovvia. Poi indicami la parte che ha più probabilità
di rompersi in produzione e come la risolverei.
È così che costruisci una vera comprensione invece di un mucchio di codice che non sai spiegare in un colloquio. Le persone che falliscono i colloqui sono quelle che hanno costruito progetti che non sanno realmente spiegare. Non essere quella persona.
Come Farsi Assumere Senza La Laurea
Il portfolio è necessario ma non sufficiente. Devi anche essere visibile, perché nessuno assume una prova che non riesce a trovare.
Costruisci in pubblico. Ogni progetto che costruisci, scrivine. Un thread su ciò che hai costruito, la parte difficile, come l'hai risolta. Questo fa due cose. Crea una traccia pubblica che appare quando qualcuno cerca il tuo nome, e ti costringe a capire il tuo lavoro abbastanza bene da spiegarlo. I datori di lavoro trovano sempre più spesso ingegneri attraverso le loro costruzioni pubbliche, non attraverso i siti di lavoro.
Contribuisci all'open source. Trova un progetto AI che usi e sistema qualcosa. Un bug, un miglioramento alla documentazione, una piccola funzionalità. Una pull request unita a un progetto reale è una credenziale che nessuna laurea può darti. Dimostra che sai lavorare nel codebase di qualcun altro, che è la maggior parte del lavoro reale.
Contatta direttamente con prove, non con richieste. Non inviare "sto cercando opportunità." Invia "ho costruito questa cosa che risolve il problema esatto che il tuo prodotto ha, ecco la demo." Allega la prova. Questo funziona perché dimostra l'abilità nell'atto stesso di chiedere il lavoro.
Ecco un template per quel contatto:
Oggetto: Ho costruito una [cosa] che risolve [problema specifico che ho notato]
Ciao [nome],
Ho notato [osservazione specifica e reale sul loro prodotto o problema].
Ho costruito un prototipo funzionante che lo affronta: [link alla demo live].
Usa [l'approccio tecnico specifico], ed ecco il codice: [link al repository].
Sono un ingegnere AI in cerca del mio prossimo ruolo. Se questo è utile,
mi piacerebbe avere 15 minuti per mostrarti come lo svilupperei correttamente.
[Il tuo nome]
Quell'email funziona perché inizia con una prova e chiede quasi nulla. È l'opposto della candidatura generica che viene ignorata.
Fai freelance per entrare. Se l'assunzione diretta è lenta, accetta piccoli progetti a pagamento. Costruisci un bot RAG per un'attività locale. Automatizza qualcosa per una piccola azienda. Il lavoro retribuito, anche minuscolo, è la prova più forte possibile perché qualcuno lo ha valutato abbastanza da pagare. Tre piccoli progetti retribuiti sul tuo profilo cambiano il modo in cui ogni futuro datore di lavoro ti legge.
Scegliere Una Specializzazione Una Volta Che Le Basi Sono Chiare
Una volta che hai la roadmap e i tre progetti, arriva una domanda di cui nessuno ti avverte. L'ingegneria AI è ampia, e cercare di essere bravo in tutto ti rende mediocre in ogni cosa. Le persone che vengono assunte più velocemente scelgono una corsia.
Ecco le corsie che stanno realmente assumendo ora e come capire quale fa per te.
Sistemi RAG e di conoscenza. Se ti è piaciuto di più il progetto uno, il lavoro di recupero, il chunking, il grounding, questa è la tua corsia. Ogni azienda con documenti interni vuole qualcuno che costruisca un sistema in grado di rispondere a domande su di essi con precisione. Questa è la specializzazione più sicura e richiesta, e la più facile per cui mostrare prove, perché il caso d'uso è universale.
Sistemi agente. Se il progetto due ti ha entusiasmato, l'uso di strumenti, l'esecuzione multi-step, l'orchestrazione, questa è la corsia di frontiera. Paga di più e ha meno concorrenza perché è la più difficile da fare bene. Il compromesso è che la prova è più difficile da costruire e il campo si muove veloce, quindi devi imparare costantemente.
Ingegneria di prodotto AI. Se ti importava di più del progetto tre, l'interfaccia, il deployment, il renderlo reale, sei un ingegnere di prodotto che per caso si specializza in AI. Questa corsia valorizza il saper pubblicare più dell'ingegno, ed è dove si trovano la maggior parte dei lavori reali, perché la maggior parte delle aziende ha bisogno di qualcuno che sappia trasformare una capacità AI in una cosa che gli utenti possano effettivamente usare.
Scegline una in base al progetto che hai davvero apprezzato, non a quello che sembra più impressionante. Il piacere è l'unico carburante che sopravvive alla noiosa parte centrale del diventare bravo in qualcosa. La specializzazione che scegli per interesse, la manterrai. Quella che scegli per status, la abbandonerai.
Poi vai in profondità. Costruisci altri tre progetti nella tua corsia scelta. Scrivi di tutti loro. Diventa la persona il cui nome viene fuori quando qualcuno ha bisogno di quella cosa specifica. Gli specialisti vengono assunti. I generalisti vengono filtrati.
Com'è Realmente Il Primo Mese Di Lavoro
Aiuta sapere a cosa stai mirando, perché il lavoro non è come lo descrivono i tutorial.
La maggior parte del tuo tempo non sarà spesa a scrivere prompt intelligenti. Sarà spesa nel lavoro poco affascinante che rende i sistemi AI realmente affidabili. Gestire i casi limite in cui il modello fa qualcosa di strano. Costruire le valutazioni che ti dicono se una modifica ha migliorato o peggiorato le cose. Mettere ordine nei dati in una forma che il sistema possa usare. Debuggare perché l'agente funzionava in fase di test e ha fallito in produzione.
Questa è una buona notizia per qualcuno senza una laurea, perché niente di tutto ciò è teorico. È tutta ingegneria pratica, apprendibile facendo, esattamente il tipo di cose per cui i tuoi progetti di portfolio ti hanno già addestrato. La persona che ha costruito tre progetti reali e li ha debuggati quando si sono rotti è molto più preparata per questo di quella che ha superato un esame teorico e non ha mai pubblicato nulla.
Gli ingegneri che prosperano nei primi sei mesi sono quelli che sono a loro agio con il sistema imperfetto e con il loro lavoro che consiste nel renderlo costantemente meno imperfetto. Se hai costruito i tuoi progetti correttamente, rompendoli e riparandoli, hai già quel muscolo. Questa è l'intera ragione per cui il percorso "costruisci prima" batte il percorso "credenziali prima" per questo specifico lavoro.
L'inferno dei tutorial. Guardare infiniti tutorial sembra progresso. Non lo è. È consumo travestito da produzione. La regola è semplice. Per ogni ora di apprendimento, costruisci per due. Se non stai costruendo, non stai imparando, stai solo intrattenendoti.
Aspettare di sentirsi pronti. Non ti sentirai mai pronto. Le persone che ce la fanno iniziano a costruire prima di sentirsi qualificate e diventano qualificate costruendo. Pubblica la brutta prima versione. Migliorala in pubblico.
Imparare nell'ordine sbagliato. Provare a costruire agenti prima di saper gestire dati e API. La roadmap è sequenziata per un motivo. Rispetta l'ordine e ogni pezzo si incastra. Salta avanti e costruisci sulla sabbia.
Costruire progetti che nessuno può vedere. Un progetto brillante chiuso in un repository privato non esiste per quanto riguarda la tua carriera. Tutto viene pubblicato pubblicamente. Il punto è la prova, e la prova richiede un pubblico.
Copiare codice che non sai spiegare. Il modo più veloce per fallire un colloquio. Se l'ha scritto Claude, capiscilo prima di rivendicarlo. La tua capacità di spiegare il tuo lavoro è l'intero test.
Il Tuo Piano In 90 Giorni
Non ti servono anni. Ti servono 90 giorni mirati.
Giorni da 1 a 30. Fondamenta. Fluidità in Python, SQL, git, riga di comando e le tue prime chiamate API a un modello. Entro il giorno 30 dovresti essere a tuo agio nel chiamare un LLM a livello di codice e gestire la risposta. Costruisci cose piccole. Uno script che riassume un documento. Uno strumento che risponde a domande su un file di testo.
Giorni da 31 a 60. Progetti uno e due. Costruisci l'applicazione RAG. Poi costruisci l'agente. Non puntare alla perfezione. Punta a qualcosa che funzioni, poi che sia spiegabile. Scrivi un thread su ciascuno quando finisci. Entro il giorno 60 hai due progetti reali e due post pubblici.
Giorni da 61 a 90. Distribuisci e diventa visibile. Pubblica il progetto tre con un URL pubblico. Inizia i contatti. Contribuisci con una pull request open source. Pubblica regolarmente su ciò che stai costruendo. Entro il giorno 90 hai un portfolio, una traccia pubblica e conversazioni attive con persone che potrebbero assumerti.
Non è una tempistica fantastica. È aggressiva ma reale per qualcuno che la prende sul serio e costruisce ogni singolo giorno. Le persone che falliscono questa tempistica sono quelle che la passano a prepararsi invece di costruire.
La Vera Ragione Per Cui Funziona Ora
La laurea è sempre stata un proxy. I datori di lavoro non potevano misurare direttamente se sapevi fare il lavoro, quindi usavano il titolo come sostituto. La laurea diceva "questa persona probabilmente sa imparare cose difficili e portare a termine ciò che inizia."
L'ingegneria AI ha rotto quel proxy, perché ora puoi dimostrare direttamente l'abilità esatta. Un sistema RAG distribuito non è un proxy per la competenza. È la competenza stessa, resa visibile. Quando puoi mostrare la cosa reale, il sostituto della cosa smette di contare.
Questo è l'intero cambiamento. Non che le credenziali siano diventate inutili, ma che la prova è diventata direttamente disponibile. E quando la prova è disponibile, le persone che la forniscono battono quelle che hanno solo il proxy.
Quindi smetti di aspettare il permesso. Smetti di prepararti per essere pronto. Scegli la prima competenza nella roadmap, apri Claude e costruisci la più piccola cosa funzionante possibile oggi. Poi costruisci una cosa leggermente più grande domani. In 90 giorni di questo, avrai qualcosa che nessuna laurea può darti: la prova che sai davvero fare il lavoro.
Ora la laurea in Informatica è opzionale.
Le competenze, invece, no.
Vai a costruire la prova.
Segui @cyrilXBT per le build complete dietro ogni progetto in questo articolo, oltre ai prompt esatti e agli stack che uso.
