Freelance Python: Guida Completa per Progetti di Intelligenza Artificiale e Machine Learning, Competenze e Tariffe

PyTorch, TensorFlow/Keras o Scikit-learn: quale libreria scegliere per il tuo progetto di Intelligenza Artificiale, quanto costa e quali sono le norme che ne regolano lo sviluppo

Il mercato italiano dell'intelligenza artificiale vale 1,8 miliardi di euro ed è cresciuto del 50% in un anno, secondo l' Osservatorio Artificial Intelligence del Politecnico di Milano. Dentro quel numero c'è un dettaglio che quasi nessuno cita: l'AI generativa, da sola o in progetti ibridi, pesa per il 46%. Il restante 54% è machine learning "tradizionale" — previsioni, classificazioni, anomalie, ottimizzazione. Cioè lavoro che non si fa chiamando l'API di un modello, ma addestrando qualcosa sui dati del cliente.

È il punto di partenza giusto per parlare di Python applicato all'intelligenza artificiale, perché smonta subito l'equazione più diffusa del momento: AI uguale chatbot. La domanda vera è molto più larga, e la competenza che serve per soddisfarla non è "so usare un modello di linguaggio", è saper scegliere fra tre famiglie di strumenti — Scikit-learn, PyTorch e TensorFlow/Keras — quella giusta per il problema che hai davanti, e saperla portare in produzione a un costo sostenibile.

Il contesto italiano rende la cosa interessante per chi lavora da freelance. Secondo Istat, nel 2025 il 16,4% delle imprese con almeno 10 addetti usava una tecnologia AI, il doppio dell'8,2% dell'anno precedente; ma fra chi ha valutato un investimento senza farlo, il 58,6% indica come ostacolo la mancanza di competenze e il 47,3% l'incertezza normativa. Sono due voci che descrivono, punto per punto, il profilo di chi verrà pagato bene nei prossimi anni.

Perché l'intelligenza artificiale si fa in Python

Non è il linguaggio, è quello che ci gira attorno

Python non è veloce e non è il linguaggio più elegante mai progettato. Ha vinto per una ragione diversa: è il posto dove sono finite tutte le librerie. Il report Octoverse 2025 di GitHub conta 582.196 repository etichettati come AI che usano Python, in crescita del 50,7% in un anno. Il calcolo pesante lo fanno C++, CUDA e Rust sotto il cofano; Python è l'interfaccia con cui li si guida, ed è quella che tutti hanno imparato.

La conseguenza pratica è che il costo di ingresso in un progetto di AI non è tecnologico. Le librerie sono gratuite, la documentazione è ottima, i modelli pre-addestrati si scaricano. Quello che scarseggia è il giudizio: sapere quale problema merita un modello, quali dati servono davvero, e quando la risposta corretta è "questo non è un problema di machine learning".

La maggioranza del lavoro non è generativa

Vale la pena insistere sul 54% di cui sopra, perché orienta la carriera di chi si specializza. Le richieste che arrivano più spesso a un freelance da un'azienda italiana sono previsione della domanda, manutenzione predittiva, scoring dei clienti, rilevamento di anomalie nei pagamenti, classificazione automatica di documenti e ticket. Sono problemi su dati tabellari, si risolvono con Scikit-learn o con un gradient boosting, girano su una CPU e costano poche centinaia di euro di infrastruttura all'anno.

Chi impara solo a orchestrare modelli di linguaggio si preclude metà del mercato — e per giunta la metà con i margini più stabili, perché un modello di previsione della domanda che funziona resta in produzione per anni, mentre un chatbot va rifatto ogni volta che cambia il modello sottostante.

In sintesi

Python è il linguaggio dell'AI perché è il linguaggio delle librerie dell'AI. Ma "fare AI" nel 2026 significa tre mestieri diversi che condividono la stessa sintassi: machine learning su dati tabellari, deep learning su immagini e testo, e integrazione di modelli generativi. Le librerie giuste sono diverse per ciascuno.

Scikit-learn: quello che risolve la maggior parte dei problemi reali

Scikit-learn è la libreria del machine learning classico: regressioni, alberi, ensemble, clustering, riduzione dimensionale, preprocessing e — la parte che si sottovaluta sempre — gli strumenti per validare un modello senza prendersi in giro. La versione corrente è la 1.9, uscita il 2 giugno 2026.

I vantaggi

È la libreria più usata di tutte, di parecchio. Su PyPI registra circa 241 milioni di download al mese, contro i 93,5 milioni di torch e i 18,9 di tensorflow (rilevazione del 20 agosto 2026; i download includono CI e container, quindi vanno letti come rapporto e non come conteggio di persone). Non è nostalgia: è che la maggior parte dei problemi aziendali sta su una tabella.

Costa quasi niente da far girare. Nessuna GPU, nessun cluster: un modello su qualche centinaio di migliaia di righe si addestra sul portatile e si serve da un container con mezzo giga di RAM. Su un preventivo per una PMI è la differenza fra un progetto che parte e uno che resta nel cassetto.

È spiegabile. Con un albero o una regressione si può mostrare al cliente perché il modello ha deciso così. Sembra un dettaglio accademico finché non arriva il primo cliente in un settore regolamentato — credito, assicurazioni, selezione del personale — dove la spiegabilità non è un vezzo, è un obbligo di legge di cui parliamo più avanti.

L'API è una convenzione universale. fit, predict, transform, le pipeline e la cross-validation sono il vocabolario che tutte le altre librerie hanno copiato. Impararla bene rende leggibile anche il codice scritto con altro.

Gli svantaggi

Non fa deep learning e non è pensata per la GPU. La documentazione ufficiale descrive un supporto sperimentale all'Array API che copre una trentina di estimator con backend PyTorch o CuPy, ma con vincoli seri (float64 non supportato su alcuni device, solver limitati). Dire "Scikit-learn non ha la GPU" nel 2026 è impreciso; dire che non è una libreria per la GPU resta vero.

Non scala oltre la memoria. Oltre qualche milione di righe si passa a strumenti fuori-core o distribuiti. È una soglia che arriva più tardi di quanto si immagini, ma arriva.

Sui dati tabellari non è più lo stato dell'arte da sola. Il gradient boosting — XGBoost, LightGBM, CatBoost — di solito vince su accuratezza. Il benchmark accademico TabArena aggiunge una sfumatura utile: gli alberi boosted restano competitivi, i modelli fondazionali per dati tabellari sono superiori sui dataset piccoli, e lo stato dell'arte vero è combinare famiglie diverse in ensemble. Un dettaglio di manutenzione da conoscere: LightGBM ha lasciato l'organizzazione Microsoft nel marzo 2026 e non pubblica una release stabile da febbraio 2025.

PyTorch: lo standard del deep learning

Se il problema è visione artificiale, testo, audio o qualunque cosa richieda una rete neurale addestrata sul serio, PyTorch è la risposta predefinita. La versione corrente è la 2.13 dell'8 luglio 2026, e dal 2026 il progetto ha accelerato passando a una release ogni due mesi.

I vantaggi

Ha vinto l'ecosistema, e in modo dichiarato. Hugging Face ha rilasciato Transformers v5 il 1° dicembre 2025 come libreria PyTorch-only, rimuovendo i backend TensorFlow e JAX per "concentrarsi interamente su torch". Dato che Transformers è il punto da cui passa quasi ogni modello pre-addestrato, la scelta a monte è di fatto già fatta per chiunque lavori con modelli esistenti.

La governance è solida e allargata. La PyTorch Foundation, dentro la Linux Foundation, è diventata nel 2025 una fondazione ombrello che ospita anche vLLM e DeepSpeed e, dall'ottobre 2025, Ray. Training, inferenza e calcolo distribuito stanno maturando sotto lo stesso tetto: per chi deve garantire a un cliente che lo stack esisterà ancora fra cinque anni, conta.

Si scrive come si pensa. Il grafo dinamico rende il debug ordinario: ci si mette un print in mezzo alla rete e si guarda. Chi ha provato a fare la stessa cosa con i grafi statici della prima generazione di TensorFlow sa quanto valga.

La compilazione è matura. torch.compile dà accelerazioni reali senza riscrivere il modello, e la quantizzazione è passata dal core alla libreria dedicata torchao, che dichiara riduzioni di memoria e aumenti di throughput significativi su int4 e float8 (cifre del progetto, non misurate da terzi).

Gli svantaggi

Il suo model server ufficiale è morto, e va saputo. TorchServe è in manutenzione limitata con repository archiviato dal 7 agosto 2025, ultima release settembre 2024. Chi mette in produzione un modello PyTorch oggi usa altro: vLLM se è un modello di linguaggio, ONNX Runtime per tutto il resto, con FastAPI davanti. È esattamente il tipo di informazione che distingue un preventivo scritto da chi lavora in produzione da uno copiato da un tutorial.

Serve hardware, e l'hardware costa. Ne parliamo con i numeri più avanti, ma è la voce che trasforma un progetto di deep learning da "qualche giornata" a "investimento".

Ti lascia libero di sbagliare. Nessuna convenzione impedisce di scrivere un training loop che non è riproducibile, che non logga niente e che nessun altro potrà rieseguire. Lightning e le utility di Hugging Face esistono per questo, ma vanno scelte.

Le API si muovono in fretta. Con una release ogni due mesi, TorchScript deprecato in favore di torch.export e i dtype quantizzati storici in uscita, il codice di tre anni fa non è più idiomatico. Sul lungo periodo è manutenzione da mettere a budget.

TensorFlow e Keras: cosa è cambiato davvero

Questa è la parte dell'articolo in cui è più facile trovare informazioni sbagliate in rete, perché la situazione è cambiata nel 2026 e i due nomi vanno separati.

TensorFlow è in manutenzione, e Google lo ha scritto

Nel post ufficiale "What's new in TensorFlow 2.21" del 6 marzo 2026 Google dichiara che d'ora in poi si concentrerà esclusivamente su correzioni di sicurezza, bug fix, aggiornamenti delle dipendenze e contributi della community per TF.data, TensorFlow Serving, TFX, TensorBoard e gli altri progetti dell'ecosistema. E aggiunge, testualmente, che "mentre TensorFlow continua a fornire stabilità per la produzione, raccomandiamo di esplorare Keras 3, JAX e PyTorch per il lavoro nuovo".

Il dato oggettivo che accompagna la dichiarazione: fra agosto 2025 e agosto 2026 TensorFlow ha pubblicato una sola release stabile, la 2.21 di marzo. E TensorFlow Serving 2.20 di giugno 2026 si presenta con la nota "nessuna funzionalità o miglioramento rilevante".

Attenzione a non tradurlo in "TensorFlow è morto". Riceve patch di sicurezza, regge una quantità enorme di sistemi in produzione, e ha ancora 195.000 stelle su GitHub contro le 100.000 di PyTorch — con un ventesimo dei download mensili. Quel contrasto è la lezione più utile di tutto il capitolo: le stelle misurano il passato, i download misurano il presente.

Keras 3, invece, è vivo e ha cambiato natura

Keras non è più "l'interfaccia di TensorFlow": dalla versione 3 è un framework multi-backend che gira indifferentemente su JAX, TensorFlow o PyTorch, con OpenVINO per la sola inferenza. La versione corrente è la 3.15 del 24 giugno 2026, con un ritmo di rilasci molto più vivace di TensorFlow.

Il suo vantaggio distintivo oggi è la portabilità: si scrive il modello una volta e si sceglie dopo su cosa farlo girare, si esporta come modulo PyTorch nativo, come SavedModel o verso LiteRT per il mobile. Per un freelance che consegna a clienti con stack diversi, è una proprietà concreta.

Dove TensorFlow resta la scelta giusta

Sull'edge e sul mobile. TensorFlow Lite è diventato LiteRT, che Google indica come runtime primario per l'AI on-device: tutti gli sviluppi futuri vanno lì. Se il modello deve girare dentro un'app Android, su un microcontrollore o su un dispositivo industriale senza rete, questo è il percorso principale.

Su un sistema che già esiste. Se il cliente ha una pipeline TFX in produzione che funziona, riscriverla in PyTorch è una spesa senza ritorno. La domanda giusta non è "quale framework è migliore", è "cosa mi costa la migrazione e cosa ci guadagno". Nella maggior parte dei casi la risposta onesta è: niente, per ora.

In sintesi

Per un progetto nuovo di deep learning, PyTorch. Per il machine learning su tabelle, Scikit-learn con gradient boosting. TensorFlow lo si sceglie per l'edge via LiteRT o perché c'è già, e Keras 3 quando serve poter cambiare backend senza riscrivere. Non è una classifica di qualità: è una fotografia di dove si sta muovendo la manutenzione.

Quale strumento per quale tipo di progetto di AI

• Previsione e classificazione su dati aziendali (abbandono clienti, scoring, previsione della domanda, manutenzione predittiva) — Scikit-learn per l'impianto e la validazione, un gradient boosting per il modello finale. Nessuna GPU, costi trascurabili, risultati spiegabili.

• Rilevamento di anomalie (frodi, guasti, qualità di produzione) — stessa famiglia, con attenzione doppia allo sbilanciamento delle classi e alla scelta della metrica: qui l'accuratezza è la metrica più ingannevole che esista.

• Visione artificiale (controllo qualità, conteggio, lettura di documenti) — PyTorch con un modello pre-addestrato da adattare. Se il risultato deve girare su una linea di produzione o su un telefono, si esporta in ONNX o LiteRT.

• Classificazione di testi, ticket, documenti — prima si prova un modello lineare su rappresentazioni classiche: su molti casi reali fa il 90% del lavoro a un millesimo del costo. Se non basta, un transformer piccolo affinato con PyTorch.

• Chatbot documentale, ricerca semantica, assistenti — nessun training: un LLM via API, un database vettoriale e un backend. Qui la competenza non è modellistica, è di ingegneria del recupero e di valutazione della qualità.

• Adattamento di un modello al dominio del cliente — fine-tuning leggero con LoRA e QLoRA tramite PEFT. Ma prima va posta la domanda successiva, che è la più importante del capitolo.

• Modello proprietario addestrato da zero — quasi mai la risposta giusta per una PMI. Ha senso solo con dati abbondanti, proprietari e un vantaggio competitivo reale nel possedere il modello.

• Serie storiche — si parte da metodi statistici e da un baseline banale ("domani come oggi"). Un progetto di forecasting che non batte quel baseline non è pronto, per quanto sofisticato sia il modello.

RAG o fine-tuning? C'è uno studio, non solo opinioni

È la domanda che ogni cliente pone appena sente parlare di "AI sui nostri dati". Uno studio del maggio 2026 su applicazioni industriali di question answering ha confrontato le due strade su dati reali del settore automotive: il RAG supera nettamente il fine-tuning da solo, permette a modelli open source più piccoli di raggiungere la qualità dei modelli proprietari premium sul dominio, e risulta più conveniente nel costo totale — perché pur costando di più a richiesta, riduce il lavoro umano di verifica. Combinare le due tecniche porta benefici marginali.

La regola pratica che se ne ricava, e che conviene ripetere al cliente: il RAG serve quando il problema è la conoscenza (fatti, documenti, aggiornamenti, tracciabilità delle fonti); il fine-tuning serve quando il problema è il comportamento (formato dell'output, stile, tassonomie proprietarie, compiti ripetitivi molto strutturati). Usare il fine-tuning per insegnare fatti a un modello è la scelta peggiore sia in accuratezza sia in costo.

In sintesi

Il buon progetto di AI si riconosce da come inizia: con un baseline stupido, una metrica concordata col cliente e un dato di qualità. La libreria è la terza decisione, non la prima.

Quale approccio per quale tipo di team

Il freelance che lavora da solo

Scikit-learn e gradient boosting come pane quotidiano, PyTorch quando il problema lo richiede davvero, API di terzi per il generativo. La leva economica del freelance singolo è non addestrare quando può adattare, e non adattare quando può integrare: ogni gradino che si scende costa GPU, dati e settimane, e va giustificato con un ritorno.

Team piccolo che costruisce un prodotto

Qui serve la disciplina prima della potenza: tracciamento degli esperimenti con MLflow, dati versionati, un modello promosso in produzione solo se supera il precedente su una metrica scritta da qualche parte. Senza questo, al terzo mese nessuno sa più quale modello è in produzione né con quali dati è stato addestrato — ed è una situazione da cui si esce solo ricominciando.

Azienda strutturata con team dati già esistente

Lo stack lo detta l'esistente. Il valore che un consulente porta qui non è la libreria nuova, è chiudere il divario fra notebook e produzione: rendere riproducibile un addestramento, mettere sotto monitoraggio un modello, definire quando va riaddestrato. Nel 2026 il pattern dominante non è più il model server del framework, ma un runtime specializzato con un'API davanti: vLLM per i modelli di linguaggio, ONNX Runtime per il resto.

Team di ricerca o R&D

PyTorch, senza discussione, con l'eventuale eccezione di JAX per chi lavora su TPU o su problemi di calcolo scientifico. Ma con una nota: Hugging Face ha rimosso il backend JAX da Transformers nella v5, e questo pesa su chi vuole partire da modelli pre-addestrati.

Team con una base TensorFlow legacy

Non migrare per moda. La domanda da porsi è se il modello va ancora riaddestrato spesso e se il team sa mantenerlo: se sì e sì, si resta. Se il sistema è fermo da due anni e nessuno sa più farlo girare, la riscrittura è già cominciata, semplicemente non è stata ancora ammessa.

Team che non ha i dati

È il caso più frequente in Italia, ed è quello in cui un freelance onesto guadagna la fiducia: il primo progetto non è un modello, è mettere in ordine i dati. Detto prima, è consulenza; scoperto a metà progetto, è un contenzioso.

In sintesi

Più il team è piccolo, più conviene salire di livello di astrazione e comprare invece di costruire. Più il team è strutturato, più il valore si sposta dal modello alla pipeline che lo tiene in vita.

Costi di un progetto di intelligenza artificiale

Le GPU: lo stesso hardware costa fino a tre volte e mezzo

È il dato più utile che si possa mettere in un preventivo. Per una NVIDIA H100 on-demand, al 20 agosto 2026: RunPod chiede 3,29 dollari l'ora, Lambda 3,99, AWS con l'istanza p5 equivale a circa 6,88 dollari per GPU e Google Cloud circa 11,06. Un fattore 3,4x per la stessa scheda. Sulle GPU da inferenza leggera il divario si riduce ma resta: una L4 costa 0,49 dollari l'ora su RunPod, 0,80 su AWS, 1,00 su Google Cloud.

Tradotto in giornate di lavoro: un adattamento LoRA di un modello da 7-8 miliardi di parametri su una singola H100 per quattro ore costa fra i 13 e i 44 dollari a seconda del fornitore; un addestramento completo su otto H100 per un giorno passa da circa 630 dollari su RunPod a circa 2.100 su Google Cloud. (Sono calcoli dai listini citati, non prezzi pubblicati.) La lezione per il cliente è che la voce GPU si negozia scegliendo il fornitore, non tagliando il progetto.

L'inferenza è la voce che dura

L'addestramento è una spesa una tantum; l'inferenza è un costo ricorrente che cresce con l'uso. Le tre leve sono: usare un modello più piccolo, quantizzarlo, e servirlo con un runtime specializzato. ONNX Runtime e vLLM hanno entrambi lavorato molto sulla quantizzazione della cache, che oggi è la leva più efficace sui costi di un servizio basato su modelli di linguaggio. Per i modelli tradizionali, esportare in ONNX e servire su CPU elimina spesso del tutto la voce GPU.

I dati: il costo che nessuno mette a preventivo

Etichettare, pulire, riconciliare fonti diverse, capire perché una colonna è vuota per i soli clienti del 2023. In un progetto di machine learning reale questa parte pesa più dell'addestramento, e va fatturata: presentarla come "preparazione" e regalarla è il modo più rapido di lavorare in perdita.

MLOps e manutenzione

Un modello in produzione si degrada perché cambia il mondo, non perché si rompe il codice. Servono monitoraggio delle metriche, allarmi sulla deriva dei dati e un piano di riaddestramento. Gli strumenti sono maturi e in gran parte gratuiti — MLflow è di gran lunga il più installato, con oltre 41 milioni di download mensili — ma il tempo per usarli va messo in conto: un contratto di manutenzione annuale su un modello in produzione è la norma, non un extra.

In sintesi

Un progetto di machine learning tabellare per una PMI costa quasi solo giornate uomo. Un progetto di deep learning aggiunge GPU e dati etichettati. Un prodotto basato su modelli generativi sposta il peso sull'inferenza, cioè su un costo che cresce con il successo del prodotto: va progettato con un tetto di spesa, non scoperto a consuntivo.

L'AI Act: nel 2026 è competenza tecnica, non solo materia da avvocati

Il regolamento europeo è già applicabile, ed è cambiato da poco: il Regolamento (UE) 2026/1744 dell'8 luglio 2026, il cosiddetto "Digital Omnibus" sull'AI, ne ha modificato tempi e obblighi. Molte pagine in rete riportano ancora il calendario precedente: vale la pena avere i quattro punti giusti.

• Già in vigore dal 2 febbraio 2025: i divieti sulle pratiche inaccettabili e l'obbligo di alfabetizzazione all'AI per il personale che la usa.

• Dal 2 agosto 2026: gli obblighi di trasparenza dell'articolo 50. Riguardano quasi ogni progetto che un freelance consegna oggi: dichiarare che si sta parlando con un sistema di AI, marcare i contenuti generati in modo leggibile dalle macchine, etichettare i deepfake, dichiarare riconoscimento delle emozioni e categorizzazione biometrica.

• Dal 2 dicembre 2026: la marcatura machine-readable diventa obbligatoria anche per i sistemi generativi già sul mercato.

• Dal 2 dicembre 2027: gli obblighi pieni per i sistemi ad alto rischio dell'Allegato III — rinviati dall'agosto 2026 proprio dall'Omnibus.

Quali progetti sono ad alto rischio. L' Allegato III elenca otto aree, e quattro capitano spesso sul tavolo di un freelance: selezione e gestione del personale (screening dei curriculum incluso), valutazione del merito creditizio delle persone fisiche, istruzione e valutazione degli apprendimenti, biometria. Se il progetto ricade lì, servono gestione del rischio, data governance documentata, documentazione tecnica redatta prima della messa in servizio, log automatici, sorveglianza umana progettata nel sistema e valutazione di conformità.

Chi è responsabile. La distinzione che conta per chi lavora su commessa è fra fornitore e utilizzatore. Chi sviluppa e consegna a un cliente che mette il sistema in servizio con il proprio marchio, di norma non è il fornitore: lo è il cliente. Ma l' articolo 25 stabilisce che si diventa fornitori se si appone il proprio nome sul sistema, se lo si modifica in modo sostanziale o se se ne cambia la finalità rendendolo ad alto rischio. È una cosa che va scritta nel contratto, non lasciata all'interpretazione: le sanzioni arrivano a 35 milioni di euro o al 7% del fatturato mondiale per le pratiche vietate, e a 15 milioni o al 3% per gli altri obblighi (per le PMI si applica l'importo inferiore fra i due).

Sul fronte italiano, la legge 23 settembre 2025, n. 132 è in vigore dal 10 ottobre 2025 e affianca al regolamento europeo disposizioni nazionali e deleghe al Governo: è la norma da citare quando un cliente chiede "e in Italia cosa dice la legge?".

In sintesi

Ricordi il 47,3% di imprese che secondo Istat non investe in AI per incertezza normativa? Quella percentuale è un mercato. Un freelance capace di dire a un cliente in quale categoria ricade il suo progetto e cosa deve documentare non sta offrendo consulenza legale: sta rimuovendo l'ostacolo che gli impedisce di firmare.

Competenze necessarie per un freelance AI e machine learning

La matematica che serve davvero

Non serve un dottorato, serve capire cosa si sta facendo: algebra lineare quanto basta per sapere cosa è un embedding, probabilità e statistica per non confondere correlazione e causalità, e soprattutto la capacità di leggere una matrice di confusione. La maggior parte degli errori costosi nei progetti di machine learning sono errori statistici, non di codice.

I dati prima dei modelli

pandas, e sempre più spesso Polars, sono lo strumento con cui si passa la maggioranza delle ore. Sapere fare join corretti, gestire i valori mancanti con criterio e riconoscere una fuga di informazione dal futuro nel set di addestramento vale più di conoscere dieci architetture di rete.

Valutare senza prendersi in giro

È la competenza che separa i professionisti. Definire una metrica che significhi qualcosa per il business, costruire un baseline banale da battere, validare in modo temporalmente corretto quando i dati hanno una data, evitare il data leakage, riconoscere quando un 99% di accuratezza significa solo che il 99% dei casi è negativo. Un modello che sembra funzionare e non funziona costa molto più di un progetto rifiutato.

Deep learning con PyTorch

Non tanto scrivere architetture da zero — serve raramente — quanto saper adattare un modello pre-addestrato, gestire il ciclo di addestramento, capire perché la loss non scende e sapere quando fermarsi. Più la parte pratica: dataset e dataloader, mixed precision, checkpoint, riproducibilità.

Lavorare con i modelli di linguaggio

Progettare una pipeline RAG che non inventa, misurarne la qualità con una suite di valutazione invece che a impressione, controllare i costi per richiesta, gestire i casi in cui il modello sbaglia. E saper distinguere i casi in cui serve un fine-tuning con LoRA da quelli — la maggioranza — in cui basta un recupero fatto bene.

Portare in produzione

Esportazione in ONNX, servizio con ONNX Runtime o vLLM, un'API davanti, container, GPU quando serve e CPU quando basta. È la competenza che permette di consegnare un sistema invece di un notebook, ed è la ragione principale per cui un cliente paga il doppio.

MLOps e osservabilità

Tracciare gli esperimenti, versionare dati e modelli, monitorare la deriva, poter rispondere alla domanda "perché il modello ha deciso così il 14 marzo" a distanza di mesi. Con l'AI Act questa non è più solo igiene professionale: parte di questo tracciamento diventa un obbligo documentale per i sistemi ad alto rischio.

Le competenze che non stanno nel CV

Saper dire a un cliente che il suo problema non richiede intelligenza artificiale è, nel 2026, la competenza commerciale più redditizia che esista: costa un progetto e ne fa guadagnare tre. Insieme alla capacità di stimare un progetto la cui incertezza è strutturale — perché finché non guardi i dati non sai se il modello funzionerà — e di scriverlo in un contratto a fasi, con un punto di uscita dopo la fase esplorativa.

In sintesi

La competenza tecnica di base è ormai diffusa e in parte automatizzata. Il valore si concentra in tre punti: capire il problema del cliente prima di modellarlo, portare in produzione ciò che si costruisce, e sapersi muovere nel quadro normativo.

Ruoli e abilità richiesti nei progetti di AI

• Data engineer — raccoglie, pulisce e rende disponibili i dati. Nei progetti reali è il collo di bottiglia più frequente, e la prima persona che serve.

• Data scientist — formula il problema, sceglie e valuta i modelli. Il valore sta nella formulazione, non nell'addestramento.

• ML engineer — trasforma un esperimento in un servizio: pipeline, ottimizzazione, deploy. È il profilo più richiesto e il più pagato.

• MLOps / platform engineer — infrastruttura, GPU, monitoraggio, riaddestramento. Su progetti piccoli è lo stesso ML engineer; oltre una certa dimensione, fingere che lo sia diventa costoso.

• Backend developer — l'API e l'integrazione con i sistemi del cliente. Il modello migliore del mondo, se non è raggiungibile dal gestionale, non esiste.

• Esperto di dominio — la figura più sottovalutata. È chi sa che quella colonna significa un'altra cosa dal 2022, e senza cui il modello impara la cosa sbagliata.

• Compliance / DPO — necessario quando si toccano dati personali o categorie ad alto rischio. Non è il freelance a fare questo lavoro, ma è il freelance a dover sapere quando va coinvolto.

Come si combinano

Su un progetto piccolo una persona copre data engineering, modellazione e deploy: è fattibile e frequente. La decisione critica da presidiare all'inizio non è tecnica ma di perimetro: chi è responsabile della qualità del dato. Se resta ambigua, ogni risultato deludente diventa una discussione su di chi sia la colpa, e nessun modello la risolve.

Tariffe: quanto si guadagna con Python e l'AI in Italia

Il dato italiano è debole, e va detto

In Italia non esiste una rilevazione ampia e affidabile sulle tariffe freelance per profili AI. Le fonti disponibili sono su campioni piccoli e divergono fra loro: per un machine learning engineer dipendente, TechCompenso indica una RAL media di 38.416 euro (49 segnalazioni), Glassdoor circa 33.000 e Talent.com 41.500. Tre fonti, tre risposte, il 25% di scarto.

E c'è un dato controintuitivo che merita di essere guardato in faccia: sulla stessa fonte, un ML engineer prende 38.416 euro contro i 37.779 di uno sviluppatore generico. In Italia, da dipendente, il premio salariale dell'AI è statisticamente irrilevante. Non perché la competenza non valga, ma perché il mercato del lavoro subordinato si muove lentamente e i campioni sono piccoli.

Dove il premio esiste davvero

Nel lavoro freelance e sui mercati esteri il quadro cambia del tutto. Su Upwork la mediana di un esperto di machine learning è di 100 dollari l'ora, contro i 30 di uno sviluppatore Python generico — anche se lo stesso sito indica 50 dollari per la voce "AI engineer", il che dice quanto siano fragili queste etichette. Il barometro 2026 di Malt in Francia è più solido: un data scientist freelance sta a 680 euro al giorno di media (359 sotto i due anni di esperienza, 733 oltre i quindici), con punte di 736 euro per chi dichiara TensorFlow e 714 per l'NLP.

Negli Stati Uniti la salary guide 2026 di Robert Half colloca un AI/ML engineer a 170.750 dollari mediani, contro i 142.000 di un software engineer. È un rapporto di circa quattro a uno rispetto alla RAL italiana, ed è l'argomento più forte a favore di una strategia freelance orientata ai clienti esteri.

Perché la domanda in Italia c'è comunque

L'Osservatorio del Politecnico conta 44.000 annunci di lavoro che richiedono competenze AI, in crescita del 93% in un anno, e LinkedIn ha messo l'ingegnere di intelligenza artificiale al primo posto fra i lavori emergenti in Italia nel 2026. Il numero assoluto di posizioni esplicitamente "AI" resta però contenuto: al 20 agosto 2026 su Indeed Italia gli annunci per "machine learning" erano 368 e quelli con la dicitura esatta "AI engineer" meno di cento. La lettura corretta è che l'AI in Italia è per lo più una competenza aggiuntiva richiesta dentro ruoli esistenti, non ancora un ruolo a sé — ed è esattamente il tipo di mercato in cui un freelance con doppia competenza vince contro uno specialista puro.

In sintesi

La fascia realistica per un freelance italiano con competenze AI parte dai 350-400 euro al giorno e supera i 600 su progetti con responsabilità di produzione o clienti esteri. Ma il moltiplicatore non lo dà la parola "AI" sul profilo: lo danno la capacità di consegnare in produzione, il dominio in cui si lavora e la disponibilità a farsi carico anche della parte di conformità.

Cosa significa per le organizzazioni italiane

Il quadro è molto polarizzato, e per un freelance è un'informazione commerciale prima che statistica. Fra le grandi imprese, il 71% ha almeno un progetto di AI e l'84% ha licenze di AI generativa. Fra le medie imprese si scende al 15%, fra le piccole al 7%, e secondo l' Osservatorio Innovazione Digitale nelle PMI il 76% delle PMI non ha investito in AI e non prevede di farlo.

Le grandi imprese hanno già team interni e comprano da system integrator: per un freelance sono un mercato di sostituzione, difficile da aggredire. Le PMI sono un mercato quasi vergine, che però non compra "intelligenza artificiale": compra la soluzione a un problema che ha un costo misurabile — magazzino, scarti, ritardi, ore perse a copiare dati da un PDF a un gestionale. Il progetto giusto per una PMI italiana raramente si chiama AI nel preventivo, e quasi sempre inizia dai dati.

Conclusioni

L'intelligenza artificiale in Python non è una tecnologia sola: sono tre mestieri con lo stesso linguaggio. Scikit-learn e il gradient boosting risolvono la maggioranza dei problemi aziendali reali, costano poco e producono modelli spiegabili. PyTorch è lo standard per il deep learning e ha vinto l'ecosistema in modo ormai dichiarato. TensorFlow è entrato in una fase di manutenzione annunciata da Google stesso, ma resta la strada per l'edge attraverso LiteRT e per i sistemi che già lo usano; Keras 3, separandosi da lui, è diventato lo strumento più portabile dei tre.

Per chi lavora da freelance, la parte difficile non è scegliere la libreria. È tutto il resto: capire se il problema del cliente merita un modello, avere il coraggio di dire di no quando non lo merita, portare in produzione ciò che si costruisce, prevedere il costo dell'inferenza prima che arrivi la fattura del cloud, e sapersi muovere in un quadro normativo che dal 2026 è già operativo. Sono competenze che si accumulano lentamente e che non si copiano da un tutorial — ed è per questo che continueranno a valere.

Se invece stai valutando Python per costruire l'applicazione attorno al modello, e non il modello, la scelta del framework web è un discorso a sé: ne abbiamo parlato nella guida a Python per lo sviluppo web e le API.

Domande frequenti

Meglio imparare PyTorch o TensorFlow nel 2026?

PyTorch, per un progetto nuovo. La ragione non è tecnica ma di ecosistema: Hugging Face Transformers è diventato PyTorch-only a dicembre 2025, e Google ha dichiarato a marzo 2026 che su TensorFlow si concentrerà su sicurezza e correzioni, raccomandando Keras 3, JAX o PyTorch per il lavoro nuovo. TensorFlow resta rilevante per l'AI on-device tramite LiteRT e per i sistemi già in produzione, ma non è più il punto di partenza da consigliare a chi comincia.

Serve una GPU per iniziare a lavorare con il machine learning?

No, e per la maggior parte dei progetti aziendali reali non serve nemmeno dopo. Il machine learning su dati tabellari — che è il 54% del mercato italiano dell'AI — gira su CPU. La GPU serve per il deep learning, e si affitta a ore: fra 0,49 e 1 dollaro l'ora per una scheda da inferenza, fra 3,29 e 11 dollari per una H100 a seconda del fornitore. Comprarla ha senso solo con un utilizzo continuativo.

Quanto costa un progetto di intelligenza artificiale a una PMI?

Non esistono benchmark pubblici affidabili sui costi medi in Italia: chiunque pubblichi una tabella di prezzi sta pubblicando il proprio listino, non un dato di mercato. Il preventivo si costruisce dal basso — giornate di lavoro più infrastruttura — e la voce che sorprende più spesso non è il modello, è la preparazione dei dati. Un progetto onesto per una PMI parte da una fase esplorativa breve e a costo definito, con un punto di uscita se i dati non reggono.

Il mio progetto ricade nell'AI Act?

Quasi ogni sistema che interagisce con persone o genera contenuti ricade negli obblighi di trasparenza dell'articolo 50, applicabili dal 2 agosto 2026: dichiarare che è un sistema di AI, marcare i contenuti generati, etichettare i deepfake. Gli obblighi pesanti riguardano invece i sistemi ad alto rischio — selezione del personale, credito, istruzione, biometria fra gli altri — e sono stati rinviati al 2 dicembre 2027 dal Digital Omnibus di luglio 2026. Chi sviluppa su commessa di norma non è il "fornitore" ai sensi del regolamento, ma può diventarlo: va chiarito nel contratto.

Conviene fare fine-tuning di un modello o usare il RAG?

Nella maggioranza dei casi il RAG, e c'è uno studio del 2026 su applicazioni industriali che lo conferma anche sul costo totale. La regola pratica: il RAG risolve i problemi di conoscenza (fatti, documenti, aggiornamenti), il fine-tuning quelli di comportamento (formato, stile, tassonomie proprietarie). Insegnare fatti a un modello con il fine-tuning è la strada peggiore per accuratezza e per costo.

Quanto guadagna un freelance AI in Italia?

La fascia realistica parte da 350-400 euro al giorno e supera i 600 su progetti con responsabilità di produzione. Va però detto che le fonti italiane sono deboli: da dipendente il premio salariale rispetto a uno sviluppatore generico è quasi nullo secondo i dati disponibili, mentre nel freelance e sui mercati esteri il differenziale è netto — la mediana Upwork per un esperto di machine learning è più del triplo di quella di uno sviluppatore Python, e negli Stati Uniti un AI/ML engineer sta il 20% sopra un software engineer.