Dall’entry level alla seniority: come l’AI sta ridisegnando la crescita dei talenti nei team IT
L’intelligenza artificiale generativa sta modificando rapidamente una parte consistente del lavoro tecnologico, ma uno degli effetti più interessanti da osservare non riguarda necessariamente il numero complessivo di Software Developer che verranno richiesti nei prossimi anni. La questione più strutturale riguarda il modo in cui le organizzazioni costruiscono esperienza professionale e trasformano un profilo entry level in un professionista capace di assumere responsabilità tecniche progressivamente più complesse.
Per decenni, una parte rilevante dell’apprendimento nei team IT si è sviluppata attraverso una progressione relativamente riconoscibile. I professionisti junior entravano nei progetti occupandosi inizialmente di attività circoscritte, bug fixing, implementazioni a bassa complessità, documentazione, testing, configurazioni, manutenzione e sviluppo di componenti supervisionati; attraverso l’esposizione progressiva a sistemi reali, codebase esistenti, incident, code review, vincoli architetturali e decisioni di progetto, acquisivano gradualmente il giudizio tecnico necessario per operare con maggiore autonomia.
Proprio molte di queste attività iniziali appartengono oggi alla categoria di task sui quali gli strumenti di AI generativa possono produrre i maggiori incrementi di velocità. La generazione di codice boilerplate, la prima stesura di test, la documentazione tecnica, il refactoring semplice, la ricerca di errori, l’analisi iniziale di log e la produzione di query o script sono diventate attività sempre più assistibili attraverso coding assistant e modelli generativi.
Dal punto di vista della produttività, il vantaggio può essere significativo. Dal punto di vista della talent pipeline, tuttavia, emerge una domanda meno immediata: se una quota crescente del lavoro tradizionalmente assegnato ai professionisti junior viene automatizzata, attraverso quali attività verrà costruita l’esperienza necessaria a formare i professionisti senior di domani?
La risposta non è necessariamente una riduzione delle assunzioni junior, né esistono al momento evidenze sufficienti per sostenere che l’AI stia eliminando sistematicamente i profili entry level dal mercato tecnologico. I dati più recenti indicano però che l’accesso alle prime fasi della carriera si sta restringendo proprio mentre aumenta l’utilizzo dell’intelligenza artificiale, rendendo necessario distinguere gli effetti dell’automazione da quelli derivanti da condizioni macroeconomiche, ridimensionamento degli organici e trasformazione dei modelli organizzativi.
Il punto di ingresso nel settore tecnologico si sta restringendo
I dati raccolti negli Stati Uniti, che rappresentano il mercato più osservato per comprendere le prime conseguenze dell’adozione dell’AI nel settore tecnologico, mostrano una contrazione significativa dell’hiring entry level.
Il State of Talent Report 2026 di SignalFire indica che le assunzioni di neolaureati e profili entry level risultano inferiori di circa il 65% rispetto al 2019 nelle principali aziende tecnologiche analizzate e di circa il 76% nelle startup early stage considerate dal dataset. Nello stesso periodo, tuttavia, l’engineering nel suo complesso mostra una resilienza nettamente maggiore rispetto ad altre funzioni: nelle grandi aziende tech l’hiring ingegneristico risulta inferiore dell’11% rispetto al 2019, mentre nelle startup early stage risulta addirittura superiore del 7%. La quota degli ingegneri sul totale delle assunzioni delle grandi aziende tecnologiche è inoltre salita dal 46% del 2019 al 55% del 2026.
Questa combinazione è particolarmente significativa perché suggerisce che il fenomeno non possa essere descritto semplicemente come una riduzione della domanda di Software Engineer. Il mercato continua a valorizzare fortemente la capacità tecnica, ma tende a concentrarla su professionisti già in grado di produrre output ad alto valore con livelli ridotti di supervisione.
La struttura che emerge è quindi più senior-heavy: meno livelli organizzativi, maggiore responsabilità attribuita agli individual contributor esperti, team più piccoli e una crescente preferenza per persone capaci di governare porzioni più ampie dello stack tecnologico.
Anche il World Economic Forum, nel rapporto pubblicato nel giugno 2026 sul futuro dell’entry-level work, evidenzia che più di un giovane lavoratore su tre a livello globale opera in professioni caratterizzate da un’esposizione media o elevata alla trasformazione delle attività determinata dall’intelligenza artificiale. Il problema identificato non riguarda soltanto la possibilità che alcuni posti vengano automatizzati, ma il rischio che cambi la struttura stessa delle opportunità attraverso cui vengono costruite competenze e mobilità professionale.
I dati richiedono comunque cautela interpretativa. La contrazione dell’hiring junior nel settore tecnologico è iniziata in un periodo caratterizzato anche dalla fine della fase di espansione alimentata da capitale a basso costo, dal ridimensionamento degli organici costruiti durante la pandemia e da una maggiore attenzione delle imprese all’efficienza. Attribuire all’AI l’intero fenomeno significherebbe quindi confondere correlazione, temporalità e causalità.
Esistono tuttavia evidenze più granulari che iniziano a isolare meglio il fattore tecnologico.
L’effetto dell’AI sembra concentrarsi maggiormente nelle prime fasi della carriera
Una ricerca dello Stanford Digital Economy Lab basata su dati amministrativi relativi alle payroll statunitensi ha analizzato l’andamento occupazionale delle professioni con diversi livelli di esposizione all’intelligenza artificiale generativa.
Nella versione aggiornata dello studio, i ricercatori rilevano che i lavoratori tra 22 e 25 anni impiegati nelle professioni maggiormente esposte all’AI hanno registrato una riduzione relativa dell’occupazione del 16% dopo la diffusione dell’intelligenza artificiale generativa, anche controllando per shock a livello aziendale. Per i lavoratori più esperti appartenenti alle stesse professioni, invece, l’occupazione è rimasta sostanzialmente stabile o ha continuato a crescere.
La ricerca non consente di concludere che il 16% dei posti di lavoro sia stato direttamente sostituito dall’AI e gli stessi autori sottolineano la necessità di mantenere prudenza nella lettura causale. Un successivo approfondimento pubblicato nel febbraio 2026 ha infatti rilevato che le differenze diventano statisticamente più evidenti soprattutto a partire dal 2024 e che una parte delle dinamiche precedenti può essere spiegata da fattori ulteriori rispetto all’AI.
Il risultato resta però rilevante per chi gestisce organizzazioni tecnologiche perché suggerisce un meccanismo plausibile: quando una tecnologia automatizza soprattutto attività relativamente standardizzate, il vantaggio economico dell’automazione tende a concentrarsi nei livelli professionali nei quali quelle attività occupano una quota maggiore del lavoro.
Un Senior Developer non dedica il proprio tempo soltanto alla produzione di codice. Interpreta requisiti ambigui, valuta trade-off architetturali, gestisce dipendenze, anticipa failure mode, comprende l’impatto di una modifica su sistemi interconnessi, negozia priorità con stakeholder tecnici e non tecnici, valuta la qualità dell’output prodotto da altri componenti del team e assume responsabilità su decisioni che possono generare conseguenze a medio termine.
Un profilo junior presenta inevitabilmente una composizione differente del lavoro, perché la capacità di assumere decisioni ad alta complessità deve ancora essere costruita. Per questo motivo, una maggiore automazione dei task standardizzabili può incidere in modo asimmetrico sui diversi livelli di seniority anche senza eliminare la professione dello sviluppatore.
Automatizzare un task non equivale ad automatizzare una professione
Uno degli errori più frequenti nel dibattito sull’intelligenza artificiale consiste nel ragionare per ruoli anziché per attività.
Un Software Developer non è una singola unità di lavoro omogenea, ma un insieme di task con livelli molto diversi di prevedibilità, complessità, responsabilità e dipendenza dal contesto. Alcuni possono essere automatizzati in misura significativa, altri possono essere accelerati e altri ancora continuano a richiedere una combinazione di conoscenza tacita, comprensione sistemica e accountability difficilmente trasferibile a un modello.
La distinzione è particolarmente importante nell’interpretazione dell’effetto dell’AI sui profili junior.
Se un coding assistant permette di produrre in pochi secondi una prima versione di una funzione che un neoassunto avrebbe impiegato più tempo a sviluppare, l’attività di scrittura può essere accelerata; questo non significa però che siano state automaticamente risolte la comprensione dei requisiti, la validazione della soluzione, l’integrazione nel sistema, la verifica della sicurezza, la scelta delle dipendenze, l’analisi delle performance e la gestione degli edge case. L’AI può ridurre il costo di produzione di una parte dell’output senza ridurre nella stessa misura il costo del giudizio necessario a valutarlo.
Questo passaggio modifica profondamente l’economia dei team software.
Quando il collo di bottiglia era prevalentemente la scrittura del codice, distribuire attività relativamente semplici a professionisti junior consentiva di ampliare la capacità produttiva mantenendo un rapporto gerarchico tra chi eseguiva e chi supervisionava. Se la produzione iniziale diventa molto più veloce, il collo di bottiglia può spostarsi verso la revisione, la validazione e la capacità di assumere decisioni.
È precisamente in questo scenario che i professionisti esperti acquistano ulteriore leva.
Il valore della seniority si sposta verso verifica e capacità sistemica
I dati SignalFire del 2026 mostrano che le strutture tecnologiche stanno diventando contemporaneamente più piatte e più orientate verso individual contributor senior. Nelle principali aziende tecnologiche considerate dal report, ogni Engineering Manager supervisiona mediamente circa 12 ingegneri, rispetto a circa 10 nel 2019, mentre nelle startup analizzate il rapporto raggiunge circa 15 ingegneri per manager.
La trasformazione è accompagnata da una crescita relativa dei ruoli tecnici con maggiore autonomia e da una riduzione di alcuni livelli di coordinamento.
Questa evoluzione è coerente con il tipo di leva offerta dall’AI. Un professionista molto esperto, capace di definire un problema, interrogare correttamente gli strumenti, verificare il codice generato, identificare errori concettuali e mantenere una visione end-to-end del sistema può utilizzare l’intelligenza artificiale come moltiplicatore della propria capacità produttiva.
Per un junior, invece, lo stesso output può essere più difficile da valutare proprio perché manca ancora il patrimonio di esperienza necessario a distinguere una soluzione plausibile da una soluzione robusta.
Il problema non riguarda quindi la capacità di utilizzare lo strumento. Le nuove generazioni possono acquisire molto rapidamente familiarità con coding assistant, agenti e ambienti di sviluppo AI-native. La variabile critica è la capacità di valutare ciò che lo strumento produce.
In software engineering, una risposta sintatticamente corretta può essere architetturalmente inadeguata; una soluzione apparentemente efficiente può introdurre vulnerabilità; una libreria suggerita può non essere coerente con gli standard aziendali; un test generato può confermare il comportamento implementato senza verificare quello effettivamente richiesto.
La seniority consiste in larga parte nella capacità di riconoscere questi problemi prima che diventino incidenti, regressioni, debito tecnico o costi di manutenzione.
Il vero rischio riguarda il meccanismo con cui quella seniority viene costruita
È qui che la riduzione dell’entry-level hiring diventa una questione strategica. Se il modello operativo privilegia sempre più professionisti già autonomi, l’impresa ottiene un beneficio immediato: minore necessità di supervisione, maggiore velocità iniziale e una capacità più elevata di sfruttare gli strumenti AI. Tuttavia, se questa configurazione viene estesa nel tempo senza un modello alternativo di skill development, può ridurre il bacino di professionisti che matureranno l’esperienza necessaria a ricoprire le posizioni senior future.
Il problema può essere descritto come un disallineamento temporale della talent pipeline.
La produttività viene ottimizzata nel presente utilizzando competenze costruite negli anni precedenti, mentre la capacità di produrre nuove competenze avanzate viene contemporaneamente ridotta.
Il settore tecnologico conosce bene fenomeni analoghi sul piano infrastrutturale. Un sistema può funzionare correttamente continuando a utilizzare asset esistenti anche quando si riducono progressivamente manutenzione, documentazione e investimento. L’effetto negativo non emerge necessariamente nel trimestre corrente, ma diventa evidente quando aumenta la necessità di evolvere il sistema e le capability necessarie non sono più disponibili.
Lo stesso principio può essere applicato al capitale umano.
Un Senior Engineer con dieci anni di esperienza rappresenta il risultato di una lunga sequenza di esposizione a problemi reali, errori, code review, incident, decisioni, confronto con colleghi più esperti e progressiva espansione della responsabilità. Non esiste un singolo corso capace di comprimere quel processo in poche settimane.
Esperienza e conoscenza tecnica non sono la stessa cosa
L’arrivo dell’AI rende ancora più evidente una distinzione fondamentale tra disponibilità dell’informazione e competenza professionale.
Un modello generativo può rendere immediatamente accessibili sintassi, pattern, documentazione, esempi, configurazioni, spiegazioni di framework e possibili soluzioni. Questo riduce in modo significativo il valore della memorizzazione di informazioni tecniche che possono essere recuperate istantaneamente.
Non elimina però la necessità di sapere quale informazione sia rilevante per un determinato contesto.
Un professionista esperto non è necessariamente colui che ricorda più API o più comandi. È colui che riesce a riconoscere quando una soluzione tecnicamente valida non è adatta al sistema su cui sta lavorando, quando una modifica apparentemente locale può generare effetti downstream, quando un requisito nasconde un vincolo non esplicitato e quando una scorciatoia accettabile in un proof of concept sarebbe pericolosa in produzione.
Queste competenze derivano in parte da conoscenza esplicita, ma in misura rilevante anche dall’esposizione ripetuta a casi reali.
L’AI può accelerare il primo elemento. La questione aperta riguarda il secondo.
L’OECD, nel rapporto AI and skills: What we know so far pubblicato nel 2026, sottolinea che l’introduzione dell’intelligenza artificiale non riduce necessariamente il fabbisogno di lavoratori qualificati e che, in diversi contesti, tende anzi ad aumentare l’importanza delle competenze necessarie per utilizzare, analizzare e interpretare informazioni e dati. La formazione emerge inoltre come la risposta organizzativa più frequente e più efficace tra le imprese che stanno introducendo l’AI.
Da questa prospettiva, automatizzare le attività junior senza riprogettare contemporaneamente i percorsi di apprendimento può produrre un paradosso: aumentare la produttività del team nel breve periodo mentre diminuisce la capacità dell’organizzazione di generare autonomamente competenze avanzate.
La produttività dell’AI cambia anche il modello economico del mentoring
Per comprendere la trasformazione è necessario considerare anche un vincolo operativo molto concreto: il tempo dei senior.
Il mentoring ha sempre avuto un costo.
Un Senior Developer che dedica tempo a una code review dettagliata, spiega un pattern architetturale o accompagna un junior nell’analisi di un incidente sottrae temporaneamente capacità alla propria attività diretta. Il ritorno di quell’investimento arriva nel tempo, quando la persona supervisionata diventa più autonoma e può assorbire una quota crescente di responsabilità.
In un team fortemente orientato all’efficienza immediata, soprattutto quando gli strumenti AI aumentano ulteriormente l’output potenziale dei professionisti senior, il costo opportunità del mentoring può diventare apparentemente maggiore.
Se un Senior Engineer è in grado di risolvere autonomamente un’attività in un’ora utilizzando l’AI, può risultare economicamente poco intuitivo impiegarne tre per accompagnare un junior attraverso lo stesso problema.
Questa logica è razionale a livello di singolo task ma può diventare subottimale a livello di sistema.
Se nessuno investe quelle ore, il junior non sviluppa la capacità necessaria per assumere in futuro la stessa responsabilità. Il problema non compare nel velocity report dello sprint corrente, ma nel capability model dell’organizzazione alcuni anni dopo.
Per questo motivo la talent pipeline dovrebbe essere trattata come una componente della capacità produttiva futura e non esclusivamente come un costo del personale corrente.
Il ruolo junior deve cambiare insieme agli strumenti
Preservare la pipeline non significa mantenere artificialmente attività che la tecnologia rende inefficienti.
Chiedere a uno sviluppatore junior di produrre manualmente codice boilerplate che un assistente può generare in pochi secondi non crea necessariamente apprendimento di qualità. In molti casi significa semplicemente utilizzare male sia la persona sia la tecnologia.
Il tema più interessante riguarda quindi la progettazione di nuove esperienze entry level coerenti con un ambiente AI-augmented.
Se la produzione meccanica perde peso, l’apprendimento può essere spostato più rapidamente verso comprensione del codice, debugging, test design, analisi dei requisiti, osservabilità, secure coding, code review assistita, valutazione dell’output generato, manutenzione di sistemi esistenti e comprensione dei trade-off. Il junior non deve necessariamente scrivere tutto da zero per imparare, ma deve essere responsabile della comprensione di ciò che viene prodotto. Questa distinzione è fondamentale.
Utilizzare l’AI per generare una soluzione e saper spiegare perché quella soluzione funzioni, quali ipotesi incorpori, quali alternative siano state scartate e quali failure mode possa generare rappresenta un processo formativo molto diverso dal semplice accettare l’output.
Il cambiamento richiede però anche un diverso modello di supervisione. La code review non può limitarsi a verificare la correttezza della sintassi, ma deve diventare sempre più un momento di trasferimento di criteri decisionali, principi architetturali e capacità di reasoning.
L’AI può comprimere la fase esecutiva senza comprimere il tempo necessario al giudizio
Uno dei possibili equivoci deriva dall’idea che, se l’intelligenza artificiale riduce il tempo necessario per eseguire determinate attività, possa ridurre nella stessa misura il tempo necessario per diventare competenti.
Le due curve non sono necessariamente correlate.
Un junior può sviluppare una feature più rapidamente grazie a un coding assistant, ma questo non significa che acquisisca automaticamente maggiore comprensione del dominio, del sistema distribuito in cui quella feature opera o delle conseguenze operative delle proprie decisioni.
In alcuni casi l’AI può accelerare anche l’apprendimento, perché consente di esplorare alternative, ricevere spiegazioni immediate, generare esempi e ottenere feedback più rapidamente. In altri casi può produrre l’effetto opposto se sostituisce sistematicamente il processo cognitivo necessario per costruire modelli mentali robusti.
Il tema non è quindi quanto AI venga utilizzata, ma come viene integrata nel percorso di sviluppo professionale.
Questa distinzione diventerà probabilmente uno degli elementi centrali del talent development nei team tecnologici: progettare contesti nei quali gli strumenti aumentino l’esposizione a problemi rilevanti senza eliminare la responsabilità di comprenderli.
Una pipeline troppo corta aumenta la dipendenza dal mercato dei senior
La riduzione strutturale dell’ingresso produce inoltre una conseguenza economica esterna all’organizzazione.
Se molte aziende adottano contemporaneamente un modello che privilegia l’acquisto di professionalità già mature rispetto alla formazione interna, la domanda di profili mid e senior aumenta mentre l’offerta futura cresce più lentamente.
Nel breve periodo, ogni singola azienda può considerare efficiente assumere un Senior Developer invece di formare più junior. A livello di mercato, tuttavia, non tutte le aziende possono adottare la stessa strategia indefinitamente, perché i senior disponibili devono necessariamente provenire da percorsi professionali precedenti.
Si crea quindi una forma di dipendenza collettiva da una pipeline che nessuno vuole sostenere individualmente.
Per le società di consulenza informatica il tema è particolarmente rilevante, perché la disponibilità di competenze rappresenta direttamente capacità di delivery. Una riduzione del bacino di professionalità intermedie non produce soltanto maggiore pressione sul recruiting, ma può tradursi in aumento dei costi, tempi più lunghi di staffing, maggiore concentrazione di competenze critiche su poche persone e minore capacità di scalare rapidamente nuovi progetti. La workforce strategy diventa quindi parte integrante della delivery strategy.
Misurare la pipeline con la stessa attenzione riservata alla capacità tecnica
In un contesto di questo tipo, il tradizionale headcount per livello di seniority offre soltanto una fotografia parziale.
Per comprendere la sostenibilità della pipeline diventa più utile osservare il flusso tra livelli di competenza, il tempo medio necessario per raggiungere l’autonomia su determinate capability, il numero di persone in grado di svolgere attività critiche senza supervisione, la concentrazione delle competenze su singoli professionisti e la capacità dei team di trasferire conoscenza.
Anche l’utilizzo dell’AI dovrebbe essere analizzato insieme a queste variabili.
Se aumenta la produttività immediata ma diminuisce l’esposizione dei junior a task significativi, il beneficio deve essere valutato insieme all’effetto sulla skill formation. Se, al contrario, l’automazione libera tempo da attività ripetitive e consente una maggiore esposizione a debugging, design, analisi e decisioni, la tecnologia può accelerare la crescita professionale invece di ostacolarla.
La differenza non dipende dal modello utilizzato, ma dal design organizzativo.
Il problema non è proteggere i junior dall’AI, ma riprogettare il percorso verso la seniority
I dati disponibili non supportano una conclusione semplice secondo cui l’intelligenza artificiale eliminerà i professionisti junior nel settore IT. Il quadro che emerge è più complesso.
Da una parte, l’hiring entry level nel mercato tecnologico statunitense ha subito una contrazione molto significativa e le prime evidenze empiriche mostrano un impatto occupazionale più marcato sui giovani nelle professioni maggiormente esposte all’AI. Dall’altra, la domanda di competenze ingegneristiche rimane relativamente resiliente e alcune categorie tecniche continuano a crescere, mentre una parte della riduzione dell’hiring è legata anche alla normalizzazione delle strutture aziendali dopo gli anni di espansione.
La trasformazione più rilevante sembra quindi riguardare il punto di ingresso nella professione e il contenuto stesso del lavoro entry level.
Nel momento in cui l’AI assume una parte delle attività attraverso cui tradizionalmente venivano costruite esperienza e autonomia, le organizzazioni devono individuare nuove modalità per produrre la stessa maturazione professionale senza conservare artificialmente processi inefficienti.
Per Tech Leader, Senior Developer e partner IT questo significa che l’AI non dovrebbe essere valutata soltanto attraverso metriche di produttività, riduzione del tempo di sviluppo o saving sull’headcount. Occorre considerare anche il suo effetto sul capability building, sulla distribuzione della conoscenza e sulla capacità dell’organizzazione di mantenere una pipeline sufficientemente ampia da alimentare i livelli di seniority futuri.
La tecnologia può rendere meno necessario affidare a una persona alcune attività semplici. Non rende meno necessario sviluppare persone capaci di assumere attività complesse.
La sfida consiste quindi nel progettare team nei quali l’automazione riduca il lavoro a basso valore senza eliminare le condizioni attraverso cui si costruiscono comprensione, judgment e responsabilità tecnica.
Fonti citate
- Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence. Stanford Digital Economy Lab.
- Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries, interest rates, and timing: More on the recent drivers of employment changes for young workers. Stanford Digital Economy Lab.
- Green, A. (2024). Artificial intelligence and the changing demand for skills in the labour market. OECD Artificial Intelligence Papers, No. 14. OECD Publishing.
- LinkedIn Economic Graph. (2025). Work Change Report: AI is coming to work. LinkedIn.
- Organisation for Economic Co-operation and Development. (2026). AI and skills: What we know so far. OECD Publishing.
- SignalFire. (2025). The SignalFire State of Tech Talent Report 2025. SignalFire.
- SignalFire. (2026). State of Talent Report 2026: Flatter, leaner, more technical: The new shape of tech companies in 2026. SignalFire.
- World Economic Forum. (2025). The Future of Jobs Report 2025. World Economic Forum.
- World Economic Forum. (2026). Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways. World Economic Forum.
Autore: Martina Pegoraro
