1.Evaluation — la valutazione strutturata
La skill più importante e più ignorata. Nel software nessuno manda in produzione codice senza test: il codice può fallire in decine di modi e i test li intercettano prima degli utenti. Con l'AI è peggio, perché gli LLM sono non-deterministici: lo stesso prompt può dare risposte leggermente diverse ogni volta, quindi i failure mode sono sottili, soggettivi e difficili da cogliere.
Eppure molti costruiscono feature AI senza un vero sistema di test e scoprono i problemi solo con controlli manuali. La structured evaluation sembra "noiosa" e viene saltata — ma le aziende che pagano $300K la mettono in piedi prima di costruire il prodotto e la mantengono prioritaria durante tutto lo sviluppo.
2.Context engineering
Anni fa bastava un buon system prompt per un chatbot single-turn. Oggi i prodotti sono sempre più agentic: un agente compie decine (a volte oltre cento) di passi autonomi prima di produrre un risultato. Ogni passo aggiunge tool definition, conversation history, retrieved chunks e memory in un context window finito — e il modello deve trovare ciò che serve senza "perdersi".
Se nel 2026 passi tutto il tempo a ottimizzare prompt "single-shot", stai trascurando una delle skill a più alto ROI: il context engineering.
Il context engineering è la disciplina di progettare l'intero sistema informativo attorno al modello: non solo l'istruzione iniziale, ma tutto ciò che il modello vede a ogni passo (system prompt, tool definition, risultati di tool precedenti, cronologia e altro). È spesso ciò che separa chi sa costruire sistemi di qualità in produzione dagli altri.
3.Costruire agenti che funzionano in produzione
È l'area con il divario più grande tra i progetti di portfolio e il mondo reale. Molti pensano a un "agente" come a un chatbot con un paio di tool, ma un vero agent system di produzione è un'altra cosa: gira at scale, gestisce risposte API malformate, network timeout, tool call che falliscono, spesso in interazioni con clienti ad alto rischio.
Le skill richieste somigliano alla distributed systems engineering: retries, graceful degradation — la "noiosa" parte di produzione di sempre, applicata però a un sistema in cui uno dei componenti è non-deterministico. Serve far gestire all'agente traffico reale, settimana dopo settimana, senza "andare fuori controllo".
4.LLM Ops
Esiste un intero operational layer per far girare i sistemi AI senza intoppi: deployment, monitoring, latency tracking, cost optimization, caching e fallback handling (per tenere vivo il prodotto quando il provider del modello ha un'outage, cosa che capita spesso). Più domande chiave: come scegliere il modello giusto per ogni parte del sistema, come prevedere i costi, come impostare un monitoraggio che intercetti i problemi prima degli utenti.
L'LLM Ops è come l'MLOps ma per i sistemi AI: è la differenza tra un AI project e un AI product. È una skill quasi inesistente fino a pochi anni fa (non c'erano corsi perché nessuno aveva fatto girare LLM in produzione abbastanza a lungo) e gli ingegneri capaci sono ancora così rari che le aziende pagano un vero premio per assumerli.
5.Adaptability — l'adattabilità
La skill più difficile da studiare, perché il ritmo di cambiamento dell'AI engineering è "brutale": i tool che impari diventano obsoleti in pochi mesi e le capacità dei modelli cambiano di continuo. L'autrice dice che metà di ciò che fa ogni giorno l'ha imparato nelle ultime settimane/mesi, perché prima quei tool non esistevano. Non puoi quindi "studiare una volta" con un corso unico: devi imparare e adottare cose nuove in continuazione, in un ambiente di incertezza e a volte caos.
La parte difficile, onestamente, è fare pace con il fatto che non sarai mai "arrivato". Chi prospererà nel 2026 e oltre non solo regge il cambiamento, ma trova la sfida motivante e persino divertente.
Nota: dove studiare (segmento sponsor)
Gran parte delle risorse oggi è "prompt engineering 101" oppure deep dive su research paper, con poco in mezzo su ciò che fanno davvero gli AI engineer in produzione. L'autrice cita (in partnership) la track "Associate AI Engineer for Developers" di DataCamp: 26 ore interattive su 9 corsi core più alcuni progetti brevi, aggiornata a maggio 2026. Si costruiscono chatbot e semantic search engine usando model API, Hugging Face, LangChain e Pinecone per i vector embeddings, con copertura dell'operational layer (skill #4). C'è anche una certificazione (due esami teorici a tempo + una prova pratica end-to-end) e un IDE nel browser con AI helper. Link nella descrizione del video.
Per approfondire, l'autrice rimanda al suo video dedicato al context engineering.