Il panorama degli esperti in intelligenza artificiale si è riorganizzato dall’esplosione dei modelli di fondazione. I profili che contano nel 2026 non sono più solo ricercatori che pubblicano nelle conferenze accademiche: osserviamo un nucleo ibrido dove si incrociano fondatori di startup, manutentori di infrastrutture open source e specialisti dell’etica algoritmica. Identificare chi seguire richiede di comprendere queste linee di frattura.
Modelli di fondazione e ingegneria LLM: i profili tecnici da monitorare
La padronanza delle architetture dei modelli di linguaggio distingue oggi gli esperti che fanno avanzare il campo da quelli che lo commentano. In Europa, tre nomi ricorrono sistematicamente nelle analisi strutturate del 2026: Arthur Mensch, Guillaume Lample e Timothée Lacroix, cofondatori di Mistral AI.
Il loro lavoro si concentra sull’ingegneria degli LLM, dalla preformazione al deployment in produzione. Questo trio incarna un’expertise rara che combina ricerca fondamentale (pubblicazioni sui meccanismi di attenzione, il mixture-of-experts) e scalabilità industriale.
Seguire questi profili permette di comprendere i veri compromessi tecnici: scelta di tokenizzazione, strategie di quantificazione, compromessi tra dimensione del modello e latenza di inferenza. Temi che la maggior parte delle liste per il grande pubblico non affronta, ma che determinano il valore operativo di un sistema IA in azienda. Per collocare queste figure in un panorama più ampio, una risorsa raccoglie i migliori esperti in intelligenza artificiale secondo diversi criteri di selezione.
Open source e piattaforme IA: l’influenza attraverso l’infrastruttura
L’infrastruttura open source modella maggiormente il settore rispetto alla ricerca chiusa. Thomas Wolf e Clément Delangue, rispettivamente CSO e CEO di Hugging Face, sono diventati riferimenti mondiali non per le loro pubblicazioni accademiche, ma per la piattaforma che mantengono.
Hugging Face ospita decine di migliaia di modelli, dataset e spazi di dimostrazione. Quando un praticante IA cerca un modello pre-addestrato o un pipeline di fine-tuning, passa quasi sistematicamente attraverso questa infrastruttura. Wolf e Delangue orientano de facto le pratiche di sviluppo di tutta la comunità.
Consigliamo di seguire le loro posizioni sulla governance dei modelli aperti, un tema che oppone sostenitori dell’accesso libero e regolatori europei. La loro lettura è complementare a quella dei fondatori di Mistral AI: i primi costruiscono lo strato di distribuzione, i secondi lo strato di modello.
Criteri per valutare un esperto open source
- Contributi diretti al codice o alla documentazione di progetti ad alta adozione (commits verificabili, non solo conferenze)
- Posizionamento chiaro sulle licenze dei modelli (Apache 2.0, RAIL, copyleft) e le loro implicazioni per le aziende
- Capacità di spiegare i limiti tecnici degli strumenti che promuovono, non solo i loro punti di forza
IA per la scienza e apprendimento automatico applicato: un angolo sottovalutato
Le liste di esperti si concentrano sull’IA generativa per il grande pubblico. Osserviamo che i progressi più significativi provengono spesso dall’IA applicata alle scienze. Max Welling (CuspAI) lavora sull’IA per la scoperta di nuovi materiali. Christopher Bishop dirige il programma AI4Science presso Microsoft.
Questi profili interessano direttamente i professionisti che implementano sistemi di dati nell’industria, nella farmacia o nell’energia. La loro expertise in apprendimento automatico supera il contesto del trattamento del linguaggio naturale per coprire modelli generativi applicati alla simulazione molecolare o all’ottimizzazione di processi industriali.
Jürgen Schmidhuber, spesso citato per i suoi lavori storici sulle reti neurali ricorrenti (LSTM), rimane una voce tecnica di riferimento. Il suo contributo non si misura in follower sui social media, ma in citazioni accademiche e brevetti che strutturano ancora le architetture attuali.
Esperti IA francofoni: formazione e divulgazione professionale
Il mercato francese ha le sue figure, orientate verso la formazione delle competenze IA e l’integrazione in azienda. Alexandre Kantjas (9x) propone un’expertise avanzata sul deployment strategico dei modelli, con un’ottica operativa destinata ai decisori tecnici.
Julien Simon produce contenuti didattici strutturati sul machine learning e i modelli di linguaggio, accessibili su YouTube. La sua particolarità: scompone i concetti di apprendimento profondo senza sacrificare la rigore tecnica, il che lo rende una risorsa utile per i team data che stanno sviluppando competenze.
Ciò che distingue un esperto azionabile da un commentatore
- Produzione regolare di contenuti tecnici verificabili (tutorial, notebook, benchmark riproducibili)
- Esperienza documentata di deployment di progetti IA in produzione, non solo di prototipazione
- Capacità di contestualizzare gli strumenti rispetto alle esigenze aziendali (costo di inferenza, conformità RGPD, manutenzione dei modelli)
- Trasparenza sugli insuccessi e sui limiti incontrati durante progetti reali
Questa griglia permette di filtrare i profili che apportano una reale expertise da quelli che rilasciano annunci di prodotto senza un’analisi critica.
Etica e regolamentazione dell’IA: voci da non ignorare
L’ONU ha lanciato nel 2026 un panel scientifico dedicato all’IA, segno che la regolamentazione struttura ora il dibattito tanto quanto la tecnica. Gli esperti in etica algoritmica non sono più relegati ai margini del settore.
Seguire i lavori di questo panel e dei ricercatori che vi contribuiscono offre accesso a una lettura complementare delle questioni: pregiudizi nei dati di addestramento, impatto ambientale delle infrastrutture di calcolo, questioni di sovranità sui modelli di fondazione. Per le aziende che implementano sistemi IA su larga scala, queste dimensioni condizionano direttamente la fattibilità normativa dei loro progetti.
Gli esperti più pertinenti da seguire nel 2026 condividono un tratto comune: producono artefatti verificabili (codice, modelli, rapporti tecnici) piuttosto che opinioni. Costruire la propria vigilanza attorno a questa distinzione rimane il filtro più affidabile per sviluppare una cultura IA solida e operativa.