Come era prevedibile, negli ultimi anni le professioni legate all’Intelligenza Artificiale sono cresciute insieme alla diffusione di questa tecnologia. Secondo le stime di LinkedIn riportate da The Kobeissi Letter , dal 2023 negli Stati Uniti sono stati creati oltre 750.000 nuovi posti di lavoro collegati all’IA.
A guidare questa crescita sono i data annotator, con 282.000 posizioni, seguiti dai lavori nei data center, con 117.000, e dagli ingegneri dell’IA, con 105.000. Tre categorie che, da sole, arrivano a 504.000 nuovi posti.

Nel complesso, le posizioni legate all’IA presenti su LinkedIn registrano una retribuzione mediana di circa 180.000 dollari annui, contro gli 80.000 dell’insieme dei lavori sulla piattaforma.
Tra queste professioni, quella del data annotator racconta bene quanto lavoro umano ci sia ancora dietro l’intelligenza delle macchine. Potremmo definire questo ruolo una sorta di insegnante dell’IA: qualcuno che prepara esempi, corregge errori e fornisce indicazioni da cui il modello possa imparare.
La data annotation consiste nell’aggiungere ai dati etichette, descrizioni e informazioni che li rendano utili all’addestramento. Una fotografia diventa un esempio in cui sono identificati pedoni e automobili. Una registrazione viene accompagnata dalla trascrizione delle parole pronunciate. In un testo vengono indicati nomi, luoghi, intenzioni o emozioni.
Il lavoro va quindi oltre l’archiviazione e l’organizzazione: aggiunge il contesto e i riferimenti attraverso cui il modello impara a riconoscere qualcosa anche in esempi nuovi.
Con l’IA generativa, questo compito comprende anche la valutazione delle risposte. Un “annotatore” può confrontare due testi, indicare quale risponde meglio alla domanda, segnalare un errore o scrivere una versione corretta. Nei test sul codice , per esempio, i valutatori esaminano le soluzioni secondo criteri definiti e confrontano quelle prodotte da modelli diversi.
A volte bastano un’etichetta o un punteggio. Altre volte servono spiegazioni, correzioni e competenze specialistiche. Per riconoscere un ragionamento sbagliato bisogna conoscere l’argomento; per distinguere una risposta convincente da una corretta bisogna saper andare oltre la forma.
Mentre discutiamo di quali lavori l’IA potrà svolgere al posto nostro, cresce quindi il lavoro necessario a insegnarle come svolgerli. E la qualità di questo insegnamento conta. Perché ogni esempio selezionato, ogni errore corretto e ogni risposta premiata contribuisce a definire il comportamento della macchina.