Uno studio del MIT ha fatto notizia con un numero brutale: circa il 95% dei pilot di AI generativa nelle aziende non mostra alcun impatto misurabile sui conti. I ricercatori non hanno dato la colpa ai modelli. Hanno ricondotto la maggior parte dei fallimenti al divario tra una demo che impressiona un comitato direttivo e un sistema che deve sopravvivere al contatto con l’ERP vero di qualcuno, o con il suo database dei sinistri.
Quel divario adesso ha un nome e, sempre più spesso, un titolo di lavoro incaricato di chiuderlo. Il titolo è forward deployed engineer, di solito abbreviato in FDE. In parole semplici, un forward deployed engineer è un ingegnere software che si integra nel tuo team, costruisce sui tuoi sistemi reali invece che in un ambiente demo isolato, e resta finché un risultato di business specifico non è operativo. Stai comprando un risultato, non uno strumento o una presentazione, e l’ingegnere risponde di quel risultato finché non esiste.
Questa guida racconta da dove arriva il ruolo, perché OpenAI, Anthropic, AWS e Salesforce fanno ora a gara per costruire quella che era una specialità di nicchia di Palantir, cosa fa un FDE in una settimana tipo, e che aspetto ha il modello quando a comprarlo è un’azienda da 40 persone invece di un appaltatore della difesa.
Cosa significa davvero “forward deployed engineer”
La maggior parte del software si vende come prodotto. Compri una licenza, lo installi e adatti il tuo processo per farcelo stare. Un forward deployed engineer lavora al contrario: il software viene costruito, o pesantemente personalizzato, per adattarsi al tuo processo e ai tuoi dati, casi limite compresi, e l’ingegnere non ti consegna una specifica per poi sparire.
È questa la forma di quello che oggi si vende come servizio di ingegneria AI embedded. Invece di contrattare un deliverable, come un documento tecnico o un set di integrazioni API, contratti un risultato: pratiche di sinistro chiuse più in fretta, per dire, o un sistema di pianificazione che smette di assegnare due lavori alla stessa squadra. L’ingegnere viene misurato sul fatto che quel risultato arrivi davvero in produzione. Il documento di milestone firmato lungo il percorso è solo un checkpoint sulla strada.
Immagina la differenza nei termini contrattuali. Un contratto tipico con un fornitore software elenca deliverable come un’integrazione funzionante o una dashboard configurata, e il pagamento è legato a quei deliverable a prescindere dal fatto che qualcuno usi il risultato nel quotidiano. Un ingaggio FDE definisce invece un risultato, qualcosa come “il tempo medio di gestione dei sinistri scende da sei a due giorni” oppure “il backlog del supporto resta sotto i 50 ticket aperti”, e il lavoro dell’ingegnere non è finito finché quel numero non regge in condizioni reali.
Questo modello precede di parecchio l’ondata AI attuale. Palantir ci ha costruito sopra un’intera azienda vent’anni fa, quando nessuno lo chiamava deployment AI, né lo chiamava in alcun modo se non “il nostro modo di fare delivery”.
Da dove arriva il termine: Palantir, 2006
Shyam Sankar è entrato in Palantir nel 2006 come dipendente numero tredici ed è diventato il suo primo forward deployed engineer. Il ruolo è nato da un problema pratico: i clienti dell’intelligence avevano flussi di lavoro classificati, troppo specifici per qualsiasi prodotto di analytics standard, e quei flussi cambiavano di continuo. Al branding, allora, non pensava nessuno.
Così Palantir mandava gli ingegneri a sedersi dentro l’edificio del cliente, a scrivere codice sui dati reali del cliente e a correggere finché gli analisti non lo usavano per lavorare davvero. Palantir ha poi formalizzato tutto questo in una divisione dei ruoli che chiama Dev e Delta. Come scrive il blog di ingegneria dell’azienda, Dev e Delta guardano in direzioni opposte: puoi pensare al focus di un Dev come a una capacità al servizio di molti clienti, mentre il focus di un Delta sono molte capacità al servizio di un solo cliente. Un terzo ruolo, Echo, affianca i Delta come stratega del deployment: conosce il settore del cliente e traduce tra l’ingegneria e le persone che fanno il lavoro.
Fino al 2016 circa, Palantir impiegava più forward deployed engineer che product engineer. Quello che i team sul campo imparavano, una volta dopo l’altra, lavorando integrati in decine di deployment, prima o poi veniva generalizzato in quella che è diventata la piattaforma Foundry. Quel pattern, nel racconto di Nabeel Qureshi sui suoi otto anni in Palantir, è ciò che ha permesso all’azienda di registrare margini lordi dell’80% nel 2023, più vicini a una software company che a una società di servizi come Accenture, che viaggia intorno al 32%. Mandare ingegneri a lavorare dentro le aziende dei clienti costa. Industrializzare quello che imparano è ciò che rende il modello redditizio su larga scala.
Perché “FDE” è diventato di colpo un mestiere dell’AI
I grandi modelli linguistici sono addestrati su un’enorme quantità di testo e codice generico. I dati della tua azienda non stanno in quel training set, e nemmeno il modo in cui il tuo team lavora dentro i propri sistemi. Non ci staranno mai, di default. Far sì che un modello generalista svolga in modo affidabile un lavoro specifico, collegato a un ERP specifico o a un sistema di gestione sinistri specifico, con utenti veri e nessuno a supervisionare ogni output, è quello che spesso si chiama il problema dell’ultimo miglio nel deployment dell’AI.
Quell’ultimo miglio somiglia parecchio al classico lavoro da FDE. Qualcuno deve sedersi con il team che fa il lavoro oggi e imparare le eccezioni che non sono mai finite in nessuna documentazione, poi continuare a tarare i guardrail e i criteri di valutazione del sistema finché tutto non regge sotto volumi reali. Il modello è generalista. Il deployment non lo è mai: deve gestire le tue fatture e le tue regole di compliance, fin dentro le stranezze dello schema del tuo database legacy.
È la ragione strutturale per cui il termine è passato da specialità di Palantir a titolo di lavoro di tutto il settore in circa due anni. Il lavoro di integrazione non è sparito con l’arrivo dell’AI generalista. La capacità generale è diventata economica, e l’ultimo miglio è diventato la parte scarsa e preziosa del lavoro.
I soldi dietro la qualifica
I titoli di lavoro vanno e vengono. Quello che rende questo degno di attenzione è quanto capitale le più grandi aziende AI ci hanno messo dietro dall’inizio del 2025.
OpenAI ha formalizzato la sua funzione di forward deployed engineering a gennaio 2025, sotto Colin Jarvis. Nel giro di un anno il team è passato da due persone a una presenza in più città, con clienti come Morgan Stanley, Klarna e T-Mobile. A maggio 2026, OpenAI e Anthropic hanno lanciato entrambe joint venture costruite attorno alla stessa idea. La Deployment Company di OpenAI (DeployCo) è una società di servizi a maggioranza OpenAI, capitalizzata nell’ordine di svariati miliardi di dollari, e ha acquisito la società di consulenza Tomoro per partire dal primo giorno con circa 150 forward deployed engineer e specialisti di deployment già esperti. La venture di servizi AI enterprise di Anthropic, sostenuta da Blackstone, Hellman & Friedman e Goldman Sachs con circa 1,5 miliardi di dollari, punta esplicitamente alle medie imprese, non solo alle grandissime.
La stessa scommessa si vede fuori dai laboratori di frontiera. AWS ha stanziato 1 miliardo di dollari per un programma di forward deployed engineering esteso alla sua rete di partner, e i partner tengono quello che costruiscono lungo il percorso: asset di delivery riutilizzabili, framework di valutazione, tooling. Salesforce si è impegnata a mettere in campo 1.000 FDE Agentforce. Su Indeed, gli annunci per ruoli da forward deployed engineer sono passati da 643 nell’aprile 2025 a oltre 5.300 nell’aprile 2026, un salto del 729% in un solo anno.
Niente di tutto questo prova che integrare un ingegnere garantisca un ritorno a ogni azienda. Mostra però dove stanno mettendo i soldi le aziende con la migliore visibilità sul perché i progetti AI riescono o si arenano: sulla capacità di deployment prima che sulla potenza pura dei modelli, che a metà 2026 è economica e continua a costare meno presso ogni grande fornitore.
Cosa fa davvero un FDE, giorno per giorno
Il lavoro somiglia meno all’architettura software tradizionale e più al lavoro sul campo con un laptop. Alcune cose tornano in quasi ogni ingaggio FDE:
- Sviluppo eval-first. Prima di costruire la soluzione, o in parallelo, l’ingegnere scrive una suite di test specifica per questo compito e per i dati di questa azienda, così una modifica che rompe qualcosa in silenzio viene intercettata internamente prima che un cliente la veda.
- Context engineering. Dare in pasto al modello i documenti veri della tua azienda, gli schemi dati, la terminologia e i casi limite, invece di affidarsi a un prompt generico che per caso funziona in demo.
- Integrazione nei sistemi legacy. Collegarsi all’ERP on-premise, al tool di ticketing senza API moderna o allo schema di database che nessuno documenta per bene da dieci anni, perché è lì che vive il flusso di lavoro.
- Sedersi con le persone che fanno il lavoro. Di persona o in video, guardando come chi liquida i sinistri o pianifica i turni gestisce oggi le eccezioni, perché quei workaround sono i requisiti che nessuno ha mai messo per iscritto.
- Iterare su un risultato vivo. Rilasciare in fretta una versione funzionante, guardarla girare su volumi reali e correggere, invece di passare mesi su una specifica prima che qualcosa tocchi la produzione.
Il bilanciamento dello sforzo è diverso da gran parte dello sviluppo software. Meno tempo va nell’architettare un sistema pulito e riutilizzabile, più tempo nel capire perché il modello sbaglia proprio il formato di fattura che i clienti di questo specifico cliente si ostinano a mandare.
Che differenza c’è con un consulente, un solutions engineer o un freelancer
La versione breve: un consulente è pagato per un consiglio, un solutions engineer per chiudere una vendita, un freelancer a ore su una specifica fissa, e un forward deployed engineer per raggiungere un risultato funzionante dentro i tuoi sistemi, e resta finché non succede.
| Ruolo | Pagato per | Dove lavora | Risponde del risultato |
|---|---|---|---|
| Forward deployed engineer | Un risultato funzionante nei tuoi sistemi | Integrato nel tuo team operativo | Sì, resta finché non va live |
| Consulente | Consigli, strategia, una raccomandazione | Dal cliente a intervalli, workshop | Consegna un report |
| Solutions engineer | Chiudere la vendita del prodotto del vendor | Pre-vendita, se ne va dopo la firma | Passa al prossimo prospect |
| Freelancer | Ore o un compito definito | Da remoto, a task | Solo per il task concordato |
C’è più sfumatura in questo confronto di quanta ne stia in una sezione, compreso quando ciascuna opzione è la scelta più economica o più adatta a un dato problema. L’analisi completa sta in Ingegnere AI embedded vs freelancer vs agenzia.
Cosa significa se non hai le dimensioni di Palantir
Un forward deployed engineer senior costa tra i 220.000 e i 400.000 dollari l’anno di costo pieno sul mercato USA, con stipendi mediani pubblicati per il ruolo più vicini ai 174.000 dollari. Il tutto prima di qualsiasi margine che una società di servizi aggiunge sopra, se compri la capacità invece di assumerla direttamente. Per la maggior parte delle medie imprese in Europa o negli Stati Uniti, assumere un FDE interno a tempo pieno non è realistico, e probabilmente non dovrebbe nemmeno essere l’obiettivo.
Quello che è realistico è lo stesso modello di fondo, in scala ridotta: qualcuno si integra nel tuo team per un periodo definito, impara i tuoi sistemi e rilascia software funzionante contro un risultato specifico, senza richiedere un budget da Palantir o un contratto enterprise pluriennale. Oggi di solito si vende come ingaggio di ingegnere AI embedded, circoscritto a un flusso di lavoro o a un reparto invece che a un’intera azienda. Il programma partner di AWS, che lascia alle società di consulenza gli asset di delivery riutilizzabili costruiti durante un ingaggio, è un segnale che questo modello viene confezionato proprio per questa fascia di mercato, invece di restare dentro tre laboratori AI e una manciata di appaltatori della difesa.
Non è nemmeno la scelta giusta per ogni situazione. Se l’obiettivo è un singolo widget chatbot ben delimitato o un’automazione già disponibile a template, un freelancer o un’agenzia che lavora su specifica fissa saranno di solito più economici e più rapidi. L’embedding ripaga il suo costo quando il problema di integrazione è davvero ingarbugliato: sistemi senza API pulite, flussi di lavoro che vivono soprattutto nella testa di poche persone, più i casi limite che emergono solo quando arrivano i volumi reali. Qualsiasi vendor sa rendere impressionante una demo. Se l’embedding vale i soldi dipende da quanto si rivela ingarbugliato il tuo problema di integrazione, una volta che qualcuno va a guardare sotto la superficie.
Domande frequenti
Cosa fa un forward deployed engineer?
Un forward deployed engineer si integra nel team di un'azienda e scrive software sui sistemi, i dati e i flussi di lavoro di quell'azienda, finché un risultato specifico non funziona in modo affidabile. Nel quotidiano significa costruire test di valutazione per il compito esatto da svolgere e integrarsi con sistemi legacy privi di API pulite. Significa anche sedersi con le persone che fanno il lavoro per imparare le eccezioni che nessuna documentazione registra.
Cosa significa forward deployed engineer?
Il termine descrive un ingegnere "dispiegato in avanti", dentro l'ambiente del cliente, invece che nell'ufficio di un vendor a lavorare su un prodotto generico. Palantir ha coniato il ruolo nel 2006 per clienti dell'intelligence con flussi di lavoro troppo specifici e troppo sensibili per il software standard, e da allora il termine si è diffuso nel settore AI per descrivere lo stesso tipo di ingegneria integrata e orientata al risultato.
Cos'è un FDE nell'AI?
Nell'AI, FDE indica di solito un ingegnere che si integra in un'azienda per far funzionare in modo affidabile un modello generalista sul compito specifico di quell'azienda. Significa scrivere suite di valutazione e fare context engineering sui dati dell'azienda stessa, poi integrare il risultato nei sistemi esistenti. OpenAI ha formalizzato questa funzione a gennaio 2025 e a metà 2026 Anthropic, AWS e Salesforce avevano tutte costruito o annunciato funzioni simili.
In cosa un forward deployed engineer è diverso da un consulente?
Un consulente viene pagato in genere per un consiglio o un documento di strategia, e l'ingaggio di solito finisce alla consegna di quel documento. Un forward deployed engineer viene pagato per rilasciare codice funzionante dentro i sistemi del cliente e resta ingaggiato finché un risultato definito non è operativo, quindi i suoi incentivi stanno più vicini al risultato reale del cliente che a un report.
Una piccola o media impresa può ingaggiare un forward deployed engineer?
Sì, anche se raramente assumendone uno a tempo pieno ai circa 220.000-400.000 dollari l'anno di costo pieno di un FDE senior sul mercato USA. La maggior parte delle medie imprese compra invece una versione in scala ridotta dello stesso modello, spesso venduta come ingaggio di ingegnere AI embedded, circoscritto a un flusso di lavoro o a un reparto invece che a un'intera enterprise.