body,
for the services-led growth definition, ordered/unordered lists for the "three objections". Drop-cap on the first paragraph. ============================================================ */ window.BlogBody_FDE_IT = function BlogBody_FDE_IT() { return (); }; /* ============================================================ Article body — English translation Mirrors the IT version in semantic structure (h2, p, blockquote, strong/em). Terminology preserved 1:1 where it carries meaning (Forward Deployed Engineer, services-led growth, RAG, etc.). Tone: thoughtful essay, not corporate fluff. ============================================================ */ window.BlogBody_FDE_EN = function BlogBody_FDE_EN() { return (Cominciamo da un numero che pochi, in Italia, hanno notato. Tra gennaio e settembre del 2025 le offerte di lavoro per una figura professionale fino a ieri semisconosciuta sono cresciute dell'800%. Il dato è del Financial Times, ripreso da Indeed. Salesforce ha annunciato l'assunzione di mille persone in quel ruolo. OpenAI, Anthropic, Palantir, Databricks, Cohere, Ramp, Rippling, Intercom — tutti stanno costruendo team dedicati. A fine aprile EY ha aperto la prima practice formale del Regno Unito e dell'Irlanda. Le altre Big Four arriveranno entro l'anno.
Il nome del ruolo è Forward Deployed Engineer. In italiano si potrebbe tradurre con qualcosa come "ingegnere dispiegato sul campo", ma la traduzione perde quasi tutto. Il punto non è dove sta seduto. È cosa fa.
Il problema che il ruolo risolve
Per capire perché questa figura sta esplodendo proprio adesso, bisogna ammettere una cosa che la narrazione sull'AI tende a nascondere: i modelli, da soli, non servono praticamente a nulla.
Un Large Language Model è un'API. Una demo è una demo. Tra la demo che fa dire "wow" in sala riunioni e il sistema che opera tutti i giorni dentro una banca, un ospedale, un'azienda manifatturiera, c'è una distanza enorme. Quella distanza è fatta di dati frammentati su sistemi che non si parlano, di pipeline che vanno costruite da zero, di politiche di sicurezza da rispettare, di workflow che esistono perché qualcuno, vent'anni fa, ha deciso che si facesse così. È fatta di RAG (la tecnica che permette agli agenti AI di consultare i documenti aziendali) che funzionano in laboratorio e degradano in produzione quando l'azienda aggiunge nuovi contenuti. È fatta di prompt che vanno tarati sul lessico interno. È fatta, soprattutto, di persone — quelle che useranno davvero lo strumento — che hanno bisogno di vedere risolto il loro problema, non un problema generico.
Per decenni questa distanza è stata coperta da tre attori distinti: il vendor che vendeva la licenza, il consulente o l'integratore che faceva l'implementazione, il cliente che adottava. Funzionava male già prima dell'AI. Con l'AI non funziona proprio più. I tempi sono troppo stretti, le tecnologie cambiano troppo in fretta, e i requisiti del cliente diventano chiari solo costruendo.
Il Forward Deployed Engineer è la risposta a questo collasso. È un ingegnere del software vero, che scrive codice di produzione, ma che invece di vivere nell'ufficio della propria azienda viene trasferito — fisicamente, organizzativamente, mentalmente — dentro l'azienda cliente. Capisce il problema parlando con chi lo vive. Costruisce. Mette in produzione. Quando se ne va, lascia un sistema che funziona e una squadra interna capace di mantenerlo.
Da dove deriva il nuovo ruolo?
Il ruolo non è nuovo. Esiste da quindici anni. L'ha inventato Palantir, la società di software per l'analisi dei dati fondata nel 2003 da Peter Thiel, e per molto tempo è rimasto un loro tratto distintivo. Lì, gli ingegneri dispiegati sul campo venivano chiamati "Delta". Fino al 2016, in Palantir, i Delta erano più numerosi dei software engineer tradizionali. Lavoravano con agenzie governative, ospedali, banche, aziende del manifatturiero — chiunque avesse dati complicati e un problema operativo serio.
La logica era semplice e geniale. Mandare dal cliente una persona con potere decisionale, capace di scrivere codice, libera dalla burocrazia della casa madre e con la mentalità "come faccio a far funzionare questa cosa" — non "quali sono i motivi per cui non funzionerà". Il risultato erano deployment in settimane invece che in mesi, e contratti che difficilmente venivano disdetti, perché il cliente vedeva valore vero da subito.
Il modello, fino al 2023, era una "stranezza" di un'azienda stranissima. Nel 2024 le grandi aziende dell'AI hanno cominciato a copiarlo. Nel 2025 è diventato standard. Nel 2026 è diventato un boom.
La vera ragione del boom: services-led growth
C'è una formula coniata da Andreessen Horowitz — il fondo di venture capital che ha finanziato mezza Silicon Valley — che vale la pena conoscere: services-led growth. Crescita guidata dai servizi.
È il rovesciamento di un dogma. Per vent'anni le software house si sono date come stella polare il product-led growth: costruisci un prodotto così buono che il cliente lo adotta da solo, in self-service, senza bisogno di accompagnamento. Funziona magnificamente per Slack, per Notion, per le PMI. Non funziona per l'AI enterprise.L'AI enterprise richiede customizzazione profonda, integrazione con sistemi esistenti, fiducia, controllo. Vendere una licenza e lasciare il cliente solo è la ricetta perfetta per non vendere mai più. Le aziende che oggi stanno vincendo nell'AI hanno capito che il servizio non è un costo accessorio: è il prodotto stesso, almeno nei primi mesi. Si manda un ingegnere bravissimo, si costruisce la soluzione insieme al cliente, si impara da quel deployment cosa serve davvero al mercato, e quel sapere torna nel prodotto.
È un loop strettissimo tra campo e roadmap. È la differenza tra fare prodotto guardando un Gantt chart e fare prodotto guardando un cliente in faccia.
Chi è davvero un FDE?
Nei posting di lavoro la confusione è notevole. Solutions Architect, Sales Engineer, Technical Account Manager, Implementation Engineer, Customer Engineer — tante etichette per ruoli che si sovrappongono. La distinzione che conta è una sola, e nessun candidato esperto la sbaglia: a chi riporta?
Se riporta al sales, è un sales engineer con un nome alla moda. Lavora prevalentemente in fase di pre-vendita, fa demo, supporta la chiusura del contratto.
Se riporta al product engineering, allora è un vero FDE. Lavora dopo che il contratto è chiuso, scrive codice che va in produzione, e — fatto cruciale — il suo lavoro torna a influenzare il prodotto. Quello che impara nel cliente diventa, qualche settimana dopo, una funzionalità nuova o un fix che servirà a tutti.
Le competenze richieste sono quelle di un piccolo CTO. Programmazione di livello senior (Python e TypeScript sono i due linguaggi dominanti nel 2026), capacità di disegnare architetture end-to-end, esperienza con integrazione di sistemi legacy, fondamenti seri di machine learning, e — questa è la parte che taglia fuori il novanta per cento dei candidati — competenze di comunicazione paragonabili a quelle di un consulente strategico. Bisogna saper parlare con un direttore operations che non capisce il gergo tecnico e capire cosa vuole davvero, non cosa sta chiedendo. Sono due cose diverse.
Negli Stati Uniti, un FDE senior costa tra i 215.000 e i 310.000 dollari di base annua. Nei frontier lab — i laboratori che fanno modelli di frontiera, come Anthropic e OpenAI — la retribuzione totale supera regolarmente i 500.000 dollari.
Un spunto su cui riflettere
Sarebbe disonesto raccontare solo le luci. Consideriamo 3 obiezioni ed affermazioni che qualcuno potrebbe avanzare:
La prima: questo non è davvero un ruolo nuovo, ma un rebrand. Ingegneri pre-sales, solutions architect, implementation specialist esistono da decenni. Vero. Quello che cambia, però, e cambia in modo sostanziale, è il fatto che l'FDE contribuisce al prodotto. Non è un consulente che esegue una specifica; è un ingegnere che, attraverso il cliente, costruisce il prodotto. Questa è una mutazione genetica, non un rebrand.
La seconda: è un'ammissione di sconfitta del paradigma product-led. Anche questa è vera. Se l'AI fosse davvero self-serve non servirebbero squadre di ingegneri ad alto costo per farla funzionare. Il fatto che servano è il segnale che la tecnologia, per quanto potente, è ancora immatura. Servirà sempre meno qualcuno che la accompagni? Probabilmente sì. Ma in questa finestra — che durerà almeno cinque anni — chi controlla il deployment controlla il valore.
La terza: rischio burnout. Vivere a metà tra ingegneria, consulenza, account management è duro. I viaggi sono molti, le scadenze tirate, la pressione dei clienti enterprise sostanziale. Le aziende serie costruiscono rotazioni tra campo e prodotto. Quelle meno serie bruciano le loro persone.
Perché tutto questo riguarda l'Italia, adesso
Veniamo al punto che, per noi di Tecnolife, conta davvero.
L'Italia ha un tessuto produttivo che è il sogno di qualsiasi praticante FDE serio. Piccole e medie imprese con dati ricchissimi accumulati in decenni, sistemi gestionali stratificati, processi consolidati che funzionano e meritano di essere potenziati senza essere stravolti. È esattamente il tipo di contesto dove i modelli generici non bastano e i grandi system integrator arrivano con stack rigidi che ricordano più una gabbia che una soluzione.
In questo scenario, il modello consulenziale classico — chi vende slide e poi sparisce — non risolve nulla. Il modello dell'integratore globale, con la sua piramide di body rental, costa troppo e capisce poco del contesto locale. Il modello del fornitore che vende la licenza e ti augura buona fortuna semplicemente non funziona quando si parla di AI.
Il modello FDE, invece, calza. Un ingegnere capace, dentro l'azienda, che capisce, costruisce, mette in produzione e poi lascia un sistema sostenibile. È il modo in cui l'AI entrerà davvero nelle aziende italiane nei prossimi tre anni. Non con i convegni, non con i POC eterni, non con le piattaforme generaliste comprate a peso.
Noi di Tecnolife abbiamo costruito la nostra pratica intorno a questa filosofia da prima che fosse un boom. Non perché avessimo letto un report di a16z, ma perché lavorando con i clienti italiani — manifatturiero, servizi, real estate, scuole, sanità — non c'era altro modo che funzionasse davvero. Le aziende che ci scelgono non comprano da noi una licenza o un PowerPoint. Comprano un team di ingegneri che entra, capisce, costruisce, e quando se ne va lascia qualcosa che continua a creare valore senza di noi.
È un modello più impegnativo da vendere — non si vende il sogno, si vende il lavoro — ma è l'unico che oggi consegna risultati.
Il prossimo decennio dell'AI italiana si giocherà su questo crinale. Chi ha capito cambierà la propria azienda. Chi non ha capito comprerà l'ennesima piattaforma.
); };Let's start with a number that few people in Italy have noticed. Between January and September 2025, job postings for a role that was almost unknown until yesterday grew by 800%. The figure comes from the Financial Times, citing Indeed. Salesforce announced the hire of a thousand people in that role. OpenAI, Anthropic, Palantir, Databricks, Cohere, Ramp, Rippling, Intercom — all are building dedicated teams. At the end of April, EY opened the first formal practice in the UK and Ireland. The other Big Four will follow within the year.
The name of the role is Forward Deployed Engineer. You could try to translate it as "engineer deployed to the field," but the translation loses almost everything. The point isn't where they sit. It's what they do.
The problem the role solves
To understand why this figure is exploding right now, you have to admit something the AI narrative tends to hide: models, by themselves, are essentially useless.
A Large Language Model is an API. A demo is a demo. Between the demo that makes the boardroom say "wow" and the system that runs every day inside a bank, a hospital, a manufacturing company, there is an enormous distance. That distance is made of data fragmented across systems that don't talk to each other, of pipelines that have to be built from scratch, of security policies that must be respected, of workflows that exist because someone, twenty years ago, decided this is how it would be done. It is made of RAG (the technique that lets AI agents query company documents) that works in the lab and degrades in production when the company adds new content. It is made of prompts that have to be tuned to the in-house vocabulary. It is made, above all, of people — the ones who will actually use the tool — who need their problem solved, not a generic problem.
For decades this distance was covered by three distinct actors: the vendor who sold the license, the consultant or integrator who handled implementation, the client who adopted the product. It worked badly even before AI. With AI it doesn't work at all anymore. Timeframes are too tight, technologies change too fast, and customer requirements become clear only by building.
The Forward Deployed Engineer is the answer to this collapse. They are a real software engineer, writing production code, but instead of living in their own company's office they get moved — physically, organisationally, mentally — inside the client company. They understand the problem by talking to whoever lives with it. They build. They ship to production. When they leave, they leave behind a working system and an internal team capable of maintaining it.
Where does the new role come from?
The role isn't new. It's been around for fifteen years. Palantir invented it — the data-analysis software company founded by Peter Thiel in 2003 — and for a long time it remained one of their distinctive traits. There, the engineers deployed in the field were called "Deltas." Until 2016, inside Palantir, Deltas outnumbered traditional software engineers. They worked with government agencies, hospitals, banks, manufacturing companies — anyone with complicated data and a serious operational problem.
The logic was simple and brilliant. Send to the client a person with decision-making power, capable of writing code, freed from the home company's bureaucracy and with a "how do I make this thing work" mindset — not "what are the reasons it won't work." The result was deployments in weeks instead of months, and contracts that rarely got cancelled, because the client saw real value immediately.
Until 2023, the model was a "quirk" of an extremely quirky company. In 2024 the big AI firms started copying it. In 2025 it became standard. In 2026 it became a boom.
The real reason for the boom: services-led growth
There is a phrase coined by Andreessen Horowitz — the venture capital fund that has financed half of Silicon Valley — that is worth knowing: services-led growth.
It is the inversion of a dogma. For twenty years software houses have held up product-led growth as their North Star: build a product so good that the customer adopts it on their own, self-serve, with no hand-holding required. It works beautifully for Slack, for Notion, for SMBs. It does not work for enterprise AI.Enterprise AI requires deep customisation, integration with existing systems, trust, control. Selling a license and leaving the customer alone is the perfect recipe for never selling again. The companies winning today in AI have understood that service isn't an accessory cost: it is the product itself, at least in the first months. You send in a brilliant engineer, you build the solution alongside the client, you learn from that deployment what the market actually needs, and that knowledge flows back into the product.
It's a tight loop between field and roadmap. It's the difference between building a product while staring at a Gantt chart and building a product while staring a customer in the face.
Who really is an FDE?
In job postings the confusion is significant. Solutions Architect, Sales Engineer, Technical Account Manager, Implementation Engineer, Customer Engineer — many labels for roles that overlap. The only distinction that matters, and no experienced candidate gets it wrong, is one: who do they report to?
If they report to sales, they're a sales engineer with a trendy name. They work mostly pre-sale, give demos, support the close.
If they report to product engineering, then they're a real FDE. They work after the contract is signed, write code that goes into production, and — crucially — their work flows back to influence the product. What they learn at the client becomes, a few weeks later, a new feature or a fix that will serve everyone.
The required skill set is that of a small CTO. Senior-level programming (Python and TypeScript are the two dominant languages in 2026), the ability to design end-to-end architectures, experience integrating legacy systems, serious machine-learning fundamentals, and — this is the part that filters out ninety percent of candidates — communication skills comparable to those of a strategy consultant. You need to be able to talk to an operations director who doesn't speak the technical jargon and understand what they really want, not what they're asking for. They are two different things.
In the United States, a senior FDE costs between $215,000 and $310,000 in annual base pay. At frontier labs — the labs building frontier models, like Anthropic and OpenAI — total compensation regularly exceeds $500,000.
A point worth considering
It would be dishonest to tell only the bright side. Let's consider three objections and claims someone might raise:
The first: this isn't really a new role, but a rebrand. Pre-sales engineers, solutions architects, implementation specialists have existed for decades. True. What changes, though, and changes substantially, is the fact that the FDE contributes to the product. They are not a consultant executing a spec; they are an engineer who, through the client, builds the product. This is a genetic mutation, not a rebrand.
The second: it's an admission of defeat of the product-led paradigm. This is also true. If AI were really self-serve, you wouldn't need expensive engineering teams to make it work. The fact that you do is the signal that the technology, however powerful, is still immature. Will you eventually need less hand-holding? Probably yes. But in this window — which will last at least five years — whoever controls deployment controls value.
The third: burnout risk. Living halfway between engineering, consulting and account management is hard. Travel is heavy, deadlines tight, the pressure from enterprise clients substantial. Serious companies build rotations between field and product. Less serious ones burn through their people.
Why all of this concerns Italy, right now
Let's get to the point that, for us at Tecnolife, matters most.
Italy has a productive fabric that is any serious FDE practitioner's dream. Small and mid-sized companies with extraordinarily rich data accumulated over decades, layered legacy management systems, established processes that work and deserve to be strengthened without being torn up. It is exactly the kind of context where generic models aren't enough and the big system integrators arrive with rigid stacks that look more like a cage than a solution.
In this scenario, the classic consulting model — selling slides and disappearing — solves nothing. The global-integrator model, with its body-rental pyramid, costs too much and understands too little of the local context. The supplier model that sells the license and wishes you good luck simply doesn't work when the subject is AI.
The FDE model, instead, fits. A capable engineer, inside the company, who understands, builds, ships to production, and then leaves behind a sustainable system. It is how AI will actually enter Italian companies over the next three years. Not through conferences, not through eternal POCs, not through generalist platforms bought by the kilo.
At Tecnolife we built our practice around this philosophy before it was a boom. Not because we'd read an a16z report, but because working with Italian clients — manufacturing, services, real estate, schools, healthcare — there was no other way that actually worked. The companies that choose us don't buy a license or a PowerPoint deck. They buy a team of engineers who walk in, understand, build, and when they leave they leave something behind that keeps creating value without us.
It's a harder model to sell — you don't sell the dream, you sell the work — but it's the only one delivering results today.
The next decade of Italian AI will play out on this ridge. Those who have understood will change their company. Those who haven't will buy yet another platform.