Douze métiers, des besoins distincts : le marché de l’IA cherche des spécialistes capables de relier modèles, données et usages. Du Data Engineer au Chief AI Officer, le bon profil dépend d’abord du problème à résoudre.
En bref : les repères du recrutement IA
-
Le besoin guide le recrutement : une entreprise doit définir son objectif avant de choisir un intitulé de poste.
-
Les profils couvrent toute la chaîne : données, modèles, logiciels, déploiement, gouvernance et stratégie.
-
La GenAI modifie les priorités : les entreprises cherchent des ingénieurs capables de bâtir des produits autour des modèles existants.
-
Le savoir-faire ne suffit pas : les résultats obtenus, la maîtrise des coûts et la compréhension métier comptent aussi.
Le marché français gagne en ampleur. France Digitale recense 1 114 start-up françaises liées à l’IA en 2026, contre 781 un an plus tôt. Ces entreprises représentent plus de 45 000 emplois, soit une hausse de 25 %. Parmi elles, 94 % prévoient de recruter dans les douze prochains mois.
Pourquoi le Recrutement IA s’accélère-t-il ?
L’IA sort des laboratoires : les entreprises cherchent désormais des résultats concrets, au-delà des prototypes. Une banque peut créer un assistant interne, tandis qu’un industriel cherche à anticiper les pannes de ses machines. Un éditeur de logiciels peut intégrer un agent conversationnel à son produit. Ces besoins réclament des métiers différents, même lorsque tous relèvent de l’Intelligence artificielle.
Le plan national Osez l’IA fixe des objectifs d’adoption pour 2030 : toutes les grandes entreprises, 80 % des PME et ETI, puis 50 % des TPE. Selon l’Apec, 53 % des grandes entreprises comptent accorder plus de poids aux compétences en IA lors de futurs recrutements de cadres. L’usage des outils d’IA progresse aussi chez les cadres.
La demande dépasse la tech : banque, assurance, santé, industrie, commerce et secteur public explorent des cas d’usage. Une équipe marketing peut chercher un AI Product Manager pour cadrer un assistant client. Une usine peut recruter un Data Scientist pour améliorer ses prévisions. Un établissement de santé peut confier à une équipe spécialisée l’analyse d’images médicales.
La diversité des employeurs rend les offres d’emploi difficiles à lire. Le même intitulé peut désigner des missions très différentes selon la taille de l’organisation, le niveau de maturité des données et les contraintes réglementaires. Les talents numériques doivent donc examiner les responsabilités réelles, les outils disponibles et la place du poste dans l’équipe.
Le projet dicte le métier : une entreprise qui utilise un modèle déjà disponible n’a pas automatiquement besoin d’un chercheur. Elle peut rechercher un ingénieur logiciel capable de créer une application fiable autour d’un LLM. Pour approfondir les parcours et débouchés, consultez ce panorama des carrières dans l’IA.
Quels profils construisent données et modèles ?
La donnée ouvre la chaîne : le Data Engineer conçoit les infrastructures et les flux qui rendent les données accessibles. Il travaille notamment avec Python, SQL, Spark, Kafka, Airflow ou des services cloud. Si les informations d’une entreprise sont dispersées, mal documentées ou peu fiables, ce poste peut précéder tout projet de modèle prédictif.
Le Data Scientist intervient lorsque l’entreprise doit analyser ses données et concevoir des modèles statistiques ou prédictifs. Il peut prévoir le départ de clients, repérer des fraudes ou optimiser des stocks. Python, R, SQL, Scikit-learn, TensorFlow et PyTorch figurent parmi les outils courants. La Data science convient lorsqu’un problème exige une analyse algorithmique réelle.
Le modèle doit vivre en production : c’est le terrain du Machine Learning Engineer. Ce professionnel transforme une expérimentation en service exploitable, avec des enjeux de performance, de déploiement, de suivi et de maintenance. Il peut s’appuyer sur Docker, Kubernetes, MLflow ou des plateformes cloud. Un modèle performant dans un notebook reste sans effet s’il ne rejoint jamais le travail quotidien.
Ces trois métiers se complètent, mais ne se remplacent pas. Prenons une enseigne qui souhaite prévoir la demande dans ses magasins. Le Data Engineer fiabilise les historiques de vente, le Data Scientist construit la prévision, puis le ML Engineer l’intègre aux outils des équipes. Ce partage évite de confier une seule personne à toutes les étapes.
Les preuves priment sur les mots-clés : une ligne « machine learning » sur un CV ne révèle ni l’échelle du projet ni son résultat. En entretien, il faut demander quels jeux de données ont servi, quelles métriques ont guidé le travail et quelle part le candidat a réalisée. Ces questions distinguent un tutoriel d’un service utilisé par des équipes.
Quels métiers créent des produits d’IA ?
L’AI Engineer assemble des applications : il exploite des modèles existants pour créer des copilotes, des outils de recherche ou des agents. Son terrain associe souvent Python ou TypeScript, APIs de LLM, embeddings, bases vectorielles, RAG et cloud. Il ne crée pas nécessairement un nouveau grand modèle ; son enjeu consiste plutôt à bâtir une application utile, sûre et maintenable.
Le MLOps ou LLMOps Engineer organise l’exploitation des modèles. Il suit les versions, la qualité des réponses, les coûts, la latence et les incidents. Une entreprise qui passe de deux essais internes à plusieurs applications utilisées par ses équipes doit suivre ces paramètres. Sans ce travail, les performances peuvent varier et les dépenses devenir difficiles à maîtriser.
L’architecture relie les composants : l’AI Architect choisit et organise les modèles, les données, l’hébergement, les API et les règles de sécurité. Il peut arbitrer entre cloud public et infrastructure privée, modèle généraliste ou solution spécialisée, RAG ou ajustement du modèle. Dans un grand groupe, ces choix touchent plusieurs services et doivent s’accorder avec le système informatique existant.
Le Forward Deployed Engineer, ou FDE, intervient au plus près des utilisateurs ou des clients. Il comprend le besoin, adapte la solution, code et accompagne sa mise en service. Un éditeur B2B peut, par exemple, lui confier l’installation d’un assistant documentaire chez un client aux règles de sécurité strictes. Le poste associe ingénierie logicielle, écoute et sens pratique.
La réussite se mesure à l’usage : un prototype impressionnant ne vaut pas un produit adopté. L’AI Product Manager définit le problème, l’expérience utilisateur et les critères d’évaluation. Il examine aussi les limites, les coûts et le niveau de fiabilité du modèle. Les enjeux de données et de marketing sont détaillés dans cet article sur l’IA, la data et le marketing.
Ces fonctions ne se limitent pas à un secteur. Un éditeur SaaS peut recruter un AI Engineer pour son produit, tandis qu’un cabinet de conseil cherche un FDE pour ses missions clients. Les offres d’emploi doivent donc préciser les livrables, les utilisateurs et le degré d’autonomie attendu, plutôt que d’accumuler des noms d’outils.
Le bon profil dépend du blocage : si le problème survient lors de l’adoption par le client, un FDE peut être plus pertinent qu’un chercheur. Si l’entreprise doit transformer une idée en produit, un AI Product Manager peut cadrer les usages avant le développement. Les conseils pour évaluer les compétences en entretien aident à relier les questions aux missions réelles.
Qui pilote stratégie, projets et gouvernance ?
Le Chef de Projet IA coordonne les acteurs : métiers, équipes Data, informatique, sécurité et fournisseurs. Il suit le calendrier, les budgets, les risques et les décisions. Dans une entreprise où plusieurs directions testent des outils différents, ce rôle apporte une méthode commune. Il ne doit pas forcément coder, mais il doit comprendre les étapes techniques et leurs contraintes.
Le responsable Responsible AI ou gouvernance IA encadre les risques, la documentation, la qualité des données et les usages acceptables. Ce travail prend du poids dans la banque, l’assurance, la santé et les services publics. Depuis août 2026, le règlement européen sur l’IA s’applique, avec des délais distincts pour certaines obligations. Les équipes doivent donc intégrer conformité et maîtrise des risques dans leurs projets.
La recherche vise d’autres objectifs : l’AI Research Scientist conçoit de nouvelles méthodes, architectures ou techniques d’entraînement. Les laboratoires, entreprises DeepTech et équipes de recherche recrutent ce profil pour leurs travaux avancés. Une entreprise qui veut intégrer un LLM existant n’a pas forcément besoin d’un chercheur. Elle doit d’abord préciser si elle veut créer une technologie ou l’utiliser.
Le Head of AI ou Chief AI Officer donne une direction aux initiatives de l’organisation. Il choisit les priorités, répartit les moyens, suit les résultats et organise les équipes. Ce poste prend son sens lorsque plusieurs projets existent déjà et qu’une stratégie commune devient nécessaire. Une direction peut alors comparer les gains métier, les coûts d’exploitation et les risques avant d’étendre un usage.
Les salaires varient fortement selon l’expérience, la spécialité, le secteur et la capacité à travailler en production. À Paris, les repères publiés par digiRocks situent les profils débutants ou confirmés autour de 45 à 90 k€ pour plusieurs métiers techniques. Les niveaux seniors dépassent parfois 100 k€. Pour un Head of AI, les grilles citées vont jusqu’à 250 k€ dans les niveaux de direction.
| Profil | Mission centrale | Besoin typique |
|---|---|---|
| Data Engineer | Infrastructure et flux de données | Données dispersées ou peu fiables |
| Data Scientist | Analyse et modèles prédictifs | Prévision, classement ou optimisation |
| Machine Learning Engineer | Mise en production des modèles | Modèle prêt à l’usage |
| AI / GenAI Engineer | Applications avec modèles existants | Assistant, RAG ou agent métier |
| MLOps / LLMOps Engineer | Suivi et exploitation des modèles | Plusieurs systèmes IA en service |
| AI Architect | Choix et organisation des composants | Projets nombreux ou complexes |
| Forward Deployed Engineer | Adaptation chez les utilisateurs | Déploiement client complexe |
| AI Product Manager | Usage, produit et critères de valeur | Nouvelle fonction IA à concevoir |
| AI Project Manager | Coordination des équipes et étapes | Projet transversal à piloter |
| Responsible AI / gouvernance | Risques, conformité et documentation | Cadre réglementaire exigeant |
| AI Research Scientist | Recherche sur les modèles | R&D ou technologie propriétaire |
| Head of AI / Chief AI Officer | Stratégie et priorités IA | Portefeuille de projets étendu |
Le salaire ne fait pas tout : les candidats évaluent aussi la qualité des données, les moyens de calcul, l’équipe et l’accès à des projets concrets. Les métiers menacés et ceux qui recrutent évoluent avec l’automatisation ; cette analyse sur les métiers face à l’IA donne des repères utiles.
Comment choisir parmi les profils recherchés ?
Partir du problème évite les erreurs : une organisation doit décrire le résultat attendu avant de publier une offre. Des données dispersées appellent souvent un Data Engineer. Un modèle prédictif réclame un Data Scientist. Un algorithme qui reste au stade expérimental demande plutôt un ML Engineer. Un produit construit autour d’un LLM fait davantage appel à un AI Engineer.
Une entreprise peut tester cette logique avec un exemple simple. Un assureur souhaite réduire le temps de traitement de ses dossiers. Il doit d’abord vérifier la qualité des documents et des données. Il peut ensuite décider si le besoin relève de l’extraction automatisée, d’un assistant interne ou d’un modèle de détection. Chaque choix mène vers des profils et des critères d’évaluation différents.
Les compétences doivent répondre au rôle : Python, SQL, PyTorch, TensorFlow, Hugging Face, RAG, bases vectorielles, Docker, Kubernetes et cloud apparaissent dans de nombreuses annonces. Pourtant, une liste d’outils ne prouve pas le niveau réel. Une question utile porte sur le projet : qu’a construit la personne, à quelle échelle, avec quelles contraintes et quel résultat mesurable ?
Les compétences métier comptent tout autant. Un candidat doit parfois expliquer le fonctionnement d’une solution à une équipe commerciale, repérer une donnée inadaptée ou signaler les limites d’un modèle. Dans le cas d’un FDE, la capacité à écouter un client et à traduire sa demande en fonctions techniques devient centrale. Pour un responsable, la priorité porte plutôt sur les choix, les risques et les résultats d’ensemble.
Une grille d’entretien clarifie le choix : elle peut mesurer la maîtrise technique, la compréhension du besoin, l’expérience en production et la capacité à communiquer. Les exercices doivent refléter les tâches réelles, sans demander un travail excessif ou gratuit. Il faut aussi annoncer le contexte, les critères de décision et les personnes qui participent à l’évaluation.
Les personnes qui souhaitent évoluer vers ces métiers peuvent rapprocher leurs acquis des missions visées. Une formation peut consolider Python, la data ou le cloud, mais elle ne remplace pas un projet démontrable. Les équipes de recrutement peuvent, elles, éviter les intitulés à la mode et détailler les livrables attendus. Des conseils pratiques sur les usages responsables de l’IA complètent cette réflexion.
Quels profils IA sont les plus demandés en 2026 ?
Les besoins concernent notamment les Data Engineers, Data Scientists, Machine Learning Engineers, AI Engineers, profils MLOps et Forward Deployed Engineers. Les entreprises recrutent aussi des responsables produit, gouvernance et stratégie selon leurs projets.
Quelle différence entre Data Scientist et AI Engineer ?
Le Data Scientist analyse des données et conçoit des modèles statistiques ou prédictifs. L’AI Engineer construit des applications à partir de modèles existants, par exemple un assistant ou un système RAG.
Quand une entreprise a-t-elle besoin d’un FDE ?
Le Forward Deployed Engineer convient lorsqu’une solution doit être adaptée et mise en service chez des clients ou des équipes utilisatrices. Il associe développement, compréhension du besoin et déploiement concret.
Quand recruter un Chief AI Officer ?
Ce poste prend son sens lorsque plusieurs projets IA existent et que l’entreprise doit établir une stratégie commune, fixer des priorités, organiser les équipes et mesurer les résultats.
