Il décide quelles capacités d’intelligence artificielle peuvent entrer dans un produit, comment les contraindre et à quel moment leur valeur justifie leur incertitude, leur coût et leur risque.
L’AI Engineer se situe à la frontière du développement logiciel, de la donnée et du produit. Il ne se contente pas de connecter une application à un modèle préexistant. Il conçoit le système qui entoure cette capacité : sélection et préparation du contexte, orchestration des appels, intégration aux processus métier, contrôles déterministes, gestion des échecs, traçabilité, évaluation et supervision en production.
Le poste se distingue de celui du Machine Learning Engineer. Là où ce dernier intervient principalement sur les données d’apprentissage et le cycle de vie des modèles, l’AI Engineer travaille souvent avec des modèles qu’il n’entraîne pas lui-même. Son enjeu est de transformer une capacité probabiliste, parfois fournie par un tiers, en un comportement applicatif suffisamment prévisible pour être utilisé par des clients ou d’autres systèmes.
Une réponse convaincante sur quelques exemples ne prouve ni la fiabilité du système ni sa capacité à fonctionner sur des données réelles. L’évaluation porte donc sur la capacité à borner l’incertitude, à organiser la vérification et à assumer les compromis entre qualité, latence, coût, autonomie du système et contrôle humain.
Repères marché
Le titre AI Engineer recouvre encore des périmètres très différents sur le marché français. Il peut désigner un développeur spécialisé dans les systèmes génératifs, un profil issu du backend, un Machine Learning Engineer orienté produit ou un ingénieur chargé d’intégrer des modèles fournis par des tiers. Cette variabilité rend les recrutements fondés sur une liste d’outils particulièrement fragiles.
La demande est soutenue, mais les profils capables de dépasser le prototype restent rares. Les écarts se concentrent moins sur la capacité à appeler un modèle que sur l’évaluation, l’intégration logicielle, l’observabilité, la sécurité des données et l’arbitrage avec le produit.
Contexte
En ESN, l’évaluation insiste sur la capacité à intervenir dans un environnement client contraint : données hétérogènes, systèmes hérités, exigences de sécurité variables, choix de fournisseurs déjà engagés et promesses contractuelles parfois antérieures au cadrage technique. L’AI Engineer doit expliciter ce qui est réellement garanti et préserver la réversibilité.
Niveau 1
Junior
Le Junior sait intégrer un modèle dans un flux applicatif délimité, préparer les entrées, exploiter une sortie structurée et appliquer les contrôles prévus par l’équipe. Il contribue à un dispositif existant et sait traiter les échecs les plus visibles. Face à un résultat plausible mais incorrect, il a encore besoin d’aide pour distinguer un défaut du modèle, du contexte ou de l’usage.
Cliquer pour lire
Niveau 2
Confirmé
Le Confirmé est autonome sur un cas d’usage courant. Il construit un protocole d’évaluation, compare plusieurs options d’architecture, organise les mécanismes d’abstention et prévoit des solutions de repli. Sa limite fréquente reste locale : il améliore le composant IA sans toujours mesurer l’effet sur le processus métier ou la dépendance créée envers un fournisseur.
Cliquer pour lire
Niveau 3
Sénior
Le Sénior raisonne sur le système complet. Il distingue ce qui peut rester probabiliste de ce qui doit être vérifié par une règle, une source de référence ou une intervention humaine. Il évalue séparément la qualité du contexte, de la génération, des actions déclenchées et de l’expérience utilisateur.
Cliquer pour lire
Niveau 4
Expert
L’Expert n’est pas celui qui maîtrise le plus grand nombre de modèles ou de techniques d’orchestration. C’est celui qui tranche un arbitrage structurant en assumant ce que sa décision fait perdre : réduire l’autonomie d’un agent pour préserver la maîtrise des actions, conserver une vérification humaine malgré un objectif d’automatisation, ou refuser un déploiement tant que la fiabilité n’est pas mesurable.
Cliquer pour lire
L’AI Engineer doit savoir définir ce qui constitue une sortie acceptable, construire une référence d’évaluation, mesurer les régressions et décider si un système peut être exposé à un usage réel.
La valeur se joue dans l’assemblage : contexte, modèle, outils, application, contrôles et interfaces. Ce poids vérifie que le candidat sait concevoir des frontières claires entre composants probabilistes et comportements déterministes.
Un système d’IA doit être observable, versionné, reproductible, réversible et exploitable malgré l’évolution de ses dépendances. La production n’est pas la dernière étape du prototype : elle change la conception elle-même.
Les entrées peuvent être non fiables, les données sensibles et les sorties utilisées au-delà de leur intention initiale. L’évaluation vérifie que la protection des données et la contestabilité sont intégrées au dispositif.
Un bon AI Engineer sait requalifier une demande et organiser l’usage réel. Un système techniquement convaincant mais ignoré, contourné ou utilisé sans contrôle ne produit pas de valeur durable.
La méthode en action
La scorecard en un regard — survoler un axe
Data et intelligence artificielle