Demandez à quelqu’un de citer un métier de l’intelligence artificielle et vous entendrez presque toujours la même réponse : data scientist. Ce métier existe, il recrute, mais il représente une fraction des postes réellement ouverts autour de l’IA aujourd’hui. Se focaliser sur ce seul titre ferme des portes à des profils qui auraient toutes leurs chances ailleurs.
Le prompt engineer, un métier qui n’existait pas il y a cinq ans
Ce rôle consiste à concevoir, tester et affiner les instructions données à des modèles de langage pour des cas d’usage précis en entreprise, du service client à la génération de contenu marketing. Il demande de la rigueur méthodologique, une bonne compréhension du produit visé, et une capacité à itérer vite sur des tests, bien plus qu’un bagage en mathématiques appliquées.
L’ingénieur MLOps, celui qui fait tourner les modèles en production
Un modèle qui fonctionne sur un ordinateur portable ne fonctionne pas automatiquement pour des milliers d’utilisateurs simultanés. L’ingénieur MLOps construit et maintient l’infrastructure qui permet à un modèle de tourner de façon fiable, rapide et surveillée en production. Ce métier ressemble davantage à de l’ingénierie logicielle classique qu’à de la recherche en IA, et attire des profils venus du développement backend.
Le spécialiste en évaluation et qualité des modèles
Avant de déployer un modèle, quelqu’un doit vérifier qu’il ne produit pas de résultats biaisés, dangereux ou simplement faux sur des cas limites. Ce travail d’audit demande une pensée critique aiguisée et une bonne connaissance du domaine d’application, que ce soit la santé, la finance ou le recrutement, plus qu’une expertise technique pointue en apprentissage automatique.
Le product manager IA
Faire le lien entre ce qu’un modèle peut techniquement accomplir et ce qu’un client a réellement besoin de résoudre demande un profil hybride, à l’aise autant avec les limites techniques des modèles qu’avec les besoins métier. Ce rôle recrute activement dans les entreprises qui intègrent de l’IA dans un produit existant sans repartir de zéro.
Le formateur et le vulgarisateur
Chaque entreprise qui adopte des outils d’IA a besoin de quelqu’un pour former ses équipes à les utiliser correctement, sans en avoir peur ni en abuser. Ce rôle grandit vite dans les organisations qui n’ont ni le temps ni l’intention de former un data scientist en interne, mais qui ont besoin que leurs équipes existantes montent en compétence.
Ce que ces métiers ont en commun
Aucun d’entre eux n’exige un doctorat en apprentissage automatique. Tous exigent une compréhension solide de ce qu’un modèle peut faire, de ce qu’il rate, et de comment vérifier ses résultats. Cette compréhension s’acquiert en pratiquant, pas uniquement en étudiant de la théorie.
Le marché de l’IA ne cherche pas seulement des chercheurs capables d’inventer de nouveaux modèles. Il cherche, en nombre bien plus grand, des personnes capables de faire fonctionner ces modèles dans un contexte réel, avec de vrais utilisateurs et de vraies contraintes. C’est un champ bien plus large que ce que le titre « data scientist » laisse imaginer.
