ingénieur intelligence artificielle et machine learning

Développement de systèmes basés sur les LLM — RAG, agents IA, fine-tuning, intégration dans des produits.

Secteurs — IA, Numérique

Employeurs — startups IA, GAFA, éditeurs logiciels

Pour commencer — AI engineer junior

Ensuite — lead AI engineer, head of AI

Développement de modèles de vision par ordinateur, perception robotique, véhicules autonomes.

Secteurs — Automobile, Défense, Robotique

Employeurs — Valeo, Stellantis, Thales, startups deeptech

Pour commencer — ingénieur computer vision

Ensuite — expert computer vision, research engineer

Optimisation de modèles IA pour déploiement sur systèmes embarqués — IoT, drones, robots.

Secteurs — Aéronautique, Défense, Industrie

Employeurs — Thales, Airbus, startups robotique, industrie 4.0

Pour commencer — ingénieur IA embarquée junior

Ensuite — expert edge AI, lead embedded AI

Alternance entre phases de recherche intense (sprints d'expérimentation, debugging de modèles jusqu'à ce que ça converge) et périodes de production plus routinières. Les deadlines projet peuvent générer des semaines denses, particulièrement en phase de mise en production ou avant une démo client. La veille technologique grignote souvent le temps personnel tant le domaine évolue vite.

Large autonomie sur les choix techniques et architecturaux, surtout dans les équipes matures : tu décides des frameworks, des hyperparamètres, de l'approche d'optimisation. Mais l'autonomie est encadrée par les objectifs métier définis par le product owner ou le client, et tu dois justifier tes choix face à des non-spécialistes. Dans les grosses structures, les pipelines et outils sont parfois imposés.

Collaborations quotidiennes avec les data engineers (pour les pipelines de données), les développeurs backend (pour l'intégration), parfois les UX/UI (pour l'interaction avec l'IA). Réunions régulières avec les product managers ou métiers pour traduire les besoins en problèmes d'apprentissage. Moins de contact direct avec l'utilisateur final, sauf en startup. Les équipes sont souvent internationales, l'anglais technique est omniprésent.

Principalement devant des écrans, en bureaux open-space ou en télétravail partiel/total selon la structure. Les grandes entreprises tech offrent des environnements ergonomiques, parfois ludiques. Les entraînements de modèles lourds se font sur des serveurs distants ou le cloud, rarement sur ta machine locale. Peu de déplacements sauf conférences ou missions client ponctuelles.

Concentration géographique forte : Île-de-France (notamment Paris, Saclay), Lyon, Toulouse, quelques pôles comme Grenoble, Rennes, Sophia-Antipolis. Le remote permet d'élargir, mais les hubs tech restent dominants. À l'international, mobilité très forte si tu le souhaites (États-Unis, Canada, UK, Allemagne, Suisse) avec des packages salariaux nettement supérieurs. Certains profils font des allers-retours entre recherche académique et industrie.

Stress modéré à élevé selon le contexte. La pression vient souvent de l'incertitude : un modèle qui ne converge pas, des résultats inexpliqués, des attentes irréalistes côté métier (le fantasme de l'IA magique). Les phases de mise en production peuvent être tendues (bugs, latence, coûts d'infrastructure). En revanche, peu de stress client direct ou de gestion d'urgence type incident, sauf en MLOps.

Plusieurs trajectoires : spécialisation technique (research scientist, expert NLP/computer vision), orientation architecture (ML architect, lead engineer), ou virage produit/management (head of AI, product lead). Certains bifurquent vers le conseil en stratégie IA ou le data science management. La recherche académique reste une option via un doctorat. Le marché valorise encore beaucoup l'expertise pointue, mais les profils qui savent industrialiser et dialoguer avec le métier deviennent clés.

Apprentissage permanent, presque vertigineux : nouveaux papiers de recherche chaque semaine, frameworks qui évoluent tous les trimestres, paradigmes qui se renouvellent (GPT, diffusion models, RL from human feedback…). Tu es sans cesse en train d'apprendre, d'expérimenter, de tester. Idéal pour les esprits curieux et autodidactes. Attention cependant : cette course peut épuiser ceux qui ont besoin de stabilité intellectuelle ou qui peinent à trier l'essentiel du gadget.

Belle marge sur le « comment » : tu choisis tes outils, tes méthodes, tu peux proposer des approches innovantes. Mais le « quoi » et le « pourquoi » sont généralement dictés par la direction produit ou le client. Dans les labs de recherche ou certaines startups, l'initiative est quasi totale. En revanche, dans les grands groupes ou en prestation, tu peux te retrouver à exécuter des pipelines standardisés avec peu de latitude créative.

Impact très variable selon le projet. Travailler sur des modèles de diagnostic médical, de détection de fraude ou d'accessibilité peut donner un fort sentiment d'utilité. Mais beaucoup de postes consistent à optimiser des systèmes de recommandation, de ciblage publicitaire ou de tarification dynamique, où l'impact social est discutable voire négatif selon tes valeurs. La question éthique (biais, surveillance, impact écologique des entraînements) devient incontournable et peut générer un inconfort moral.

Excellente stabilité : le métier est en forte tension, les salaires sont élevés dès l'entrée, et la demande continue de croître dans tous les secteurs (santé, finance, industrie, services). Les profils juniors trouvent facilement, les seniors sont chassés. Même en période de ralentissement économique, l'IA reste un axe d'investissement prioritaire. Les CDI sont la norme, les packages incluent souvent primes et stock-options dans les scale-ups.

Tension forte et persistante depuis plusieurs années, amplifiée par l'essor des LLM et de l'IA générative. Les entreprises peinent à recruter des profils combinant solidité mathématique, maîtrise pratique des frameworks récents et compréhension des enjeux métier. Les juniors sortant d'écoles d'ingénieurs ou de masters spécialisés sont courtisés, mais la sélection reste exigeante sur les compétences réelles (pas juste des certifications en ligne). Les profils expérimentés sont arrachés, y compris par les géants américains qui ouvrent des antennes en France.

Croissance soutenue, portée par la diffusion de l'IA dans tous les secteurs et l'industrialisation des cas d'usage (après des années d'expérimentation). Le métier se diversifie : de plus en plus de postes autour du MLOps, de l'IA responsable, du fine-tuning de modèles propriétaires. Attention toutefois à l'évolution des compétences attendues : la capacité à déployer, monitorer et expliquer devient aussi importante que celle de concevoir des modèles from scratch. Les outils no-code/low-code montent, mais ne remplacent pas l'expertise sur les cas complexes.