Quel premier profil IA recruter en 2026 : AI Engineer, ML Engineer ou chercheur ?

Une direction décide d'« investir dans l'IA ». Une offre « Head of AI » est publiée, un candidat brillant est recruté, et six mois plus tard chacun constate qu'il ne parlait pas du même métier. Le mot « IA » recouvre des métiers très différents, et la plupart des premiers recrutements se jouent avant même la première annonce.

La réponse courte : pour recruter un ingénieur IA, partez du problème, pas de l'intitulé. Si un modèle existant peut produire la sortie attendue, votre premier profil IA est le plus souvent un AI Engineer qui sait mettre en production et mesurer. Si le problème exige un modèle entraîné sur vos données, c'est un ML Engineer. Si aucune méthode connue ne le résout, c'est de la recherche : Research Engineer ou Research Scientist.

Ce qu'il faut retenir

• Le premier recrutement IA se décide sur un problème écrit en une phrase (un utilisateur, une tâche, une métrique), pas sur un intitulé à la mode.
• Intégrer un modèle existant, en entraîner un, mener de la recherche : trois régimes de travail, trois métiers à ne pas confondre.
• Dans une entreprise produit, le premier profil est le plus souvent un ingénieur qui livre ; un chercheur se justifie quand la valeur dépend d'un résultat qui n'existe pas encore.
• Ce qui sépare une démo d'un produit, c'est l'évaluation : un candidat qui a mis un système LLM en production parle de son jeu de cas de test sans hésiter.
• Sans expertise IA en interne, jugez le raisonnement plutôt que le vocabulaire, empruntez le jugement d'un évaluateur externe et écrivez les critères de réussite à 90 jours avant de signer.

Pourquoi tant de premiers recrutements IA déçoivent-ils ?

Parce que le marché range quatre réalités sous un seul mot. L'IA générative appliquée construit des fonctionnalités sur des modèles de fondation existants et entraîne rarement. Le machine learning entraîne des modèles sur vos données pour prédire, classer ou détecter. Le data engineering fiabilise les flux de données dont dépendent les deux premiers. La recherche produit une méthode qui n'existe pas encore.

La littérature de référence fait déjà la distinction : Chip Huyen a consacré deux livres distincts, l'un aux systèmes de machine learning (O'Reilly, 2022), l'autre aux applications bâties sur des modèles de fondation (AI Engineering, O'Reilly, 2025).

Les erreurs qui en découlent reviennent, selon la pratique des recruteurs spécialisés : publier un intitulé (« AI Engineer » attire à la fois des développeurs, des ingénieurs ML et des chercheurs), choisir le profil le plus prestigieux pour un besoin qui n'a rien de scientifique, oublier que les données ne sont pas prêtes, juger sur l'aisance verbale.

Le contexte a changé aussi. Selon le Stanford AI Index 2025, le coût d'inférence d'un système au niveau de GPT-3.5 a été divisé par plus de 280 entre novembre 2022 et octobre 2024. Accéder à un modèle performant n'est plus le point de blocage. Le blocage, c'est d'en faire un produit fiable, mesuré et maintenu.

Faut-il intégrer, entraîner ou chercher avant de recruter un ingénieur IA ?

Il faut d'abord savoir dans quel régime vous êtes, car c'est lui qui désigne le métier. Le test le plus simple : existe-t-il une publication, un produit ou un projet open source qui résout ce problème dans des conditions proches des vôtres ? Si oui, c'est de l'ingénierie. Sinon, c'est probablement de la recherche, ou un problème mal posé.

Extraire des champs de factures ou prédire une résiliation sont des problèmes business : la méthode est connue, l'incertitude porte sur l'exécution et le coût. Détecter des pannes rares sur des capteurs hétérogènes est un problème scientifique : l'incertitude porte sur la faisabilité elle-même.

Notre recommandation : commencer par le régime le moins coûteux qui peut répondre au besoin, et ne passer au suivant qu'avec la preuve mesurée que le précédent plafonne. Les règles de Google pour le machine learning, rédigées par Martin Zinkevich, le disent à leur manière : ne pas craindre de lancer un produit sans ML, puis garder le premier modèle simple.

Vérifiez aussi l'état de vos données. Si elles sont dispersées ou inaccessibles, la question n'est pas encore « quel profil IA ? » mais à quel stade vos données peuvent être exploitées.

Quel premier profil IA recruter : AI Engineer, ML Engineer ou Research Scientist ?

Le bon premier profil découle de quelques questions posées dans l'ordre. Arrêtez-vous à la première qui oriente.

L'AI Engineer est un ingénieur logiciel, souvent ancien développeur backend, qui construit sur des modèles de fondation : prompts, RAG (retrieval-augmented generation, qui fournit au modèle les documents utiles au moment de répondre), évaluation, garde-fous. C'est le premier recrutement le plus fréquent en entreprise produit. Le Machine Learning Engineer entraîne, déploie et maintient des modèles sur vos données, et surveille leur dérive. Le Data Scientist convient quand la question est « que nous disent nos données ? » plutôt que « quel système mettre en production ? ».

Côté recherche, le Research Engineer implémente et met à l'échelle les expériences, le Research Scientist, le plus souvent docteur, formule les hypothèses et conçoit les méthodes nouvelles.

Trois profils viennent rarement en premier. Le MLOps Engineer prend son sens quand plusieurs modèles tournent en production. Le Forward Deployed Engineer, placé chez les clients pour déployer et adapter le produit, devient pertinent quand la valeur se joue à l'intégration chez de grands comptes. Le Data Engineer, lui, passe en premier quand les données ne sont pas prêtes.

Dernier arbitrage : le premier recruté est souvent seul, ce qui favorise le généraliste qui prototype, met en production et mesure. L'expert d'un domaine étroit (vision embarquée, traitement du signal) se justifie si le blocage est précisément là.

Comment évaluer un candidat LLM ou RAG sans se laisser impressionner ?

En l'obligeant à décrire un système réel, avec des chiffres que seul son auteur connaît. Une démo sur dix exemples choisis ne prouve rien ; un système qui tient sur des milliers de cas réels, si.

Le signal le plus discriminant est l'évaluation. Hamel Husain, praticien reconnu du sujet, observe que les produits IA qui échouent manquent le plus souvent d'un système d'évaluation solide (Your AI Product Needs Evals, mars 2024). Un candidat qui a mis un système en production sait dire combien de cas compte son jeu d'évaluation, qui les a annotés et ce qu'ils n'ont pas détecté. Celui qui répond « on testait à la main » a construit des démos.

Relancez deux fois : « Pourquoi ? », puis « Que feriez-vous différemment ? ». La profondeur apparaît à la deuxième relance.

Testez ensuite la production, avec une question qu'un non-spécialiste peut noter : « Vous passez à un modèle moins cher. Comment savez-vous si la qualité baisse ? » La bonne réponse rejoue un jeu d'évaluation fixe sur les deux modèles et regarde les cas qui changent, pas seulement la moyenne. Côté sécurité, le classement OWASP des risques des applications de LLM (version 2025) place l'injection de prompt en tête et inclut la consommation non bornée, qui est aussi un risque de coût. Un AI Engineer senior doit savoir dire comment son dernier système les traitait.

Enfin, testez la simplicité. Anthropic distingue les workflows, aux étapes fixées dans le code, des agents, où le modèle choisit ses étapes, et recommande de partir de la solution la plus simple (Building effective agents, décembre 2024). Demandez une fois où le candidat a retiré de la complexité : un agent remplacé par un enchaînement fixe, un fine-tuning abandonné pour un meilleur prompt. Ceux qui ont mis des systèmes en production ont presque tous cette histoire.

Comment recruter un profil IA sans expertise IA en interne ?

En jugeant la démarche plutôt que la technique, et en empruntant le jugement technique qui vous manque. Trois réflexes limitent le risque.

Évaluer le raisonnement. Le candidat part-il du problème ? Pose-t-il des questions sur les données et les utilisateurs ? Parle-t-il de mesure ? Reconnaît-il ce qu'il ne sait pas ? Un dirigeant non spécialiste peut en juger.

Emprunter le jugement technique. Un évaluateur externe rémunéré pour l'entretien technique, un advisor au board, un CTO interne formé à la grille. Un cabinet spécialisé lit les profils et connaît le marché des candidats, mais ne remplace pas un entretien technique mené par un pair.

Écrire les critères de réussite avant de signer. Ce que la personne aura livré à 90 jours et à 6 mois, montré en entretien. Un bon candidat les précise ou les conteste ; un candidat moins solide les accepte tels quels.

Comment évaluer un Research Scientist ou un profil R&D ?

Sur son raisonnement expérimental, avec une lecture de CV adaptée aux parcours de recherche. Ces profils sont souvent des docteurs aux parcours internationaux, rarement linéaires, avec peu d'expérience en entreprise. Lus comme des CV d'ingénieur logiciel, ils sont écartés à tort ou retenus pour de mauvaises raisons.

Quelques repères de pratique professionnelle. Les publications se lisent par la conférence, la position dans la liste d'auteurs et la disponibilité du code : un article avec code reproductible dit plus qu'une longue liste. Les ruptures de parcours tiennent souvent aux contrats académiques ou aux visas ; posez la question plutôt que de conclure. Et parlez leur langage : le problème, l'accès aux données, le budget de calcul, la liberté de publier.

En entretien, cherchez une hypothèse testable, une baseline simple mesurée avant toute méthode complexe, un changement à la fois, plusieurs exécutions plutôt qu'un seul chiffre, une séparation stricte des données, et des idées abandonnées. Un candidat pour qui tout a toujours marché n'a pas encore appris à conclure qu'une idée échoue.

Le biais le plus fréquent reste de recruter un bon candidat pour le mauvais problème. Un profil trop recherche face à un besoin produit construit une infrastructure, et six mois plus tard rien n'est en production alors qu'une API suffisait. Posez-lui : « Si une solution existante couvre 80 % du besoin, que faites-vous ? » À l'inverse, un ingénieur produit face à un problème ouvert livre une démo convaincante, puis plafonne sur les données réelles. La parade : un seuil de qualité mesuré sur données réelles, fixé avant de commencer.

En deeptech, la question devient le moment de passer de la recherche au produit : quand un résultat est assez stable pour être promis à un client, le recrutement suivant est un ingénieur qui sait le rendre reproductible. C'est sur ces recrutements que travaille notre pôle IA, Data & Sciences.

Quelle scorecard utiliser pour un premier profil IA ?

Une scorecard par famille de profils, fixée avant les entretiens et remplie séparément par chaque évaluateur. Voici une version allégée des pondérations, à adapter à votre problème, pas au candidat.

Chaque critère est noté de 0 à 4 puis ramené à son poids, pour un total sur 100. Sous 70, on ne recrute pas. Une note de 0 ou 1 en évaluation (AI Engineer) ou en rigueur expérimentale (ML, recherche) est éliminatoire. Ces seuils sont une recommandation de pratique, pas une norme.

Complétez par un exercice proche du poste. Pour un AI Engineer : un assistant sur une cinquantaine de documents, livré avec un jeu d'évaluation, le coût et la latence par requête. Pour un ML Engineer : des données tabulaires où une variable fuit l'information de la cible, pour voir s'il la détecte ou s'étonne de résultats trop bons. Pour un profil R&D : reformuler votre problème réel et choisir une première expérience, avec son critère d'échec. Au-delà d'une demi-journée à domicile, vous écartez les candidats en poste ; voir aussi nos tests techniques à l'ère des assistants de code.

Les trois scorecards complètes, les questions de production avec réponses attendues et les exercices avec barème sont dans le livre blanc et ses outils en PDF.

Que doit avoir livré votre premier profil IA à 90 jours ?

Une mesure, avant une fonctionnalité. Avant l'arrivée : accès aux données, budget d'API ou de calcul ouvert, sponsor et expert métier nommés. Jours 1 à 30 : entretiens utilisateurs, audit des données, puis un jeu d'évaluation ou un protocole expérimental et une baseline mesurée. Jours 31 à 60 : une première version, en production limitée ou comparée à la baseline. Jours 61 à 90 : résultats, coûts réels, risques, puis décision go, ajustement ou arrêt.

Les signaux d'alerte à 45 jours se repèrent sans expertise IA : pas de jeu d'évaluation, pas d'accès complet aux données, des démos sans chiffres, aucun utilisateur rencontré.

Un point réglementaire à anticiper. Selon le calendrier de la Commission européenne, les obligations de transparence de l'article 50 de l'AI Act s'appliquent depuis le 2 août 2026, et les règles des systèmes à haut risque de l'annexe III, qui couvrent notamment l'emploi, ont été reportées au 2 décembre 2027 par le règlement Omnibus numérique. Si votre cas d'usage peut relever du haut risque, savoir documenter données et évaluations devient un critère de recrutement. Faites valider la qualification par un juriste.

FAQ

Quel premier profil IA recruter dans une startup ?

Cela dépend du problème, pas de la taille de l'entreprise. Si un modèle existant peut produire la sortie attendue, un AI Engineer qui sait mettre en production et mesurer est le plus souvent le bon choix. Si le problème exige un modèle entraîné sur vos données, choisissez un ML Engineer. Si aucune méthode connue ne le résout, il s'agit de recherche : Research Engineer ou Research Scientist.

Quelle différence entre un AI Engineer et un ML Engineer ?

L'AI Engineer construit des produits sur des modèles de fondation existants : prompts, récupération d'information, évaluation, intégration. Il entraîne rarement des modèles. Le ML Engineer entraîne, déploie et maintient des modèles sur les données de l'entreprise, et surveille leur dérive. Le premier relève surtout du génie logiciel, le second du machine learning appliqué.

Faut-il recruter un docteur pour faire de l'IA en entreprise ?

Pas nécessairement. Un doctorat est utile quand la valeur de l'entreprise repose sur un résultat scientifique qui n'existe pas encore. Pour intégrer des modèles existants dans un produit, un ingénieur expérimenté en production est en général plus adapté. Recruter un chercheur pour un besoin produit expose à un programme de recherche sans livraison, puis à son départ.

Comment évaluer un candidat IA sans expertise IA en interne ?

Évaluez la démarche plutôt que le vocabulaire : le candidat part-il du problème, parle-t-il de mesure, connaît-il les coûts et la latence de ses systèmes ? Faites mener l'entretien technique par un évaluateur externe de pair, utilisez un exercice proche du poste réel et fixez les critères de réussite à 90 jours avant la signature.

Comment vérifier l'expérience RAG ou LLM d'un candidat ?

Demandez-lui de décrire le dernier système qu'il a mis en production : utilisateurs, volume, modèle, coût par requête. Pour le RAG, demandez comment il mesurait la qualité de la récupération séparément de celle de la réponse. Un candidat qui répond « on a mis les documents dans une base vectorielle » ou « on testait à la main » a surtout construit des démos.

Faut-il recruter un Head of AI en premier ?

Rarement. Recruté seul, sans équipe ni budget, un Head of AI se retrouve avec un titre de manager et un travail d'ingénieur, et le cadrage du problème lui est délégué par défaut. Cela fonctionne quand l'entreprise peut construire une équipe vite et que l'IA est au cœur de sa stratégie. Sinon, mieux vaut un ingénieur senior au titre honnête, avec une évolution prévue.