Recruter ses premiers profils IA ou R&D

Ce que contient ce livre blanc

Beaucoup de dirigeants savent qu'ils veulent développer une capacité IA. Peu savent quel métier recruter, ni comment juger un candidat quand personne en interne n'a d'expertise IA senior. Ce guide transforme une intention stratégique en décision de recrutement précise : quel problème résoudre, quel profil y répond, comment l'évaluer et à quoi mesurer sa réussite.

Il s'adresse aux fondateurs, CEO, CTO et responsables de BU qui préparent leur premier recrutement en IA, en machine learning ou en R&D, dans une entreprise produit comme dans une deeptech.

Le PDF se lit en un quart d'heure. Il contient sept outils prêts à l'emploi, un par page :

• Grille de maturité IA
• Fiche de cadrage du problème
• Matrice des métiers IA et R&D
• Quel premier profil IA recruter ?
• Scorecard par famille de profils
• Un exercice par famille
• Plan des 90 premiers jours

Trois régimes de travail, trois métiers différents

Le mot « IA » recouvre trois situations qu'il faut distinguer avant d'écrire une fiche de poste.

Intégrer un modèle existant. Vous construisez une fonctionnalité sur un modèle de fondation disponible par API ou en poids ouverts : prompts, récupération d'information dans vos documents, évaluation, intégration produit. C'est de l'ingénierie logicielle appliquée à l'IA. Le profil type est un AI Engineer, souvent un ancien développeur backend.

Adapter ou entraîner un modèle. Vous entraînez un modèle sur vos propres données pour prédire, classer ou détecter : résiliation, défaillance, fraude, vision spécialisée. Le travail porte sur les données, l'entraînement, le déploiement et la dérive dans le temps. Le profil type est un ML Engineer.

Mener de la recherche. Aucune méthode connue ne résout votre problème dans vos conditions. Vous avez besoin de produire une méthode nouvelle, avec une incertitude forte sur le résultat et le délai. Les profils types sont le Research Engineer et le Research Scientist.

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 (Rules of ML).

L'arbre de décision, en version courte

L'arbre complet du guide compte six questions. Les quatre premières suffisent à éviter les erreurs les plus coûteuses.

1. Savez-vous écrire le problème en une phrase, avec un utilisateur, une tâche et une métrique de succès ? Si non, ne recrutez pas encore : faites cadrer le problème en quelques jours avec un expert externe.
2. Les données nécessaires sont-elles accessibles et exploitables ? Si non, et que le problème repose sur vos données, le premier recrutement est souvent un Data Engineer, ou un ML Engineer dont le mandat inclut explicitement la remise en ordre des données.
3. Une méthode connue résout-elle le problème dans des conditions proches des vôtres ? Si non, c'est un problème de recherche : Research Engineer si quelqu'un en interne porte déjà la question scientifique, Research Scientist sinon.
4. Un modèle de fondation existant peut-il produire la sortie attendue ? Si oui, recrutez un AI Engineer. Si la tâche relève de la prédiction sur vos données, choisissez entre Data Scientist (comprendre, tester des hypothèses) et ML Engineer (mettre en production et maintenir).

Le MLOps Engineer n'apparaît presque jamais en premier : son métier prend son sens quand plusieurs modèles tournent en production. Le Forward Deployed Engineer, ingénieur placé chez les clients pour déployer et adapter le produit, devient pertinent quand la valeur se joue à l'intégration chez de grands comptes.

Du prototype au produit : ce qui sépare les candidats

Construire une démonstration sur dix exemples choisis est à la portée de beaucoup. Faire fonctionner un système sur des milliers de cas réels, à un coût maîtrisé et sans fuite de données, l'est beaucoup moins. C'est cette seconde compétence qu'un premier recrutement doit apporter.

Le signal le plus discriminant est l'évaluation. Hamel Husain, praticien reconnu sur le 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 LLM en production parle de son jeu de cas de test sans hésiter : combien de cas, qui les a annotés, ce qu'ils n'ont pas détecté.

Extrait de la grille de vérification des mots-clés du guide :

Méfiez-vous aussi de l'architecture agentique par défaut. Anthropic distingue les workflows, où les étapes sont fixées dans le code, des agents, où le modèle choisit ses étapes, et recommande de partir de la solution la plus simple : les agents se justifient pour des tâches ouvertes, au prix d'une latence et d'un coût plus élevés (Building effective agents, décembre 2024). Un bon candidat sait raconter une fois où il a retiré de la complexité d'un système.

Côté sécurité, le classement OWASP des risques des applications de LLM (version 2025) place l'injection de prompt en tête, devant la divulgation d'informations sensibles, et inclut la consommation non bornée, qui est aussi un risque de coût (OWASP Top 10 for LLM Applications). Un AI Engineer senior doit savoir expliquer comment son dernier système traitait ces trois risques.

Recruter sans expertise IA senior en interne

C'est la situation la plus fréquente pour un premier recrutement. Trois réflexes limitent le risque.

Évaluer le raisonnement, pas le vocabulaire. Un dirigeant non spécialiste peut juger si le candidat part du problème, pose des questions sur les données et les utilisateurs, parle de mesure et reconnaît ce qu'il ne sait pas.

Emprunter le jugement technique. Un évaluateur externe pour l'entretien technique, un advisor au comité stratégique ou un cabinet spécialisé apportent chacun une partie du regard qui manque. Aucun ne remplace 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. Un bon candidat les discute ou les précise ; un candidat moins solide les accepte tels quels.

Les profils de recherche demandent une lecture particulière. Ce sont souvent des docteurs ou des ingénieurs de recherche aux parcours académiques, fréquemment internationaux, rarement linéaires, avec peu d'expérience en entreprise. Une rupture de parcours s'explique souvent par la structure des contrats académiques ou les 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.

Un point réglementaire à anticiper : l'AI Act européen s'applique par étapes. Les obligations de transparence de l'article 50 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 (calendrier de la Commission européenne). Si votre produit peut relever du haut risque, la capacité à documenter les données et les évaluations devient un critère de recrutement.

Pour aller plus loin

• Qu'est-ce qu'un AI Engineer ?
• Qu'est-ce qu'un Machine Learning Engineer ?
• Qu'est-ce qu'un Research Engineer ?
• Qu'est-ce qu'un Forward Deployed Engineer ?
• Comprendre l'IA avant de la déployer

FAQ

Quel premier profil IA recruter dans une startup ?

Cela dépend du problème, pas de la taille. 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 résout le problème, 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 dans le temps. 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.

Faut-il une architecture à base d'agents pour un premier projet IA ?

Rarement. Un enchaînement d'étapes fixé dans le code est plus prévisible, moins coûteux et plus facile à tester. Les agents, où le modèle décide lui-même de ses étapes, se justifient pour des tâches ouvertes dont on ne peut pas prévoir le déroulé. Un bon candidat sait expliquer pourquoi il n'a pas choisi une architecture plus complexe.