Les métiers de l’IA : data scientist, ML engineer, AI engineer… qui fait quoi ?

Les métiers de l’IA se répartissent en trois familles : les métiers de la donnée (data engineer, data analyst, data scientist), ceux de l’ingénierie IA (ML engineer, AI engineer, MLOps) et les rôles de pilotage (product manager IA, référent conformité). Pour un projet d’IA générative, comme un assistant documentaire ou un agent, le profil central est aujourd’hui l’AI engineer ; pour un modèle prédictif entraîné sur vos propres données, c’est le data scientist.

Les intitulés se recouvrent et changent vite. Ce guide décrit donc chaque rôle par ce qu’il fait réellement : ses missions, ses compétences et le moment où vous en avez besoin. Suivent un tableau de synthèse, les équipes types selon le projet et une grille pour choisir entre recrutement et experts externes.

Pourquoi les intitulés des métiers de l’IA prêtent à confusion

Même les référentiels officiels ne rangent pas les rôles au même endroit. L’APEC cite « machine learning engineer » parmi les autres intitulés du data engineer. L’OPIIEC, l’observatoire paritaire des métiers du numérique, de l’ingénierie, des études et du conseil, le range au contraire dans sa fiche « expert en intelligence artificielle », aux côtés de l’ingénieur en intelligence artificielle, du data scientist spécialisé en IA et de l’architecte IA. Sur le marché, « AI engineer » désigne tantôt un chercheur, tantôt un développeur qui intègre des modèles, tantôt un consultant.

Ce flou a deux causes. D’abord, l’arrivée des grands modèles de langage (LLM) a déplacé le travail : pour beaucoup de projets, il ne s’agit plus d’entraîner un modèle, mais d’en intégrer un existant dans vos outils. Ensuite, chaque entreprise nomme ses postes à sa façon.

Conséquence pratique : recrutez ou achetez des missions, pas des titres. Une fiche de poste qui décrit le livrable attendu, par exemple « un assistant qui répond aux techniciens à partir de nos notices et de l’historique des interventions », attire de meilleurs profils qu’un intitulé à la mode.

Les métiers de la donnée : data engineer, data analyst, data scientist

Data engineer

• Missions : collecter les données de vos logiciels (ERP, CRM, outils métier), les nettoyer, les stocker et les rendre accessibles, de façon automatisée et fiable.
• Compétences : SQL, Python, chaînes de traitement de données, entrepôts de données, API, qualité et sécurité des données.
• Quand en avoir besoin : dès que vos données sont dispersées entre plusieurs outils ou qu’un projet IA doit s’alimenter en continu. C’est souvent le maillon qui manque : un modèle ne vaut que ce que valent les données qu’on lui fournit.

Data analyst

• Missions : répondre aux questions de l’activité avec les données : tableaux de bord, analyses ponctuelles, suivi d’indicateurs, études de rentabilité.
• Compétences : SQL, tableur avancé, outils de visualisation, statistiques descriptives et, surtout, compréhension du métier.
• Quand en avoir besoin : pour piloter avant de prédire. Ce n’est pas un métier de l’IA au sens strict, mais c’est souvent lui qui repère les cas d’usage et mesure les gains réels d’un projet IA.

Data scientist

• Missions : construire des modèles statistiques ou d’apprentissage automatique (machine learning) à partir de vos données : prévision des ventes, scoring de clients, détection d’anomalies, optimisation de tournées.
• Compétences : statistiques, Python, bibliothèques de machine learning, méthode expérimentale, capacité à traduire un problème métier en problème de modélisation.
• Quand en avoir besoin : quand la valeur vient de vos données propres (historique de ventes, capteurs, transactions) et qu’aucun modèle du marché ne répond au problème. Pour un assistant qui rédige ou répond à partir de documents, ce n’est généralement pas le premier profil à chercher.

Les métiers de l’ingénierie IA : ML engineer, AI engineer, MLOps

ML engineer (machine learning engineer)

• Missions : transformer le prototype du data scientist en service fiable : code industrialisé, tests, déploiement, performance, supervision, réentraînement.
• Compétences : génie logiciel (gestion de versions, tests, conteneurs), machine learning, cloud, API.
• Quand en avoir besoin : quand un modèle prédictif doit tourner en production, intégré à vos applications, et non plus sur le poste du data scientist. Beaucoup de projets restent bloqués au stade de la preuve de concept faute de ce profil : voir pourquoi les projets IA calent entre le POC et la production.

AI engineer (ingénieur LLM)

• Missions : construire des applications sur des modèles existants, qu’il s’agisse de ceux d’OpenAI, d’Anthropic, de Mistral AI ou de modèles open source : assistants documentaires, agents, automatisations. Il conçoit les prompts et les formats de sortie, connecte le modèle à vos documents et à vos outils, met en place les garde-fous, les jeux de tests et le suivi des coûts d’usage.
• Compétences : développement logiciel (Python ou TypeScript), API des modèles, génération augmentée par récupération (RAG), appel d’outils et protocole MCP, évaluation des réponses, sécurité (injection de prompt, droits d’accès).
• Quand en avoir besoin : pour tout projet d’IA générative relié à votre système d’information, qu’il s’agisse d’un assistant qui répond à partir de vos documents ou d’un agent IA qui agit dans votre CRM ou votre ERP. C’est, à notre sens, le profil clé de la plupart des projets IA en PME.

MLOps et LLMOps

• Missions : outiller le cycle de vie des modèles en production : déploiement automatisé, versionnage des modèles et des prompts, supervision de la qualité, des coûts et des temps de réponse, alertes, journalisation, réentraînement, migration vers une nouvelle version de modèle quand l’éditeur retire l’ancienne.
• Compétences : DevOps, cloud, observabilité, chaînes d’évaluation automatisées, sécurité.
• Quand en avoir besoin : quand plusieurs modèles ou assistants tournent en production et que leur qualité doit être suivie dans la durée. Sur un premier projet, l’AI engineer ou le ML engineer tient ce rôle ; il devient un poste à part entière quand le parc grandit.

Les rôles de pilotage : product manager IA et référent conformité

Product manager IA

• Missions : choisir les cas d’usage, définir ce que l’outil doit faire et ne pas faire, fixer les critères de qualité (questions de référence, taux d’erreur acceptable), organiser les tests avec les utilisateurs, arbitrer entre valeur, coût et risque.
• Compétences : connaissance du métier, gestion de produit, compréhension réaliste de ce que l’IA sait et ne sait pas faire, rédaction de spécifications précises.
• Quand en avoir besoin : dès le premier projet, même à temps partiel. En PME, c’est souvent un responsable opérationnel formé plutôt qu’un recrutement. Son rôle est décisif : avec l’IA, le goulot d’un projet est moins le code que la clarté de ce que l’on demande et la circulation de l’information entre métier et technique.

Référent conformité IA

• Missions : tenir l’inventaire des usages et des outils d’IA, qualifier les risques (données personnelles, secret des affaires, obligations de l’AI Act), faire vivre la charte IA, coordonner avec le délégué à la protection des données et la sécurité informatique, organiser la montée en compétences.
• Compétences : RGPD, bases du règlement européen sur l’IA, gestion des risques, pédagogie.
• Quand en avoir besoin : dès que l’IA sort du stade de l’expérimentation individuelle. En PME, le rôle revient souvent au DPO, au DSI ou au responsable de la sécurité, comme une responsabilité à temps partiel.

Prompt engineer : une compétence plutôt qu’un métier

Lors de l’essor de ChatGPT, le prompt engineer a été présenté comme le métier d’avenir. En entreprise, rédiger de bons prompts est surtout devenu une compétence attendue de tous : du commercial qui prépare un rendez-vous à l’AI engineer qui conçoit les instructions d’un agent.

La répartition est simple. Les prompts d’un produit en production relèvent de l’AI engineer, qui les teste et les versionne comme du code. Les prompts du quotidien relèvent de chaque collaborateur, à condition qu’il soit formé. Un poste de prompt engineer isolé, sans compétences de développement ni d’évaluation, crée rarement de la valeur durable. Pour les bases, voyez nos 8 règles pour bien prompter au travail.

Ce que les agents de code changent à ces rôles

Les agents de code, ces outils d’IA qui écrivent, testent et corrigent du code, prennent en charge une part croissante du développement courant. La frontière entre les rôles se déplace : un AI engineer senior bien outillé couvre une partie du travail qui demandait hier plusieurs développeurs, et la compétence rare devient la capacité à diriger l’IA, c’est-à-dire spécifier précisément, relire, tester et décider. C’est notre conviction chez Yvia : l’IA sait déjà coder, il faut apprendre à la diriger. Nous détaillons ce que cela change pour les équipes produit dans notre article sur le développement assisté par IA.

Tableau de synthèse : qui fait quoi dans un projet IA ?

Quels profils pour quel projet IA ?

La bonne équipe dépend du type de projet, pas de la taille de l’entreprise. Les compositions ci-dessous sont des ordres de grandeur pour un premier projet de périmètre raisonnable en PME ou en ETI. Toutes supposent un référent métier disponible, sans lequel un projet aboutit rarement.

Deux erreurs reviennent souvent. La première : recruter un data scientist pour un projet d’IA générative, qui demande surtout de l’intégration logicielle et de l’évaluation. La seconde : lancer un projet sans product manager, si bien que personne ne sait dire si l’outil « marche ». Pour cadrer le besoin avant de constituer l’équipe, commencez par un audit IA.

Recruter ou faire appel à des experts externes ?

Tout internaliser est rarement réaliste pour une PME : les profils seniors sont rares et convoités, et un premier projet ne justifie pas toujours un poste à temps plein. Tout externaliser n’est pas mieux : l’entreprise perd la maîtrise de ses outils. Une règle simple : internalisez ce qui dure, externalisez ce qui est pointu ou ponctuel.

• À internaliser : le pilotage produit (un responsable métier formé suffit souvent), le référent conformité et, dès que l’IA devient un sujet récurrent, la maîtrise de vos données, avec au moins un profil technique qui connaît votre système d’information.
• À externaliser : la construction des premiers outils (AI engineer, ML engineer), les choix d’architecture, la mise en place du MLOps, un audit de conformité ponctuel.
• À prévoir dès le départ : le transfert de compétences, pour que l’équipe interne sache faire évoluer ce que les experts ont construit, et un contrat qui vous rend propriétaire du code développé.

Nous ne publions pas de grille de salaires : les écarts selon l’expérience, la région et le secteur sont importants, et les chiffres vieillissent vite. Les fiches métiers de l’APEC donnent des fourchettes établies à partir des offres d’emploi publiées.

Pour comparer freelances, cabinets, ESN et agences, voyez notre guide pour choisir un consultant ou un prestataire IA. C’est aussi la raison d’être de l’écosystème d’experts IA de Yvia : des experts indépendants seniors, éprouvés sur nos propres projets, proposés en quelques jours après qualification de votre besoin, avec un interlocuteur unique pendant toute la mission.