Ingénieurs ML, IA ou LLM : ce que recouvrent vraiment les titres

Les intitulés de postes en IA se multiplient et s’entrechoquent, mais les missions ne suivent pas toujours. Trois rôles se dégagent par ce qu’ils livrent réellement. Pour s’orienter et se préparer, mieux vaut lire la liste des tâches que le titre, et miser sur un socle technique commun.

Les entreprises changent les intitulés sans modifier les critères d’évaluation

Les intitulés de recrutement en IA restent incohérents et devraient le rester pendant un certain temps. Les entreprises renomment les rôles plus vite qu’elles n’actualisent leurs critères d’évaluation, ce qui limite la pertinence du titre. Pour postuler efficacement, il faut se concentrer sur les éléments concrets d’une annonce. Deux questions sont déterminantes : ce qui sera construit dans les 90 premiers jours et ce qui sera ensuite possédé. Elles apportent davantage d’informations que l’intitulé. Avant de s’engager, il est recommandé de se référer à la liste des tâches à construire, posséder et maintenir dans un an. C’est la description la plus fidèle, quel que soit le nom du poste.

Ce que fait un ingénieur ML : du modèle aux données en production

L’ingénieur en apprentissage automatique entraîne et livre un modèle à partir de données. Après un prototype validé par un data scientist, il transforme l’approche en système fiable en production, capable de traiter des données nouvelles. Sa boucle de travail couvre la collecte et le nettoyage, le choix d’algorithme, l’entraînement, la validation via RMSE ou matrice de confusion, le déploiement, puis la surveillance et le réentraînement. Python, PyTorch ou TensorFlow, scikit-learn et des feature stores comme Amazon SageMaker ou Databricks composent l’outillage. Les livrables sont concrets : recommandation, détection de fraude, prévision de demande ou score de fraude par transaction. La majorité du temps se concentre sur la donnée ; qualité, fuites d’étiquettes ou fenêtres de caractéristiques mal conçues affectent un modèle bien avant le choix d’algorithme.

Ce que fait un ingénieur IA : brancher des LLM à des produits

L’ingénieur IA part d’un modèle existant, souvent un grand modèle exposé via API, pour l’intégrer dans un produit : outil de support, recherche interne ou agent multi-étapes. Sa journée se partage entre conception de prompts, récupération et connexion au modèle, évaluation et surveillance des hallucinations ou chutes de qualité, ainsi que du backend sur APIs et bases de données, avec du prototypage et de la rédaction pour d’autres équipes. Python ou TypeScript, des orchestrateurs comme LangChain, LangGraph ou LlamaIndex et des bases vectorielles telles que Pinecone ou Qdrant sont typiques. L’entraînement from scratch n’est pas au programme. Un décalage courant : des candidats pensent entraîner des modèles et passent surtout du temps sur des pipelines et des prompts. Le travail commence après l’entraînement et la validation du modèle et s’achève lorsque le système sert des utilisateurs réels de façon fiable.

Ce que fait un ingénieur LLM : même périmètre, plus le fine-tuning

L’ingénieur LLM couvre la plupart des tâches de l’ingénieur IA, avec en plus le fine-tuning de modèles de langage. En s’appuyant sur des techniques comme LoRA ou QLoRA, il ajuste les poids d’un modèle pré-entraîné sur des données de domaine quand un modèle généraliste ne suffit pas sur une tâche étroite. Les praticiens expérimentés cherchent d’abord à éviter ce fine-tuning : une récupération mieux conçue, un prompt plus long ou un autre modèle de base résolvent souvent le problème à moindre coût et sans maintenance continue. Le fine-tuning intervient après exclusion des alternatives.

Annonces hétérogènes et salaires : le titre ne dit pas tout

Dans les offres, un même champ se cache derrière des titres variés comme Ingénieur IA, Ingénieur IA Appliquée ou Ingénieur LLM, avec des responsabilités souvent proches : Python, API de modèle de langage, récupération, production. Les précisions divergent : expérience LangChain, fine-tuning LoRA, appel d’API et code d’évaluation propre. Un même intitulé recouvre des emplois différents et des décisions de carrière s’alignent trop souvent sur le titre. Des candidats s’attendent à entraîner des modèles à plein temps et découvrent d’autres réalités. L’examen d’annonces et d’échanges avec des candidats montre que la frontière utile est ce que l’on construit, possède et maintient six mois plus tard. Historiquement, l’ingénierie ML s’est séparée de la data science lorsque le déploiement est devenu un métier, puis l’IA générative a fait émerger l’ingénieur IA, peu visible avant 2022. L’industrie n’a pas stabilisé les labels — Ingénieur GenAI, Ingénieur de Prompt ou Ingénieur RAG coexistent — et l’écart se voit dans les salaires : des postes aux missions similaires peuvent afficher des fourchettes très différentes selon l’intitulé. La taille de l’organisation pèse aussi : en startup, une personne peut tout faire sous un seul label ; en grande entreprise, ces tâches se répartissent entre plusieurs équipes, parfois cinq ou davantage.

Préparer l’entretien : un socle technique commun

Quel que soit le titre, l’exigence repose sur SQL, la préparation de données et la capacité à raisonner avant de coder. Les entretiens dans des entreprises comme Meta, Uber ou Google combinent du codage lié aux systèmes de recommandation, aux séries temporelles et au traitement de texte, avec des questions théoriques d’évaluation et de communication. La bonne définition du problème, la prévention des fuites de données et le choix de signaux pertinents priment sur la mémorisation d’algorithmes. La préparation varie peu d’un intitulé à l’autre ; une base solide et un discours clair sur les compromis sont attendus pour les postes ML, IA et LLM.