LLM et agents : l’essor de l’AI engineer

Avec l’arrivée des transformers et des LLMs, les repères entre data science et ingénierie machine learning se déplacent. Un rôle d’Ingénieur en IA s’est imposé entre GPT-4 et GPT-5, tandis que le Forward Deployed Engineer se diffuse en contexte IA. Des outils agentiques automatisent des actions entières et rapprochent ces profils des enjeux produit.

Automatisation agentique : des actions exécutées de bout en bout

Des outils comme Codex, Cursor et des plugins récents de ChatGPT exécutent automatiquement des tâches telles que la vérification d’e-mails, l’ouverture de merge requests, la vérification de bugs et l’écriture de bases de code entières. Ils sont qualifiés d’agentiques parce qu’ils réalisent des actions. Ces usages se distinguent d’un emploi de ChatGPT en 2023 et 2024 pour rédiger un e-mail ou corriger un bug, décrit comme un gain de productivité plus que comme une automatisation complète. L’accélération se déplace ainsi de l’assistance ponctuelle vers des chaînes d’actions automatisées.

Missions qui glissent vers le produit

Le codage est présenté comme n’étant plus un obstacle majeur pour les Data Scientists. Dans ce contexte, Data Scientists et Machine Learning Engineers sont décrits comme se rapprochant des responsabilités de Product Manager, avec davantage de temps consacré à l’identification de problèmes, à la conception de systèmes et à leur évaluation.

Ce que recouvre le rôle d’Ingénieur en IA

Entre GPT-4 et GPT-5, un poste d’Ingénieur en IA a émergé. Ce profil maîtrise les modèles de langage et leur usage opérationnel : conception et ajustement de prompts, sélection de modèles adaptés, mise en place de garde-fous, anticipation des hallucinations, évaluation des sorties et fiabilisation pour la production. Un parcours en science des données ou une expérience d’entraînement de modèles n’est pas exigé, même si ces compétences sont utiles.

Le Forward Deployed Engineer en contexte IA

Le terme Forward Deployed Engineer a été introduit pour la première fois par Palantir, où des ingénieurs travaillaient au contact direct des clients pour cerner des problèmes complexes et concevoir des solutions. Son usage dans l’IA diffère désormais de cette origine : des organisations peu familières avec la technologie recherchent des interlocuteurs capables d’identifier précisément le besoin et de proposer un design exécutable. Dans l’IA, la fonction est décrite comme très hybride, combinant profondeur technique d’Ingénieur en IA ou de ML Engineer, pensée analytique de Data Scientist et intuition produit de Product Manager.

Repères historiques : du transformer aux produits LLM

En 2017, un article de Google a introduit l’architecture transformer. Celle-ci sert de base à des modèles de langage comme GPT. L’attention des praticiens a crû avec GPT-3, puis GPT-4 est décrit comme un tournant ayant convaincu des entreprises de construire de véritables produits. La chronologie mentionne GPT, GPT-2, GPT-3, GPT-4, GPT-5 et GPT-6 Astra, ce dernier étant présenté comme prévu pour le 3 octobre 2026.

Ce qui change par rapport aux rôles historiques

Le paysage initial opposait un Data Scientist proche du produit, appuyé sur les statistiques et des outils comme Python et SQL, à un Machine Learning Engineer focalisé sur les pipelines d’entraînement, les réseaux de neurones, la performance et le déploiement, avec Python et des bibliothèques comme TensorFlow ou PyTorch. Le Scientifique Appliqué, popularisé par des entreprises telles qu’Amazon et Microsoft, se situait plus près de l’ingénierie en rendant le code propre à la production. Les produits actuels type ChatGPT, Codex ou Claude s’appuient sur l’orchestration de multiples LLMs et s’inscrivent dans une dynamique agentique orientée automatisation. Le récapitulatif proposé affirme que l’émergence des Ingénieurs en IA découle des transformers et des LLMs, et que l’IA agentique a réduit le codage comme goulot d’étranglement en rapprochant les rôles techniques des enjeux produit.