La sécurité de l’IA n’est plus une spécialité marginale des équipes de cybersécurité. Selon LinkedIn, les postes qui lui sont liés ont progressé de 91 % en un an, alors que le marché global du recrutement reste sous pression. Chez OpenAI, certains data scientists de l’équipe Safety peuvent atteindre 325 000 dollars de rémunération annuelle.
Cette accélération transforme le recrutement. Les entreprises ne cherchent plus seulement des spécialistes capables de sécuriser une infrastructure ou d’analyser un modèle : elles veulent des profils capables de relier sécurité, machine learning, gouvernance, produit et gestion de crise. Une stratégie efficace en 2026 doit donc définir précisément les risques couverts, distinguer les compétences réellement indispensables et organiser une évaluation pratique des candidats.
La hausse de 91 % impose de traiter la sécurité de l’IA comme une fonction stratégique
La première décision consiste à ne plus recruter la sécurité de l’IA comme une simple variante de la cybersécurité traditionnelle. La croissance des postes montre qu’il s’agit désormais d’un domaine de compétences à part entière, avec ses propres méthodes d’évaluation et ses propres responsabilités.
LinkedIn a mesuré une progression de 91 % des rôles liés à la sécurité de l’IA sur douze mois. La même analyse indique que les métiers de l’IA ont généré près de 2 millions de nouveaux emplois depuis 2023. Certaines fonctions spécialisées progressent encore plus rapidement : les postes d’experts forward-deployed, chargés d’accompagner le déploiement de solutions chez les clients, ont augmenté de 226 %, tandis que les analystes en criminalistique de l’IA ont progressé de 169 %.
Cette évolution traduit plusieurs besoins opérationnels :
- identifier les failles d’un modèle avant sa mise en production ;
- surveiller les usages abusifs et les détournements ;
- analyser les traces laissées par les prompts, les données et les agents ;
- encadrer les systèmes autonomes ;
- documenter les risques pour les équipes juridiques, produit et dirigeantes.
Le Bureau of Labor Statistics prévoit par ailleurs une croissance de 21 % entre 2025 et 2035 pour les analystes en sécurité de l’information. Cette catégorie ne recouvre pas à elle seule la sécurité de l’IA, mais elle confirme la profondeur de la demande pour les fonctions de protection des systèmes numériques.
À retenir : une stratégie de recrutement 2026 doit prévoir une capacité dédiée à la sécurité de l’IA, même lorsque cette fonction est répartie entre plusieurs équipes plutôt que portée par un seul intitulé.
Commencer par une cartographie des risques, pas par une liste de diplômes
Le bon profil dépend d’abord du système à protéger. Une entreprise qui développe un modèle généraliste n’a pas les mêmes besoins qu’un éditeur qui intègre un modèle tiers dans un outil métier ou qu’une banque qui déploie des agents capables d’exécuter des actions.
La cartographie doit décrire le cycle de vie complet du système : conception, entraînement ou fine-tuning, intégration, mise en production, utilisation par les employés, connexion aux outils externes et retrait du service. Chaque étape doit être associée à des scénarios d’attaque et à un responsable.
Les quatre périmètres à documenter
Le premier périmètre concerne le modèle lui-même. Il inclut les tentatives de contournement des garde-fous, l’extraction d’informations sensibles, l’empoisonnement des données et les comportements inattendus après une modification du modèle.
Le deuxième porte sur les données. Il couvre les informations utilisées pour l’entraînement, les jeux de test, les journaux de conversation, les données personnelles et les documents accessibles par récupération augmentée, ou RAG, une méthode qui permet à un modèle de consulter une base documentaire au moment de répondre.
Le troisième concerne l’application et son infrastructure. Les risques comprennent la gestion des identités, les secrets exposés dans les prompts, les dépendances logicielles, les API, les environnements cloud et les permissions accordées aux agents.
Le quatrième est organisationnel. Il inclut les règles d’usage, les validations humaines, la gestion des incidents, les obligations réglementaires et la capacité à expliquer une décision à un client ou à un régulateur.
Une matrice simple permet de relier chaque risque au profil nécessaire :
| Risque prioritaire | Compétence recherchée | Preuve à demander en entretien |
|---|---|---|
| Contournement des garde-fous | Red teaming de modèles | Rapport de tests avec scénarios reproductibles |
| Fuite de données par un agent | Sécurité applicative et gestion des identités | Architecture de permissions et plan de remédiation |
| Données d’entraînement compromises | Sécurité des données et machine learning | Méthode de contrôle de provenance |
| Décision automatisée difficile à auditer | Gouvernance, risque et conformité | Registre de contrôles et procédure d’escalade |
| Incident après mise en production | Réponse à incident et analyse forensique | Chronologie, triage et rapport post-incident |
Cette méthode évite une erreur fréquente : exiger simultanément une expertise pointue en cybersécurité, une expérience avancée des modèles et une connaissance approfondie de la conformité pour chaque poste. Ces compétences sont rarement réunies au même niveau chez une seule personne. La stratégie doit plutôt construire une équipe complémentaire.
Construire une équipe en trois couches au lieu de chercher un profil impossible
Une équipe solide combine expertise technique, capacité de contrôle et compréhension du produit. Cette organisation permet de recruter plusieurs profils réalistes et de répartir les responsabilités.
La couche technique
Elle regroupe les ingénieurs capables de tester et de sécuriser les modèles, les applications et les agents. Le socle peut inclure Python, la sécurité cloud, les API, les systèmes distribués, le machine learning et les outils de détection.
Les annonces de cybersécurité analysées sur la période 2025-2026 citent fréquemment Python, le prompt engineering, la sécurité de l’IA, l’orchestration d’agents et le MLOps. Le MLOps désigne l’ensemble des pratiques qui automatisent et contrôlent le cycle de vie des modèles, de l’entraînement au suivi en production.
Le recrutement ne doit toutefois pas se limiter aux mots-clés. Un candidat qui connaît la terminologie des agents mais ne sait pas modéliser une frontière de confiance ou réduire une permission excessive ne répond pas au besoin principal.
La couche gouvernance et contrôle
Elle rassemble les spécialistes du risque, de la conformité, de la politique interne et de l’audit. Leur rôle est de traduire les risques techniques en contrôles vérifiables, de définir les conditions de mise en production et de conserver les preuves nécessaires.
Cette couche est particulièrement importante lorsque l’IA intervient dans des domaines réglementés ou traite des données sensibles. Elle doit travailler avec les équipes juridiques et métiers, sans devenir une fonction purement documentaire séparée des ingénieurs.
La couche opérationnelle
Elle comprend les analystes de détection, les responsables de réponse à incident, les ingénieurs sécurité produit et les spécialistes de la criminalistique numérique. Les analystes en criminalistique de l’IA peuvent être amenés à examiner des journaux de prompts, des sorties de modèles, des appels d’outils et des traces d’agent plutôt que des images disque traditionnelles.
Cette couche transforme les contrôles en surveillance quotidienne. Elle vérifie que les protections fonctionnent réellement après une mise à jour du modèle, un changement de fournisseur ou l’ajout d’un nouvel outil.
Définir les postes avec des responsabilités testables
Un intitulé comme « ingénieur sécurité IA » est trop large pour guider un recrutement. Une fiche de poste utile précise le système couvert, les décisions prises par la personne et les livrables attendus dans les trois à six premiers mois.
Exemple de périmètre pour un ingénieur sécurité IA
La personne peut être responsable de la modélisation des menaces, de la conception de tests adversariaux, de la sécurisation des appels d’outils et du suivi des vulnérabilités. Les livrables peuvent inclure une bibliothèque de scénarios de red team, une grille de criticité, un tableau de suivi des corrections et une procédure de validation avant déploiement.
Exemple de périmètre pour un responsable gouvernance IA
Ce poste peut porter sur l’inventaire des systèmes, la classification des usages, la définition des contrôles, la coordination des évaluations et la préparation des dossiers d’audit. La fiche doit préciser les interlocuteurs et les décisions que la personne peut bloquer ou approuver.
Exemple de périmètre pour un analyste en criminalistique de l’IA
Le rôle peut couvrir l’analyse des incidents, la conservation des journaux, la reconstruction d’une chaîne d’actions et la rédaction de rapports compréhensibles par des équipes non techniques. La compétence centrale n’est pas seulement l’analyse d’un modèle, mais la capacité à produire une chronologie fiable et exploitable.
Chaque fiche devrait répondre à cinq questions :
- quel système la personne protège-t-elle ?
- quelles attaques ou défaillances doit-elle détecter ?
- quelles décisions peut-elle prendre seule ?
- quelles équipes doivent-elles être coordonnées ?
- quels résultats doivent être observables après six mois ?
Cette précision améliore le tri des candidatures et réduit les entretiens centrés sur des déclarations générales.
Évaluer les candidats par des exercices réalistes
Les diplômes et certifications peuvent confirmer un socle, mais ils ne suffisent pas à mesurer la capacité à sécuriser un système d’IA. L’évaluation doit reproduire des situations rencontrées en production.
Exercice de modélisation des menaces
Présentez au candidat une application qui permet à un agent de consulter des documents internes et d’exécuter des actions dans un outil métier. Demandez-lui d’identifier les actifs sensibles, les frontières de confiance, les permissions critiques et les scénarios d’abus.
L’évaluation doit porter sur la structure du raisonnement : le candidat distingue-t-il une erreur de modèle d’une faille d’autorisation ? Tient-il compte des actions indirectes, des données récupérées et des possibilités d’escalade ? Propose-t-il des contrôles mesurables plutôt qu’une simple consigne de prudence ?
Exercice de red teaming
Fournissez un système de test et demandez une série d’attaques documentées. Le candidat doit expliquer l’objectif de chaque test, conserver les entrées et sorties pertinentes, évaluer la gravité et proposer une correction.
Un bon exercice ne cherche pas seulement à obtenir une réponse interdite. Il mesure aussi la reproductibilité, la couverture des scénarios, la capacité à réduire les faux positifs et la clarté du rapport transmis à l’équipe produit.
Exercice de réponse à incident
Présentez des journaux montrant qu’un agent a consulté une ressource inattendue et effectué plusieurs appels d’API. Le candidat doit établir une chronologie, déterminer les données exposées, contenir l’incident et définir les vérifications à effectuer avant la reprise.
Cette épreuve révèle les compétences souvent absentes des entretiens théoriques : gestion de l’incertitude, priorisation, communication de crise et capacité à prendre une décision réversible.
Exercice de gouvernance
Demandez au candidat de concevoir un contrôle pour un cas d’usage précis, par exemple la génération de réponses destinées à des clients ou l’automatisation d’une tâche interne. Le livrable doit préciser le propriétaire du risque, les critères de validation, la fréquence de réévaluation et les preuves conservées.
Les grilles d’évaluation doivent utiliser des critères observables : qualité de la menace modélisée, pertinence des contrôles, précision de la documentation, compréhension du produit et capacité à expliquer les arbitrages.
Recruter sur les compétences adjacentes et organiser la montée en puissance
Le marché ne fournit pas encore assez de candidats maîtrisant l’ensemble de la chaîne. Une stratégie réaliste distingue les compétences indispensables dès l’embauche de celles qui peuvent être acquises après l’arrivée.
Les compétences techniques en sécurité, les bases du machine learning, l’analyse des logs et la compréhension des permissions doivent généralement être vérifiables dès le recrutement pour les postes d’ingénierie. En revanche, la connaissance d’un framework interne, d’un fournisseur de modèle ou d’une réglementation spécifique peut faire partie du parcours d’intégration.
Les données du Cisco-founded AI Workforce Consortium indiquent que la part des offres de cybersécurité exigeant des compétences en IA est passée de 14,2 % à 28,5 % en un an dans les pays du G7. Sur les six mois se terminant en mars 2026, les offres comportant un intitulé senior ont progressé de 65 %, contre 5,9 % pour les offres destinées aux profils juniors.
Ces chiffres plaident pour une stratégie à deux voies : recruter quelques profils expérimentés capables de fixer les standards, puis développer les compétences de collaborateurs issus de la sécurité applicative, du cloud, du data engineering, de la conformité ou de la réponse à incident.
Le plan de montée en compétence peut combiner :
- ateliers internes sur les attaques contre les modèles et les agents ;
- exercices réguliers de red team et de réponse à incident ;
- rotations entre sécurité, data, produit et juridique ;
- revue de cas réels issus des incidents internes ;
- accompagnement par un ingénieur senior sur les premières évaluations.
La formation ne doit pas être séparée du travail quotidien. Une équipe progresse plus vite lorsqu’elle transforme chaque nouveau déploiement en exercice de contrôle, avec un résultat documenté et réutilisable.
Gérer les salaires, la rareté et la concurrence entre employeurs
La rémunération doit être construite autour de la rareté des compétences et de la portée du poste, pas uniquement autour du titre. LinkedIn rapporte que des data scientists de l’équipe Safety d’OpenAI peuvent atteindre 325 000 dollars par an. Anthropic affiche de son côté jusqu’à 285 000 dollars pour un poste d’analyste chargé de l’application des mesures de protection liées à la sécurité des enfants.
Ces montants illustrent la concurrence exercée par les laboratoires d’IA sur les profils capables de combiner recherche, sécurité et déploiement. Ils ne constituent pas une grille universelle applicable à toutes les entreprises, mais ils doivent être pris en compte dans la définition du marché cible et des niveaux de séniorité.
Une politique d’attractivité crédible ne repose pas uniquement sur le salaire. Elle doit aussi préciser :
- l’accès aux environnements de test et aux données nécessaires ;
- l’indépendance de la fonction sécurité ;
- la possibilité de publier ou de contribuer à des travaux techniques ;
- le niveau d’influence sur les décisions produit ;
- la prise en charge des astreintes et des incidents ;
- le budget consacré à la formation et aux conférences.
Le processus de recrutement doit être rapide pour les profils rares, mais il ne doit pas supprimer les étapes techniques. Un entretien de cadrage, un exercice pratique court, une discussion avec le produit et une validation des responsabilités peuvent suffire à réduire le délai sans sacrifier la qualité.
À retenir : la rémunération attire les profils rares, mais l’autonomie, l’accès aux systèmes et la capacité réelle à arrêter un déploiement comptent directement dans leur décision.
Mesurer la stratégie avec des indicateurs de recrutement et de risque
Une stratégie de recrutement ne se juge pas au nombre de postes ouverts. Elle doit montrer si l’entreprise réduit effectivement son exposition aux risques liés à l’IA.
Les indicateurs de recrutement peuvent suivre le délai entre l’ouverture et l’acceptation d’une offre, le taux de réussite aux exercices pratiques, la provenance des candidats et le taux de rétention à douze mois. Ils doivent être analysés par famille de compétences afin d’identifier les goulets d’étranglement.
Les indicateurs opérationnels doivent relier les embauches aux résultats de sécurité :
- délai moyen de correction d’une vulnérabilité de modèle ;
- couverture des scénarios de red team avant production ;
- délai de détection d’un comportement anormal ;
- délai de confinement d’un incident impliquant un agent ;
- part des systèmes enregistrés dans l’inventaire ;
- taux de contrôles réévalués après une modification importante.
L’objectif n’est pas de transformer la sécurité en compétition de tableaux de bord. Ces mesures servent à vérifier que les responsabilités sont bien distribuées et que les nouveaux profils disposent des moyens nécessaires pour agir.
Les résultats doivent être revus chaque trimestre avec les responsables de la sécurité, de l’IA, du produit et du risque. Si un indicateur se dégrade, l’entreprise doit déterminer s’il manque une compétence, une autorité de décision, un outil ou une procédure.
Notre avis : recruter d’abord l’architecture de sécurité, puis les spécialistes
En 2026, la meilleure stratégie n’est pas de publier une offre vague pour un « expert en sécurité de l’IA ». Il faut commencer par nommer les systèmes critiques, répartir les responsabilités entre technique, gouvernance et opérations, puis évaluer les candidats sur des scénarios proches de la production.
Les chiffres de LinkedIn, avec une hausse de 91 % des postes liés à la sécurité de l’IA, confirment que la concurrence va rester forte. Les données du Cisco-founded AI Workforce Consortium montrent en parallèle que les compétences IA deviennent courantes dans les offres de cybersécurité, tandis que les postes seniors progressent beaucoup plus vite que les postes juniors.
La priorité des six prochains mois devrait être un noyau expérimenté, capable de définir les contrôles et de traiter les incidents, accompagné d’un programme de formation pour les équipes de sécurité existantes. Les entreprises qui se contentent d’ajouter l’intitulé « IA » à leurs offres sans modifier les exercices, les responsabilités et les moyens risquent de recruter des profils séduisants sur le papier mais insuffisants face aux incidents réels.
La question n’est donc plus de savoir s’il faut recruter en sécurité de l’IA, mais quelle combinaison de compétences permettra de protéger les systèmes déjà en production tout en accompagnant les prochains agents autonomes.