L'Avènement de l'Ingénieur IA : Une Révolution Professionnelle

Tout le monde parle d'IA, mais personne ne parle de comment transitionner facilement dedans.

Étonnamment, les plus grosses qualités dans les futures opportunités IA seront celles, contre toute attente, de bons software engineers, de bons system designers & de bons devops, représentant jusqu'à 60 %-70 % des compétences nécessaires pour les projets en "Gen AI".

Bien évidemment, une compréhension des concepts de base des modèles de langage reste clé & nécessaire.

Pour ça, idéalement, une compréhension des concepts de base du "Machine Learning" & du "Deep Learning" va de pair avec ça, mais sans forcément pousser le côté théorique. Comprendre la base de l'algèbre, visualiser rapidement comment marche une régression linéaire, avoir des notions sur l'entraînement supervisé & non supervisé, un réseau de neurones, les paramètres d'un réseau de neurones, etc., sont largement suffisants pour commencer.

L'architecture étant principalement basée sur le modèle "Transformer" (attention, encodage, décodage, etc.), idéalement, creuser les notions serait bienvenu. Mais clairement pas nécessaire. Vous pouvez regarder cette vidéo pour avoir une idée : Vidéo sur le sujet.

Ensuite, les vraies compétences pratico-pratiques liées à l'IA & qu'il faut acquérir sont surtout les suivantes :

• Savoir utiliser les nouveaux frameworks "Agentic"
• Savoir quelles sont les limites d'un modèle de langage, le prompt engineering... etc.
• Enrichir les modèles avec des connaissances externes (RAG, CAG, etc.)
• Savoir quand & comment fine-tuner un modèle
• Savoir déployer des modèles en production & gérer les problématiques de latency/throughput/cost
  ‍

Les pourcentages affichés représentent pour moi une moyenne grossière de la répartition des compétences nécessaires. Et bien sûr qu'on retrouvera des AI-engineers qui sont bien plus proficient sur le côté software, d'autres plus sur le côté infra, et certains plus sur le côté LLM.
Et dans cet article, je vais vous expliquer pourquoi je pense cela.

L'heure est grave, l'heure est au sérieux

Nous assistons au plus grand changement de paradigme de ces dernières années. L'IA fait sa place rapidement et disruptera bientôt tous les domaines, y compris & surtout le domaine intellectuel, qui fut souvent épargné. Et contrairement à ce que certains pourraient penser, ce n'est pas une menace, mais une opportunité extraordinaire !
Cette révolution va nous sortir de notre zone de confort. Elle va nous pousser à aller plus loin, à progresser plus haut, plus vite et plus fort. C'est pourquoi nous, développeurs en tout genre — front-end, full-stack, data engineers/scientists, devops — avons le devoir de passer au niveau supérieur. Et... AVEC LE SOURIRE, s'il vous plaît.
‍

L'IA : une commodité accessible à tous
Cela n'a échappé à personne : l'émergence rapide de l'IA, mais surtout de l'IA accessible à tous, en fait désormais une commodité. Ce n'est plus l'apanage d'experts du domaine. Plus besoin d'être expert en mathématiques et en statistiques pour pouvoir s'en servir.
Bien sûr, pour les cas les plus spécifiques et complexes, ces compétences seront toujours utiles.

Et d'ailleurs, cet exemple particulier rejoint exactement ce que je disais plus haut : l'IA pousse les experts à devenir meilleurs et à s'attaquer à des problématiques bien plus complexes.
Et ceux qui voudront rester dans leur confort sur les problématiques d'antan seront vite dépassés.
‍

L'émergence de l'IA Engineer
La principale qualité d'un IA Engineer n'est autre qu'être un très bon Software Engineer. Avec toutes les nouvelles notions de LLMs, de prompt engineering, de RAG, de vectoriels, de nouveaux frameworks, etc.
Comme c'est si bien décrit dans l'article "The Rise of the AI Engineer", qui est devenu une petite référence dans le milieu, nous assistons à l'émergence d'un nouveau rôle professionnel : l'Ingénieur IA.

Ce diagramme illustre parfaitement comment l'Ingénieur IA se positionne à l'intersection de trois domaines clés :

• L'expertise en Machine Learning (Data Scientists, ML Engineers, MLOps Engineers, etc.)
• La recherche en IA (très spécifique, peu accessible & très peu d'opportunités). Les LLM-researchers sont extrêmement spécialisés et, en général, travaillent exclusivement chez les LLM providers.
• L'ingénierie logicielle traditionnelle (Software Engineers, DevOps Engineers, etc.)
  ‍

Pourquoi ce rôle émerge maintenant ?
Plusieurs facteurs expliquent l’émergence de ce nouveau rôle :

• Les foundation models sont devenus accessibles — des tâches d'IA qui nécessitaient 5 ans et une équipe de recherche en 2013 ne requièrent aujourd'hui que de la documentation API et un après-midi libre en 2025. Merci au papier de 2017 qui a tout accéléré : Attention is all you need
• La démocratisation des API — Microsoft, Google, Meta et les grands laboratoires des foundation models ont concentré les talents de recherche rares pour essentiellement proposer "l'IA as a Service". Vous ne pouvez pas les embaucher, mais vous pouvez les louer — si vous avez des software engineers capables de travailler avec ces API.
• L'approche "Fire, ready, aim" — au lieu d'exiger que des data scientists/ML engineers effectuent un laborieux exercice de collecte de données avant d'entraîner un modèle spécifique, un chef de produit/ingénieur logiciel peut désormais interroger un LLM et construire/valider une idée de produit avant d'obtenir des données spécifiques pour l'affiner.
• Python + JavaScript — L'IA traditionnelle est extrêmement centrée sur Python, mais les outils d'ingénierie IA comme LangChain.js et Transformers.js s'adressent désormais à un public bien plus large, incluant les développeurs JavaScript.

Ce qui ouvre la voie à un nouveau continuum de compétences, où l'ingénieur IA est un ingénieur logiciel qui a une expertise en IA.

Ce que fait un Ingénieur IA

Contrairement à l’ingénieur ML traditionnel, l’Ingénieur IA :

• Se concentre sur l’application des modèles plutôt que sur leur création
• Construit des systèmes qui orchestrent et exploitent l’intelligence des LLM
• Développe des applications qui intègrent l’IA de manière pratique et utile
• Maîtrise les outils comme LangChain, LlamaIndex, et les bases de données vectorielles
• Comprend comment évaluer et sélectionner les modèles appropriés pour différentes tâches
• Met en place des infrastructures pour l’IA (quand le self-hosting est nécessaire pour un custom model ou pour des raisons de compliance/privacy), avec toutes les problématiques de latency/throughput/cost sous-jacentes

Comme l’a dit Andrej Karpathy, ancien directeur de l’IA chez Tesla :
"En nombre, il y aura probablement beaucoup plus d’Ingénieurs IA que d’ingénieurs ML/LLM. On peut réussir dans ce rôle sans jamais entraîner quoi que ce soit."

Le code toujours au cœur du processus
‍
L’un des plus grands thèmes de ces dernières années a été la réaffirmation du rôle du code écrit par l’humain pour orchestrer et compléter la puissance des LLM. Nous sommes passés du "Prompt Engineering" à une approche plus sophistiquée où le code joue un rôle central.
Cette évolution marque le passage du Software 2.0 (décrit par Karpathy en 2017) vers un concept plus vaste où notre langage naturel devient le nouveau langage de programmation, mais où le code traditionnel reste essentiel pour structurer et contrôler les systèmes.

La sécurité : Un aspect autant primordial que négligé

Un sujet aussi peu sexy que la sécurité est pourtant un aspect essentiel.

Et pour comprendre comment les contrer, on doit connaître & maîtriser les vulnérabilités spécifiques des LLMs. En voici une liste non exhaustive :

• Prompt Injection
• Data/Model Poisoning
• Obfuscated Attacks (images encodées avec des charges malveillantes)
• System Prompt Leakage
• ...

(L’OWASP – Open Web Application Security Project – a récemment publié un guide détaillant ces risques.)

Surtout dans le cas d’agents autonomes, où ils peuvent accéder à des données sensibles ou contrôler des systèmes critiques, la négligence en matière de sécurité peut avoir des conséquences désastreuses.
‍

Conclusion : Embrasser le changement
‍
La montée en puissance de l’Ingénieur IA représente une opportunité extraordinaire pour les développeurs de tous horizons. Plutôt que de craindre d’être remplacés, nous devrions voir cette évolution comme une chance de nous élever, d’apprendre de nouvelles compétences et de créer des applications plus puissantes que jamais.
L’avenir appartient à ceux qui sauront maîtriser à la fois les outils d’IA et les fondamentaux du software engineering.
Alors, êtes-vous prêt à devenir un Ingénieur IA ? Le futur n’attend pas, et il est temps de l’embrasser avec enthousiasme et détermination.

Dans un prochain article, je vous parle des prérequis pour garder un temps d’avance sur le marché.
‍

Article par B.ERRAJI, consultant data OSSIA - SONATE