Recruter des développeurs IA : compétences clés et critères de sélection

Presque tous les ingénieurs que vous interviewerez en 2026 savent formuler un prompt pour un modèle de langage. Beaucoup moins ont livré une fonctionnalité IA qui a survécu au trafic de production, à une revue de sécurité et à un trimestre de dégradation des résultats. C’est dans cet écart que partent les budgets IA de la première année.

Ce guide pour recruter des développeurs IA part d’une seule règle : décidez si le travail relève de la construction de modèles, de l’ingénierie applicative ou de l’évaluation, puis évaluez les candidats sur des systèmes qu’ils ont mis entre les mains d’utilisateurs réels, et non sur des modèles affinés dans un notebook. La clarté du rôle, plus que la séniorité, est ce que la plupart des recrutements IA ratés ont manqué.

La suite couvre les types de rôles, les questions de sélection, les modèles de collaboration et les facteurs de coût. Elle vient d’une équipe qui livre des agents IA en production avec une mémoire réelle, des règles d’escalade et des journaux d’audit complets, et qui entraîne ses modèles sur les données de ses clients plutôt que sur des jeux de référence. Chaque arbitrage ci-dessous est un arbitrage que nous faisons lors du cadrage de services de développement en intelligence artificielle, où la distance entre un CV convaincant et un système qui fonctionne apparaît généralement dès le premier sprint.

De quel type de développeur IA avez-vous réellement besoin ?

La plupart des recrutements IA ratés commencent par un intitulé de poste au lieu d’un énoncé de problème. « Développeur IA » couvre trois disciplines qui partagent un vocabulaire et pas grand-chose d’autre ; la première étape de tout guide pour recruter des développeurs IA consiste donc à décider laquelle votre feuille de route exige. Choisissez mal et vous payerez un salaire de chercheur à quelqu’un dont le vrai travail est de brancher une API de modèle sur la facturation.

Ingénieurs ML : entraînement de modèles, pipelines de données, évaluation

Les ingénieurs ML justifient leur salaire sur les parties que personne ne montre en démo : la stratégie d’annotation, le feature engineering, le déséquilibre des classes et le cadre d’évaluation qui vous dit qu’un réentraînement a dégradé les résultats. Le modèle est le plus petit artefact qu’ils produisent.

C’est aussi le recrutement le plus dépendant des données que vous ferez. Les travaux ML de Redwerk sur une plateforme de recrutement, où nous avons utilisé Azure ML Studio pour entraîner un modèle d’appariement de CV sur plus de 1,5 million d’enregistrements, ont pris plus de temps sur la forme des données que sur le choix du modèle. Un candidat qui ne parle que d’architectures n’a jamais eu la charge d’un jeu d’entraînement aussi désordonné. Recrutez ce profil quand votre avantage réside dans des données qui vous appartiennent.

Ingénieurs applicatifs IA : agents, orchestration, intégrations

C’est le rôle dont la plupart des équipes mid-market ont besoin et celui qu’elles étiquettent le plus souvent de travers. Un ingénieur applicatif IA construit le système autour du modèle : ce que l’agent est autorisé à faire, ce qu’il renvoie à un humain, ce qu’il mémorise, ce qu’il journalise. Au quotidien :

• Des appels d’outils et de fonctions vers vos API, avec des reprises et des délais d’expiration qui partent du principe que le modèle se trompera parfois.
• Une mémoire cadrée et expirable, plutôt qu’un contexte qui gonfle sans fin.
• Des règles d’escalade, pour qu’un agent incertain s’arrête au lieu d’improviser.
• De l’instrumentation à chaque étape, parce que « l’IA a fait quelque chose de bizarre » n’est pas un rapport exploitable.
• Un coût et une latence qui tiennent dans un budget que le produit peut supporter à pleine charge.

Cette liste est proche de la définition opérationnelle des services de développement d’agents IA de Redwerk. Les ingénieurs qui excellent sur ce terrain viennent du backend et ont appris l’orchestration ensuite.

Spécialistes LLM et prompts : quelle place leur donner

Le prompt engineering comme métier autonome à temps plein est rare en dessous de l’échelle grand compte, et en faire votre premier recrutement IA est généralement une erreur. L’évaluation est la moitié sous-estimée de cette compétence : un jeu de test issu du trafic réel, une définition de la bonne réponse dans votre domaine et une régression détectée avant qu’un client ne la trouve.

Dans la plupart des entreprises mid-market, cela revient à l’ingénieur applicatif ou à un spécialiste QA. Demandez-le explicitement malgré tout, car les équipes qui sautent l’évaluation livrent des fonctionnalités IA dont elles ne peuvent pas prouver le bon fonctionnement.

Les questions qui révèlent une vraie expérience IA en production

L’expérience IA est inhabituellement facile à simuler, parce que le vocabulaire est public et que les tutoriels sont excellents. La réponse pratique à la question de savoir comment recruter un développeur IA consiste à mener l’entretien sur les cicatrices : quiconque a exploité un système IA en production a en réserve des anecdotes précises et légèrement agacées, et ce sont elles qui font signal. Traitez les trois groupes ci-dessous dans l’ordre, car l’expérience de production filtre déjà les deux autres.

Maturité pour la production

Commencez ici et soyez direct. Vous cherchez à établir une seule chose : cette personne a-t-elle été d’astreinte pour quelque chose qu’un modèle a fait ?

• Quel volume de trafic réel votre fonctionnalité IA a-t-elle absorbé, et qu’est-ce qui a lâché en premier ?
• Comment avez-vous découvert que la qualité des résultats baissait ? Décrivez-moi l’alerte.
• Montrez-moi comment vous journalisiez la décision d’un agent, et qui pouvait la lire.
• Qu’avez-vous livré puis désactivé plus tard, et pourquoi ?

La dernière question compte le plus, car les candidats qui n’ont construit que des démos n’ont jamais eu à en arrêter une. Dans le travail de développement logiciel sur mesure avec IA, la piste d’audit et le chemin d’escalade sont ce que les clients appellent d’abord de la surcharge, et ce qui rend le système défendable.

Maîtrise réelle des frameworks

Les noms de frameworks sur un CV ne vous apprennent presque rien. Ce que ce choix leur a coûté vous apprend beaucoup. Demandez quel framework d’orchestration ils ont retenu, puis ce que ce choix a rendu difficile.

Les bonnes réponses sont précises et légèrement critiques. Quelqu’un qui a réellement livré avec LangChain peut nommer les parties qu’il a fini par retirer, la même distinction que celle apparue lorsque nous avons comparé les meilleurs frameworks LLM sur de vraies charges de travail plutôt que sur des démos. Poussez ensuite sur la gestion de l’état, en demandant s’ils ont choisi un graphe explicite ou une équipe fondée sur les rôles et ce que cela leur a coûté à l’exécution, car c’est le point où LangGraph vs CrewAI cesse d’être une préférence pour devenir une contrainte opérationnelle. S’ils ont migré de l’un vers l’autre, demandez ce qui a cassé : le passage d’une chaîne linéaire à un graphe avec état est le moment où les équipes découvrent que leur logique de reprise n’a jamais rien fait, ce que nous avons constaté en travaillant sur LangChain vs LangGraph.

Terminez par la sonde la moins chère de la liste. Demandez ce qu’ils construiraient sans aucun framework : la vraie profondeur se manifeste par une description en deux phrases de la boucle et de la gestion de l’état en dessous, et cela sépare ceux qui comprennent l’abstraction de ceux qui en dépendent.

Sécurité des données sur des jeux de données propriétaires

Si votre projet touche à des dossiers clients, des contrats, des données de santé ou tout ce sur quoi un auditeur posera des questions, c’est ce point qui décide du recrutement. C’est là que les candidats ont le plus souvent une réponse assurée et aucune cicatrice.

Demandez quelles données sont sorties de leur environnement, comment ils ont traité les informations personnelles identifiables dans les prompts, quelles conditions de conservation ils avaient avec leur fournisseur de modèle et qui a validé. Le nom des contrôles importe moins que le fait que le candidat ait eu cette conversation avec une équipe sécurité et en ait perdu une partie. Pour un travail réglementé, attendez-vous à un déploiement privé et à une trace de la version de modèle qui a vu quelles données.

Recrutement interne, freelance ou équipe IA dédiée ?

Une fois que vous savez de quel rôle vous avez besoin, la deuxième décision porte sur la façon de le pourvoir, et cela dépend de la durée du travail et du nombre de disciplines qu’il touche. La règle approximative : un livrable délimité convient à un freelance, une capacité permanente convient à un salarié, et une construction pluridisciplinaire avec une date convient à une équipe.

Quand un freelance suffit

Un freelance est le bon choix quand le livrable est délimité et que quelqu’un de votre côté peut en reprendre la charge ensuite. Pensez à une preuve de concept, à un cadre d’évaluation ou à une migration entre fournisseurs de modèles.

Le mode d’échec est prévisible. Le travail IA en freelance arrive sous la forme d’un notebook fonctionnel et d’une fine couture vers votre produit, et la seule personne qui comprend cette couture facture sa dernière heure et s’en va. Si cela doit tourner sans surveillance le trimestre prochain, vous avez acheté un problème de maintenance au rabais.

Quand un recrutement interne a du sens

Recrutez en interne quand l’IA cesse d’être un projet et devient une partie du produit. Un salarié permanent accumule le contexte qui rend vos deuxième et troisième fonctionnalités IA moins chères que la première : les particularités de vos données, votre tolérance à une mauvaise réponse, votre processus de revue.

Le hic, c’est que la fiche de poste que vous rédigez aujourd’hui est généralement fausse. Les équipes publient une offre pour un ingénieur IA généraliste, mènent les entretiens sur un profil de chercheur, puis regardent cette recrue passer trois trimestres sur une intégration backend que personne n’avait cadrée. Rédigez plutôt la fiche à partir du livrable, et gardez la feuille de route en mouvement pendant la recherche. Nos ingénieurs de livraison utilisent des outils de développement logiciel assisté par IA, dont Codex, CodeWhisperer et AutoML, ce qui augmente ce que l’équipe existante peut absorber sans prétendre remplacer le spécialiste.

Quand une équipe IA dédiée l'emporte

Une équipe dédiée l’emporte quand la construction exige plusieurs disciplines en même temps et une date. Une équipe de développement IA vous donne un ingénieur ML, un ingénieur applicatif et un responsable de l’évaluation sans mener trois processus de recrutement en parallèle.

L’argument le plus tranchant est la couverture de l’évaluation. Aussi expérimentée que soit une recrue unique, elle finit par corriger sa propre copie : celui qui a écrit la chaîne de prompts décide aussi si le résultat est assez bon. Séparer ces deux missions entre deux personnes est la raison structurelle d’acheter une équipe de développement dédiée plutôt que de courir après le recrutement d’ingénieurs IA dans un plan d’effectifs rédigé avant que quiconque connaisse la feuille de route. Cela échoue tout de même sans une personne en interne capable de décider vite.

Combien coûte le recrutement de développeurs IA ?

Il n’existe pas de chiffre unique, et quiconque en propose un sans avoir vu vos exigences vous vend quelque chose. Appuyez-vous sur les données publiques du marché du travail, puis sur vos propres facteurs de coût.

Pour une référence américaine, l’Occupational Outlook Handbook du BLS situe la rémunération médiane des data scientists, la profession suivie la plus proche du travail ML concret, à 120 230 $ par an en mai 2025, et prévoit une croissance du domaine de 35 % entre 2025 et 2035. Les chiffres de mai 2025 pour les chercheurs en informatique du même manuel placent le volet recherche à une médiane de 140 300 $. Ces deux fourchettes expliquent pourquoi toute estimation du coût d’un développeur IA fondée sur des salaires de 2023 paraît aujourd’hui sous-évaluée.

Ce que les grilles de salaires ratent, c’est la part propre au travail IA : les effectifs ne sont souvent pas la ligne la plus lourde. Sur les projets à forte composante modèle, le calcul et la préparation des données coûtent régulièrement plus cher que l’ingénieur qui les pilote, et le rapport change encore après le lancement, quand l’inférence devient une facture récurrente plutôt qu’un coût de construction.

Les véritables facteurs de coût

• Travail sur le modèle contre travail applicatif. Entraîner sur vos propres données implique de l’annotation, du calcul et une boucle d’évaluation répétée. Un modèle hébergé déplace la dépense vers l’inférence à l’appel, qui croît avec l’usage.
• Volume et état des données. Le volume est un coût de calcul. L’état est un coût humain, et c’est celui qui surprend les budgets : schémas incohérents, étiquettes manquantes, doublons.
• Conformité et résidence des données. Des données réglementées, une région garantie ou un déploiement privé transforment une intégration d’une semaine en un exercice d’architecture de plusieurs semaines.
• Surface d’intégration. Un agent qui lit une seule API coûte peu. Un agent qui écrit dans votre CRM, votre facturation et votre outil de tickets est un projet de systèmes distribués avec un modèle greffé dessus.

Comment évaluer la capacité de livraison IA réelle d'un prestataire

L’évaluation des prestataires échoue comme celle des candidats : tout le monde a une présentation, peu ont un système en service avec de vrais utilisateurs. L’AI Index Report 2026 de Stanford HAI constate que 88 % des organisations interrogées utilisent désormais l’IA dans au moins une fonction métier, alors que le déploiement d’agents reste à un chiffre dans presque toutes les fonctions. La majeure partie du marché expérimente, et votre travail consiste à trouver la part qui n’en est plus là, que vous recrutiez des développeurs IA dans vos effectifs ou que vous achetiez la capacité. Quatre vérifications permettent de les trier :

• Demandez l’architecture, pas le résultat. Un partenaire qui a livré un agent décrit son modèle de mémoire, ses règles d’escalade et sa journalisation d’audit dès le premier appel.
• Vérifiez l’ingénierie en dessous. La plupart des projets IA échouent comme des projets logiciels ordinaires, par une mauvaise plomberie de données et une absence d’observabilité. Un long historique de livraison hors IA le prédit mieux qu’un portfolio IA.
• Testez la correspondance technique. Demandez qui serait affecté au projet et ce que cette personne a construit dans votre stack exacte. Des noms et des systèmes antérieurs signifient des spécialistes disponibles ; une déclaration de capacité signifie que quelqu’un compte apprendre sur votre budget.
• Sondez leur façon de travailler sans spécification complète. Personne ne sait ce qu’un modèle peut faire dans votre domaine avant de l’avoir essayé, alors demandez comment ils ont absorbé un changement en cours de construction.

Ces deux derniers points sont ceux sur lesquels les clients de Redwerk disent que nous gagnons le contrat. Le périmètre IA bouge toujours après le premier tour d’évaluation, et c’est exactement là qu’un prestataire rigide se bloque.

Jugez les candidats IA sur ce qu'ils ont livré

Les recrutements qui réussissent sont rarement ceux qui maîtrisent le meilleur vocabulaire des modèles. Ce sont ceux qui correspondent au livrable, qui ont été testés sur des systèmes ayant porté de vrais utilisateurs, et qui sont placés dans un modèle de collaboration adapté à la durée du travail.

Trompez-vous sur ces points et l’échec sera coûteux et lent à repérer, car une démo se ressemble dans les deux cas pendant deux mois. Si vous préférez en discuter avec des ingénieurs qui ont livré ce type de travail, contactez-nous.

FAQ

Quelle est la différence entre un développeur IA et un ingénieur ML ?

Un ingénieur ML construit et maintient des modèles : pipelines d’entraînement, feature engineering, cadres d’évaluation, calendriers de réentraînement. « Développeur IA » est plus large et désigne généralement un ingénieur applicatif qui intègre des modèles existants via l’orchestration, les appels d’outils et la mémoire.

Combien de temps faut-il pour recruter un développeur IA en 2026 ?

Plus longtemps que pour une recherche backend équivalente, car le vivier qualifié est plus petit et les contre-offres sont fréquentes en haut de l’échelle. Le principal retard est auto-infligé : les équipes publient un poste généraliste, mènent les entretiens sur le mauvais profil, puis recommencent. Décider de la discipline dont vous avez besoin avant la mise en ligne de l’offre fait gagner plus de semaines que n’importe quelle tactique de sourcing.

Peut-on recruter un développeur IA à temps partiel ?

Oui, pour un travail délimité comme un cadre d’évaluation, une revue d’architecture ou une preuve de concept. Cela fonctionne mal pour tout ce qui tourne sans surveillance, car les arrangements à temps partiel couvrent rarement la supervision ou la gestion des incidents.

Quels signaux d'alerte surveiller sur le CV d'un développeur IA ?

Des noms de frameworks sans aucun compromis décrit, des projets qui s’arrêtent à la démo, aucune mention d’évaluation ni de supervision, et une incapacité à dire ce qu’ils ont arrêté et pourquoi.

Combien coûte une équipe de développement IA par mois ?

Cela dépend bien plus du dosage des rôles que d’un taux journalier isolé. L’entraînement de modèles porte des coûts de calcul et de préparation des données en plus des salaires, tandis que le travail sur modèle hébergé déplace la dépense vers l’inférence à l’appel. Demandez à tout prestataire de ventiler un devis entre personnes, calcul et coûts de modèle.