Recruter pour un projet IA : les compétences qui comptent vraiment

La scène se répète dans beaucoup d'entreprises. La direction décide d'investir dans l'intelligence artificielle, quelqu'un ouvre un poste, et l'intitulé retenu est « ingénieur IA » ou « data scientist ». Trois mois plus tard, la personne recrutée est excellente, s'ennuie, et l'entreprise ne comprend pas pourquoi le projet n'avance pas.

Le problème est presque toujours le même : le profil recruté correspondait à une étape que le projet n'avait pas encore atteinte. Recruter un profil IA suppose d'abord de savoir où l'on se situe, parce que les trois stades d'un projet appellent trois compétences dominantes qui ne se trouvent presque jamais chez la même personne.

Cet article propose une lecture par stade, une trame de fiche de poste réutilisable, les signaux d'alerte dans les candidatures très génériques, et quelques questions d'entretien qui discriminent réellement. Il vaut pour une PME comme pour une direction métier d'un grand groupe.

Le stade du projet détermine le profil

Voici la correspondance qui évite la majorité des erreurs de casting.

Un chercheur, c'est-à-dire quelqu'un dont le métier est de concevoir ou d'adapter des modèles, n'est nécessaire que si votre problème n'a pas de solution disponible sur étagère. Dans l'écrasante majorité des projets d'entreprise, ce n'est pas le cas : la valeur se crée dans le cadrage, l'accès aux données, l'intégration et l'adoption, pas dans l'algorithme. Recruter un profil de recherche pour brancher une API revient à embaucher un architecte pour repeindre un couloir : la personne le fera, mal vécu, et partira.

Les compétences en intelligence artificielle qui comptent vraiment

Au-delà des intitulés, voici ce qui fait la différence sur le terrain, dans l'ordre d'importance constaté.

1. Savoir transformer un besoin flou en critère mesurable. « Améliorer le service client » ne se code pas. « Répondre correctement à 80 % des questions sur les délais de livraison, mesuré sur un jeu de 200 questions réelles » se code. Cette compétence est rare et elle conditionne tout le reste.
2. Comprendre les données de l'entreprise. Savoir où elles sont, ce qu'elles valent, ce qui manque et pourquoi certains champs sont vides depuis 2019. Un profil interne reconverti bat souvent un profil externe brillant sur ce point.
3. Intégrer proprement. Gérer les erreurs, les reprises, les limites de débit, les délais d'attente, les coûts variables. C'est du génie logiciel classique, et c'est là que 70 % du travail se passe.
4. Évaluer. Construire un jeu de tests, mesurer une régression, comparer deux versions. Sans cette discipline, personne ne saura jamais si le système s'améliore ou se dégrade, sujet que nous avons traité dans notre article sur la lecture d'un benchmark de modèle.
5. Expliquer et embarquer. Un système que les équipes n'utilisent pas ne produit aucune valeur. Savoir former, écouter les objections et ajuster fait partie du poste.
6. Connaître le cadre juridique de base. Protection des données, propriété intellectuelle, obligations de transparence. Le règlement européen sur l'intelligence artificielle prévoit d'ailleurs, depuis février 2025, que les organisations veillent à un niveau suffisant de maîtrise de l'IA chez les personnes qui utilisent ces systèmes pour leur compte.

Les compétences que l'on surestime : la connaissance encyclopédique des modèles du moment, qui se périme en six mois ; la capacité à entraîner un modèle depuis zéro, qui ne servira jamais ; la maîtrise d'un outil particulier, qui s'apprend en deux semaines.

Recruter un profil IA : la trame de fiche de poste

Une fiche de poste utile tient en une page et répond à quatre questions. Voici une trame directement réutilisable.

• Contexte, en trois phrases. Ce que fait l'entreprise, ce qui a déjà été tenté, ce qui a échoué. Les bons candidats lisent cette partie en premier, et l'honnêteté attire.
• Mission des six premiers mois, en trois points. Pas une liste de responsabilités abstraites : trois objectifs datés. Par exemple, livrer un assistant de recherche documentaire pour le service juridique, atteindre un taux de réponse correcte de 80 % sur un jeu de tests construit avec eux, et documenter la reprise par l'équipe interne.
• Environnement technique réel. Vos langages, votre hébergement, vos contraintes. Un candidat qui découvre après signature que tout passe par un progiciel de 2011 se sentira trompé, et il aura raison. Nous détaillons ces frictions dans notre article sur l'intégration des outils existants.
• Ce que le poste n'est pas. Section trop rare et très efficace. « Ce poste ne comporte pas d'entraînement de modèles » ou « ce poste comporte 30 % d'échanges avec les équipes métier » filtre mieux que dix critères de sélection.

Un mot sur la fourchette de rémunération : l'afficher fait gagner un temps considérable. Le marché des profils data et IA reste tendu, les candidats compétents reçoivent plusieurs sollicitations, et une annonce sans salaire est souvent écartée d'emblée.

Lire un CV : les signaux d'alerte

Le domaine attire beaucoup de candidatures reconverties très vite, souvent sincères, parfois construites sur du vent. Quelques repères pour trier sans injustice.

• Des projets uniquement personnels ou issus de formations. Ce n'est pas disqualifiant en soi, mais demandez systématiquement ce qui a été mis entre les mains d'utilisateurs réels, et ce qui s'est passé ensuite.
• Une liste d'outils sans un seul résultat. Quinze technologies citées, aucun chiffre, aucun contexte. Demandez le volume traité, la durée de vie du système, ce qui a été abandonné.
• Aucune mention d'échec. Un candidat qui n'a jamais vu un projet s'arrêter n'a probablement pas vu de production.
• Le vocabulaire du moment sans le socle. Quelqu'un qui parle couramment d'agents et de vectorisation mais ne sait pas expliquer ce qu'est une transaction en base de données aura du mal sur l'intégration.
• À l'inverse, un signal positif souvent ignoré : un développeur expérimenté sans étiquette IA, qui a livré des systèmes fiables pendant dix ans. Il apprendra les modèles en quelques semaines ; l'inverse est beaucoup plus long.

Quatre questions d'entretien qui discriminent

Les questions techniques classiques se préparent. Celles-ci beaucoup moins.

1. « Racontez-moi un projet que vous avez arrêté, et comment vous avez pris la décision. » Vous cherchez un critère d'arrêt explicite, pas une anecdote de renoncement.
2. « Comment sauriez-vous que ce système s'est dégradé, trois mois après sa mise en service ? » Une bonne réponse parle de mesure continue, de jeu de tests rejoué et d'alerte, pas de remontées d'utilisateurs.
3. « Le modèle répond bien dans 85 % des cas. Que faites-vous des 15 % restants ? » Une bonne réponse s'intéresse à la nature des erreurs, à leur coût, et au comportement de repli. Une mauvaise réponse promet d'améliorer le prompt.
4. « Le métier vous dit que le résultat est faux, les tests disent qu'il est bon. Comment tranchez-vous ? » Vous testez l'humilité et la méthode : le réflexe attendu est d'aller regarder des cas réels avec la personne, pas de défendre le chiffre.

Recruter, former ou sous-traiter

Le recrutement n'est pas toujours la bonne réponse, et il l'est rarement en premier. Trois configurations, à choisir selon la maturité.

Cette progression rejoint ce que nous écrivions dans notre article sur le coût réel d'un projet d'IA générative : le poste de dépense principal n'est pas la technologie, c'est le temps humain, avant comme après la mise en service. Et si vous choisissez la voie de la prestation, notre grille de sélection d'un prestataire vous aidera à contractualiser le transfert plutôt qu'à l'espérer.

Un dernier conseil, souvent décisif : le meilleur premier recrutement est fréquemment une personne déjà présente dans l'entreprise, qui connaît les processus et que l'on forme, plutôt qu'un spécialiste extérieur qui devra passer six mois à comprendre votre métier. La rareté ne porte pas sur la compétence technique, elle porte sur la combinaison entre compétence technique et connaissance du terrain. C'est cette combinaison qu'il faut chercher, et parfois fabriquer. Se former reste possible localement, comme le montre notre panorama des formations à l'IA dans la région lyonnaise.