La carte de l'ingénieur IA tracée à partir de 40 000 offres : code, agents, RAG et cloud

Baraa a passé deux mois à construire un système qui tourne chaque jour et a collecté plus de 40 000 offres data et IA auprès de plus de 10 000 entreprises dans 100 pays ; plus de 4 000 de ces offres recrutent des ingénieurs IA. Le rôle est très jeune et les plateformes évoluent à un rythme vertigineux, il n'existe donc pas de feuille de route unique qui fasse consensus et la plupart des feuilles de route ne sont que des opinions. Le mantra de la vidéo est clair : sans données vous n'êtes qu'une personne de plus avec une opinion. C'est pourquoi tout le récit s'appuie sur de vraies offres et décortique ce que les entreprises attendent d'un ingénieur IA — compétences, outils, salaires, tâches quotidiennes — en y ajoutant le rôle en forte hausse de l'ingénieur forward deployed.

Qui est l'ingénieur IA ? Dans le cadre de la vidéo c'est un ingénieur logiciel qui construit des applications avec des modèles d'IA, avec une fine couche de data engineering qui déplace et nourrit les données du système. Cela semble simple jusqu'à ce que vous ouvriez les job boards et rencontriez le chaos. Le plus grand cluster ce sont les ingénieurs IA, mais le même poste circule sous plusieurs noms : applied AI, gen AI, generative AI, agentic AI convergent vers le même noyau. Autour gravitent des groupes plus petits : chercheur, architecte, chef de produit. Et l'ingénieur forward deployed, inexistant il y a deux ans et désormais en courbe ascendante. Le bruit des intitulés montre que le marché n'a pas encore normalisé le concept.

La méthode d'analyse des compétences est désarmante de simplicité. Baraa scanne la section “ce que nous recherchons” et respecte le classement interne de chaque offre ; la plupart des listes sont de longues wish-lists que personne ne peut entièrement satisfaire, les lignes du haut sont must-have et le bas nice-to-have. La fréquence compte, mais la position compte aussi. La vidéo regroupe les mentions en clusters pour faire émerger des motifs au lieu de compter les outils un par un. Le segment de formation sponsorisée est distillé ici en une phrase neutre : un exemple de parcours qui démarre avec Python pratique puis enseigne ensemble LLMs, agents, RAG et exploitation, dont les premiers chapitres sont essayables gratuitement.

Compétences les plus demandées et trio central

Le haut de la liste ne surprend pas. Python est le numéro un incontesté, presque chaque poste en dépend ; en deuxième vient la capacité à travailler avec de grands modèles de langage. Dans le cluster des langages Python domine et les mentions de TypeScript et SQL restent marginales. La recommandation suit les données : maîtrisez Python jusqu'aux sujets avancés et ajoutez SQL comme second langage si besoin. Le message est d'abord ingénieur, ensuite IA. Le choix du langage est une décision d'outil, pas la thèse. Le poids de Python s'aligne avec l'idée que l'ingénieur IA utilise des modèles plutôt que de les entraîner de zéro.

À l'intérieur du cluster des compétences IA un trio de base se détache : les LLMs en tête, suivis des agents IA et du RAG. La vidéo donne des définitions fonctionnelles nettes : le LLM est le modèle à l'intérieur de votre application, l'agent connecte ce modèle à des outils pour qu'il agisse, le RAG cherche dans les documents d'entreprise et alimente le modèle pour stopper les hallucinations. Ce qui suit ce trio corrige une idée reçue : pas besoin d'entraîner des modèles de zéro, ni de PhD ni de maths profondes. C'est le travail du data scientist. Le travail de l'ingénieur IA est de construire le système ; le scientifique découvre le modèle. Une fois la frontière claire, le chemin se simplifie.

Pour les choix d'outils et de plateformes la vidéo plaide pour la simplification. Côté modèle un seul LLM fort suffit, GPT ou Claude, Baraa utilise Claude au quotidien mais changer est normal ; PyTorch et TensorFlow peuvent rester de côté car ils portent sur l'entraînement, qui n'est pas le cœur du métier. Dans le coin frameworks et écosystème LangChain et LangGraph ressortent, avec les API OpenAI et Hugging Face plus les bases vectorielles autour. Sur les clouds AWS mène, suivi d'Azure et Google ; n'essayez pas d'apprendre les trois, choisissez-en un, l'incitation générale va vers AWS avec une note que l'Europe penche davantage vers Azure. La décision doit être ajustée au marché local.

Le cluster des compétences de déploiement est la note la plus appuyée de la vidéo. Construire l'app ne termine pas le travail, il faut savoir la livrer vers l'environnement cible. La liste commence par les API, puis CI/CD et Docker. Baraa pointe l'erreur la plus fréquente qu'il voit : les candidats apprennent à construire et sautent comment déployer. La ligne entre quelqu'un qui bricole chez soi et un ingénieur se trace exactement là. Passer d'une machine locale à la production est le différenciateur. Le déploiement n'est pas un nice-to-have, c'est le signal de carrière.

Tâches quotidiennes, salaires et anatomie du nouveau rôle

Après les compétences vient la partie la plus honnête : ce que vous ferez réellement chaque jour. La même lecture sensible au rang est appliquée, cette fois à la section “ce que vous ferez”. Numéro un construire des applications LLM, numéro deux construire des agents IA pour l'automatisation des processus — non pas des démos de chatbot mais des systèmes qui suivent un plan, appellent des outils et finissent le travail. Numéro trois déployer sur le cloud et surveiller, si la prod casse vous corrigez. Numéro quatre, et le plus difficile, l'évaluation : mesurer les résultats avec des jeux de tests et des scores. Appeler un modèle est facile, répondre si l'on peut faire confiance au résultat est difficile ; c'est là que se crée l'avantage.

Au-delà des gros titres il y a les tâches qui complètent la journée : collaboration inter-équipes, intégration du modèle aux systèmes existants, maintenance des backends et API, maintien du RAG en vie, et gestion de la sécurité et de la conformité. Baraa résume la journée en une ligne : construire l'IA et le logiciel autour, la déployer, la surveiller, mesurer si elle est digne de confiance. Ces quatre verbes sont le squelette de la fiche de poste de l'ingénieur IA. La vidéo présente ce squelette avec un poids égal sur fréquence et responsabilité ; déployer et surveiller sont aussi légitimes que construire.

Viennent ensuite deux sujets sensibles : la paie et les diplômes. Baraa prévient d'emblée que les chiffres viennent uniquement des États-Unis et que seulement environ 30 pour cent des offres US mentionnent un salaire, et le tableau change radicalement selon le pays. Pour donner une échelle il partage malgré tout des moyennes US : environ 150k pour junior, 200k pour senior, 235k pour lead. Comparés aux data engineers, les ingénieurs IA sont plus hauts à chaque niveau et les entreprises paient volontiers une prime pour devenir AI-driven. Côté diplômes la moitié des offres n'en mentionne même pas, l'entrée sans diplôme est réaliste même si un diplôme améliore les chances. Les certificats sont encore plus pâles, mentionnés dans moins de 3 pour cent des offres ; collectionner des badges n'est pas le jeu, un projet portfolio de bout en bout pèse bien plus et vous donne une histoire à raconter en entretien.

Place au cousin promis : l'ingénieur forward deployed. Définition courte : ingénieur solution pour l'IA. Le problème industriel est familier, des centaines de projets sont construits vite mais meurent vite parce qu'ils ne s'intègrent jamais aux systèmes cœur, brûlant argent et temps. Le FDE comble cet écart : écouter les besoins client et accompagner pas à pas vers un système IA intégré, en portant l'ensemble du parcours. L'exemple bancaire clarifie la différence : une banque embauche un ingénieur IA pour construire en interne, tandis que des vendeurs de plateformes comme Databricks, OpenAI ou Anthropic envoient leur FDE sur le site client pour que la plateforme fonctionne vraiment chez ce client. La tendance s'accélère côté vendeur.

FDE et ingénieur IA partagent les mêmes compétences, les modes de vie divergent. Les relevés de la vidéo sont frappants : plus de 80 pour cent des offres FDE incluent une tâche sur les systèmes du client, la moitié mentionne des déplacements, et d'anciens solution engineers sont fréquemment recherchés. Les deux construisent la même chose, mais l'un construit à l'intérieur de l'entreprise et l'autre vit sur le site client avec la plateforme. Le choix est une préférence de carrière sur où vous voulez construire. L'ingénieur IA construit directement dedans, le FDE intègre dehors.

La feuille de route condense désormais toutes ces preuves en un plan phasé clair. Phase un : maîtriser vraiment Python, pas seulement les bases mais les sujets avancés. Juste après apprendre les API et Git plus CI/CD ; une application IA est au fond un service que d'autres logiciels appelleront et votre système doit répondre. À partir de cette fondation passer au cœur IA : d'abord comprendre les LLMs, ce qu'ils peuvent et ne peuvent pas faire et comment contrôler leur comportement, puis les agents où le modèle appelle des outils, suit un plan et achève les tâches. Vient ensuite le RAG : construire une base vectorielle, la nourrir avec les données d'entreprise pour que le modèle réponde à partir des documents au lieu d'inventer. Et l'anneau à ne pas sauter : l'évaluation, prouver que le système que vous avez construit peut être digne de confiance.

Phase trois ce sont les décisions d'outils et de plateformes : choisissez LangChain ou LangGraph, pensez-le avec un fournisseur d'IA et une couche vectorielle, pour les clouds la dérive générale va vers AWS mais vérifiez la pratique locale. Le final est le plus important : un projet portfolio de bout en bout construit autour d'un cas d'usage réel. Au-delà d'une démo de chat ou de questions sur PDF : un ensemble RAG plus agent qui répond à partir des documents et agit, idéalement servi via FastAPI, mesuré avec un jeu d'évaluation de 15 questions, comparé en changeant les prompts et en scorant à nouveau, durci avec des règles de refus et des couches de vitesse et de sécurité. L'étape de clôture est le déploiement : un conteneur, un pipeline qui teste chaque changement, un cloud et une semaine d'observation des logs en direct. L'histoire que vous raconterez en entretien ne sera pas des badges mais ce soin de bout en bout. La note finale de la vidéo est équilibrée : l'ingénierie IA figure parmi les filières d'ingénierie les mieux payées et n'exige pas de PhD, mais comme les outils vieillissent vite le plus grand risque est que ce que vous apprenez se périme ; la carte doit rester vivante par des mises à jour continues.