AI Engineer, ML Engineer, Data Engineer : comment les rôles se redessinent

Pourquoi les frontières bougent

Tant que construire un système intelligent supposait d'entraîner un modèle, la répartition était lisible : les Data Engineers alimentaient, les Data Scientists modélisaient, les ML Engineers industrialisaient. L'arrivée de modèles génériques accessibles par interface a déplacé une partie de la valeur vers l'assemblage : concevoir autour du modèle, l'évaluer dans un contexte métier, l'exploiter à un coût acceptable.

Le résultat n'est pas la disparition des anciens rôles, mais un chevauchement plus large. Un même intitulé peut désigner, selon l'entreprise, un poste très proche de la donnée ou très proche du produit. C'est pourquoi lire le périmètre réel compte plus que lire le titre.

Les trois périmètres, tels qu'ils se dessinent

AI Engineer

Centre de gravité : l'application. Concevoir un système qui s'appuie sur un ou plusieurs modèles pour résoudre un problème métier, l'évaluer, le mettre en service et le faire tenir dans la durée. Le travail porte sur l'assemblage — recherche documentaire, outils, orchestration, garde-fous — plus que sur l'entraînement. Les questions dominantes sont la qualité perçue par l'utilisateur, la latence, le coût par requête et le comportement en cas d'échec.

ML Engineer

Centre de gravité : le modèle dans un système. Entraînement ou adaptation, chaîne d'expérimentation, versionnement, performance, dérive dans le temps. Le poste suppose une compréhension statistique plus poussée et un rapport plus direct aux jeux d'entraînement. Là où l'AI Engineer choisit un modèle existant, le ML Engineer est souvent celui qui décide s'il faut en fabriquer un, et à quel prix de maintenance.

Data Engineer orienté IA

Centre de gravité : la disponibilité et la qualité de la donnée. Pipelines, contrats de données, fraîcheur, gouvernance, traçabilité, coûts de stockage et de traitement. C'est le rôle le plus stable des trois, et souvent le plus déterminant : un système IA ne dépasse jamais durablement la qualité des données qui l'alimentent.

Les zones de chevauchement réelles

Les recouvrements ne sont pas des anomalies : ce sont les endroits où les équipes attendent une compétence partagée, et donc où se situent souvent les questions d'entretien.

• Évaluation : attendue des trois rôles, avec un angle différent — qualité perçue, performance du modèle, qualité de la donnée en entrée.
• Mise en production et supervision : partagée entre AI Engineer et ML Engineer, parfois portée par une fonction MLOps distincte.
• Recherche documentaire et indexation : à cheval entre AI Engineer et Data Engineer, selon qui possède le corpus.
• Coûts : arbitrage taille de modèle et cache côté AI Engineer, coût de traitement et de stockage côté Data Engineer.
• Orchestration d'outils et d'agents : souvent rattachée à l'AI Engineer, mais l'exposition des systèmes internes relève de la donnée et de l'architecture.

Lire une offre pour identifier le vrai périmètre

L'intitulé est le signal le moins fiable. Ces questions, posées à l'offre puis à l'entretien, cadrent le poste beaucoup plus sûrement.

1. 1

   Qui possède la donnée ?

   Question 1

   Si l'équipe qui recrute ne possède pas ses données, une part importante du poste sera consacrée à négocier des accès et à fiabiliser des sources. C'est un travail réel, rarement décrit dans l'offre.

2. 2

   Y a-t-il déjà un système en service ?

   Question 2

   Exploiter un système existant et démarrer de zéro sont deux métiers différents. Le premier valorise la supervision, la fiabilité et la gestion des régressions ; le second, le cadrage et le prototypage.

3. 3

   Entraîne-t-on des modèles ?

   Question 3

   C'est le principal séparateur entre profil AI Engineer et ML Engineer. Une offre qui parle d'entraînement sans jeu de données identifié mérite une question de suivi.

4. 4

   Comment la qualité est-elle mesurée aujourd'hui ?

   Question 4

   Une équipe qui répond précisément a un système exploité. Une équipe sans réponse est encore en exploration, quel que soit l'intitulé du poste.

5. 5

   Qui décide de la feuille de route ?

   Question 5

   Cela indique si le poste est proche du produit ou strictement en exécution technique, ce qui change la nature du travail bien plus que le titre.

Choisir sa trajectoire sans se disperser

La tentation, face à des frontières floues, est de tout couvrir. C'est l'erreur de positionnement la plus fréquente : un profil qui revendique les trois périmètres est difficile à situer, donc difficile à retenir.

Une trajectoire lisible se construit autour d'un centre de gravité assumé et d'une ou deux compétences limitrophes réellement pratiquées. Les passages les plus naturels aujourd'hui : de Data Engineer vers l'AI Engineering par la recherche documentaire et la qualité des corpus ; de Data Scientist vers l'AI Engineering par l'évaluation ; d'AI Engineer vers l'architecture par la conception de systèmes et les arbitrages de coût.

Cette analyse est volontairement qualitative. Nous ne publions ni salaires, ni TJM, ni volumes de recrutement tant que nous ne disposons pas de sources vérifiables ou d'agrégats anonymisés suffisamment robustes issus des missions publiées sur TalentAI.

• AI Engineering
• MLOps
• Agents IA