Comment entrer dans un métier lié à l'IA : un plan sur 90 jours sans formation technique

La conversation sur les métiers de l’IA se brise généralement sur deux extrêmes. Le premier : « il faut des mathématiques et un master, sans cela on ne vous laissera pas entrer ». Le second : « il suffit de suivre une formation et de gagner deux cent mille ». Ni l’un ni l’autre ne décrit la réalité dans laquelle des gens passent à ces rôles depuis le support, l’édition, l’analyse, la vente et l’enseignement.

La réalité est à la fois plus simple et plus exigeante. Les entreprises n’ont pas besoin de ceux qui entraînent des réseaux de neurones à partir de zéro, mais de ceux qui transforment une demande floue — « nous voulons de l’IA ici » — en un ensemble vérifiable d’exigences, d’exemples et de critères de qualité. Ces spécialistes manquent, parce que le travail exige non pas un diplôme en ML, mais une discipline de pensée et la capacité de parler à différentes équipes.

À qui les métiers de l’IA sont accessibles, et à qui ils ne conviendront pas

Il est utile de diviser d’emblée l’entrée en trois niveaux : ils diffèrent non par le prestige, mais par la quantité de préparation technique nécessaire au départ.

Niveau d’entrée	Ce qu’il faut au départ	Rôles typiques
Sans code	Bonne expression, souci du détail, capacité à suivre des instructions et à expliquer les décisions	Entraîneur IA, évaluateur de réponses, curateur de données, éditeur IA, spécialiste de l'implémentation
Low-code	Tableurs, expressions régulières, JSON, compréhension des API, bases de SQL, automatisation no-code	Analyste qualité des modèles, spécialiste des evals, opérateur de données, gestionnaire de contenu RAG
Avec code	Python, API et bases vectorielles, compréhension du fonctionnement des modèles et des métriques	Ingénieur ML, ingénieur data, développeur d’applications d’IA, MLOps

Le premier niveau n’est pas une « version junior » du second. La personne qui formule les critères de qualité et repère les contradictions dans les instructions influence directement la question de savoir si le produit sera réellement utilisable.

Et maintenant, soyons honnêtes sur ceux à qui ces rôles ne conviendront pas. À ceux qui cherchent un travail sans décisions ni communication : presque tous les rôles d’entrée en IA impliquent de la concertation. À ceux qui veulent un résultat rapide et garanti : le marché est jeune, les intitulés de poste fluctuent, certaines offres sont une expérimentation de l’entreprise. Et à ceux qui supportent mal la routine : l’évaluation des réponses, ce sont des centaines de tâches répétitives, avec le même niveau d’exigence au trois centième exemple.

Cinq rôles où l’on recrute réellement sans formation technique

Les intitulés dans les offres d’emploi varient : les mêmes tâches peuvent s’appeler « AI trainer », « data annotator », « AI quality analyst » ou « spécialiste de la formation en IA ». Fiez-vous à la description des missions, pas au titre.

1. Formateur en IA

Lit des paires « requête — réponse », compare les variantes, identifie les défauts : fait inventé, non-respect des consignes, ton inapproprié, condition omise. Ensuite, il rédige une réponse de référence ou corrige la consigne pour que l’erreur ne se reproduise pas. Le second volet consiste à imaginer des scénarios complexes : où l’utilisateur se perd, s’énerve, demande l’impossible. À l’entrée, on vérifie si vous savez expliquer un choix selon des critères, et non par « j’ai l’impression que », et si vous trouverez une contradiction dans une consigne d’une page.

L’erreur typique du débutant est de réécrire la réponse selon ses goûts. L’évaluation exige une intervention minimale qui supprime un défaut précis. Le deuxième échec est l’incohérence : sur le premier exemple, vous avez considéré une chose comme une erreur, sur le quarantième, une autre. C’est pourquoi ces équipes organisent des calibrations, où les évaluateurs analysent les mêmes exemples et s’accordent sur les limites.

2. Évaluateur de la qualité des réponses (evals)

Il n’est pas responsable des exemples, mais du système : critères, échelles, échantillon représentatif et rapport sur ce qui s’est dégradé après une modification du prompt ou du modèle. Le rôle est plus proche de l’analytique : il faut être à l’aise avec les tableaux, des métriques simples et savoir rédiger des conclusions. On apprécie la capacité à distinguer une métrique qui mesure l’utilité d’une métrique qui mesure la commodité du reporting.

3. Curateur de données et de bases de connaissances

Lorsqu’on connecte le modèle à des documents internes, la qualité de la réponse ne dépend pas du modèle, mais de ce qu’on lui a donné en entrée. Le curateur élimine les doublons et les contradictions, étiquette les versions, veille à ce que chaque réponse ait une source. L’échec classique : la base contient deux versions du règlement, le modèle prend l’ancienne, le support répond au client selon des règles obsolètes. Les rédacteurs, les concepteurs pédagogiques et les spécialistes du support y trouvent naturellement leur place.

4. Spécialiste de l’intégration de l’IA dans les processus

Rôle destiné aux entreprises où l’IA a déjà été achetée, mais où personne ne l’utilise. La mission est de trouver les endroits où le modèle fait gagner du temps, de monter un pilote avec dix personnes, d’en mesurer l’effet et de transformer l’expérience en mode d’emploi. La compétence clé est relationnelle : expliquer la même chose à un comptable, à un manager et à un juriste dans trois langages différents sans donner l’impression qu’on les remplace. C’est pourquoi on recrute plus souvent des personnes de l’intérieur de l’entreprise.

5. Rédacteur IA et opérateur de contenu

Responsable de faire en sorte que le texte final corresponde à la marque, aux faits et à l’objectif : supprimer le vocabulaire que l’entreprise n’utilise pas, vérifier les chiffres, réécrire un paragraphe qui sonne comme un communiqué de presse de robot. La moitié du travail consiste à construire le processus : quelles étapes de génération se répètent, où une vérification humaine est nécessaire. Un bon point d’entrée pour les journalistes, philologues, traducteurs et marketeurs.

Qu’est-il arrivé à l’« ingénieur en prompts » ?

Un poste distinct est plus rare que lors des premières vagues de hype : l’écriture de prompts s’est dissoute dans d’autres rôles. En tant que métier, elle subsiste là où les prompts sont le produit : dans les équipes qui construisent des agents et des scénarios complexes. Conclusion pour débuter : construisez votre plan non pas autour d’un titre, mais autour d’une compétence — formuler une tâche pour le modèle de manière à ce que le résultat soit vérifiable.

Le minimum technique sans lequel vous ne serez même pas retenu pour un « rôle sans code »

« Sans code » ne signifie pas « sans technique ». Aux postes d’entrée, on ne vous interroge pas sur des formules, mais sur votre compréhension de la façon dont l’outil fonctionne et de l’endroit où il casse.

Comment le modèle génère une réponse

Il suffit d’un modèle de compréhension opérationnel : un modèle de langage prédit la suite d’un texte à partir de probabilités apprises sur un grand corpus. Il ne cherche pas les faits dans une base et ne les « connaît » pas au sens humain. D’où deux conséquences à expliquer avec vos propres mots : pourquoi le modèle invente avec assurance et pourquoi la formulation de la requête change le résultat. Plus trois termes sur lesquels on interroge presque toujours : token, fenêtre de contexte et température.

Pourquoi le modèle se trompe

Les erreurs se répartissent en groupes : fait inventé, information obsolète, référence incorrecte, non-respect du format, ignorance d’une partie de l’instruction, réponse trop générale, recommandation dangereuse. Le travail commence lorsque vous cessez de dire « le modèle déraille » et commencez à classer : ce qui s’est exactement produit et à quelle étape. La classification transforme une plainte en tâche.

RAG, métriques et échantillonnage

RAG — lorsque le modèle cherche d’abord des fragments dans vos documents, puis répond en s’appuyant sur eux. Le schéma explique la moitié des offres d’emploi : les entreprises ont besoin de personnes qui mettront de l’ordre dans les documents. Il faut aussi comprendre séparément en quoi l’évaluation manuelle diffère de l’automatique : la première est coûteuse et subjective, la seconde est rapide et se laisse facilement tromper. En pratique, on les combine, et le mot clé ici est « échantillonnage » : une évaluation sur dix exemples arrangeants ne veut rien dire.

Données et données personnelles

Le sujet sur lequel on se fait le plus souvent recaler, et à juste titre. Tout ce que vous collez dans un chat tiers part sur un serveur étranger. Les données personnelles des clients, les informations médicales, les documents à accès restreint et les secrets commerciaux ne doivent pas se retrouver dans des services externes sans base légale. Dans la pratique russe, cela est régi par la loi 152-ФЗ « Sur les données personnelles » : le traitement exige une base légale et un consentement, tandis que le stockage et le traitement des données des citoyens de la Fédération de Russie sont soumis à des exigences de localisation. En entretien, cette question est posée pour comprendre si vous mettrez l’entreprise en risque dès le premier mois.

Outils

Tableaux au niveau des tableaux croisés dynamiques, JSON comme format, l’idée d’API (requête — réponse, clé, limites), les bases de SQL dans le volume « sélectionner des lignes et regrouper », un outil d’automatisation sans code. Cela suffit pour réussir l’épreuve technique et ne pas paraître démuni la première semaine.

Plan sur 90 jours : de « je lis sur l’IA » à deux invitations à un entretien

Le plan est prévu pour 6–8 heures par semaine, c’est-à-dire pour une personne qui travaille et étudie le soir. Sur trois mois, cela représente environ 80–100 heures. L’objectif est modeste et vérifiable : non pas « maîtriser l’IA », mais obtenir deux ou trois entretiens pour un poste d’entrée.

Période	Ce que vous faites	Artefact en sortie
Semaines 1–2	Vous comprenez comment le modèle fonctionne et où il se trompe ; vous choisissez un secteur et un rôle	Synthèse de deux pages ; liste de 15 offres d’emploi avec analyse des exigences
Semaines 3–4	Chaque jour, vous analysez 5–10 réponses du modèle : défaut, classification, correction	30 cas de test avec évaluation et commentaires
Semaines 5–6	Vous construisez des critères et des échelles, vous évaluez un échantillon selon ceux-ci, puis calculez le résultat	Mini-système d’évaluation avec affichage sur la page
Semaines 7–8	Vous constituez une base de connaissances dans votre secteur et vérifiez les réponses en vous appuyant sur elle	Analyse : ce qui est dans la base, comment le découpage en fragments a été fait, où cela s'est amélioré
Semaines 9–10	Vous réalisez un cas d'étude pédagogique d'implémentation : processus, hypothèse, pilote, métrique	Un cas de deux pages avec des chiffres « avant/après »
Semaines 11–12	Vous préparez votre portfolio, réécrivez votre CV, répondez aux offres et répétez les entretiens	Page publique avec portfolio et CV, trois répétitions

Les deux premières semaines portent sur le langage, pas sur la carrière : apprendre à distinguer un prompt d’une instruction, le RAG du réentraînement, une hallucination d’une erreur dans les données. En parallèle, vous choisissez un secteur : « l’IA en général » ne se vend pas comme point d’entrée, tandis qu’une personne qui comprend le fonctionnement du support dans l’e-commerce paraît plus solide. Votre expérience passée n’est pas un poids ici, mais un atout.

Viennent ensuite les artefacts. Trente réponses de modèle analysées constituent déjà un portfolio, car elles montrent une façon de penser. Un système d’évaluation transforme des opinions dispersées en une valeur mesurable. Une base de connaissances fournit un deuxième artefact pour le rôle de curateur de données. Une étude de cas pédagogique avec des chiffres « avant/après » montre que vous savez mener une idée jusqu’à un résultat mesurable, et une section sur les données que vous avez choisi de ne pas envoyer au modèle renforce la crédibilité.

Les deux dernières semaines ne servent pas à apprendre, mais à vendre : une page publique avec quatre artefacts, un CV adapté à un rôle précis, cinq candidatures par semaine et une répétition de l’entretien. Les candidatures sans préparation se transforment en entraînement sur de vraies personnes, dont vous n’avez pas tant que ça.

Un portfolio plutôt que de l’expérience

Pour les postes d’entrée, on ne recrute presque pas sur diplôme et certificat — on recrute sur des preuves de raisonnement. Les quatre artefacts du plan constituent le portfolio.

1. Un ensemble de cas de test. Trente lignes : la requête, ce que le modèle aurait dû faire, ce qu’il a fait, le type de défaut, la gravité, la correction. Mauvais : « la réponse est mauvaise ». Bon : « format non respecté : un JSON à trois clés était exigé, le modèle a renvoyé du texte ».
2. Analyse de l’erreur et correction de l’instruction. Comment nous avons trouvé, pourquoi cela se produit, ce que nous avons changé, ce qui s'est amélioré et ce qui reste cassé. Le dernier point est obligatoire : il montre que vous ne vendez pas de la magie.
3. Mini-système d'évaluation. Critères, échelles, échantillon, tableau de résultats et conclusion d'une demi-page. Les conclusions doivent découler des critères, et les actions des conclusions. « Il faut améliorer la qualité » n'est pas une conclusion.
4. Cas d'implémentation avec métrique. Processus avant, hypothèse, limites, résultat « avant/après » et une section sur les données que l'on n'a volontairement pas envoyées au modèle. Même un cas pédagogique fonctionne : on évalue non pas l'échelle, mais la manière de raisonner.

Une seule page publique suffit : qui vous êtes, dans quel domaine vous êtes spécialisé, quatre blocs avec des liens, un contact. Il ne faut pas collectionner cent prompts, publier des captures d'écran de chats sans analyse ni montrer uniquement les exemples réussis — cela ne répond pas à la question principale du recruteur : la personne saura-t-elle prendre des décisions sur la qualité quand personne n'est là pour la guider.

CV, offres d'emploi et conversation sur la transition

L'erreur la plus fréquente est de rédiger un CV « de manière large, pour qu'il convienne partout ». En IA, cela ne fonctionne pas : les rôles sont différents, et le manager cherche une correspondance par les tâches, pas par l'enthousiasme.

Ne cherchez pas un seul intitulé, mais un groupe : AI trainer, AI quality analyst, quality rater, AI content editor, AI adoption specialist, knowledge manager, gestionnaire de base de connaissances, spécialiste de la formation à l'IA. Ajoutez votre secteur à la requête — « IA support », « IA santé », « IA banque » : on trouve ainsi des offres où l'expérience passée devient un atout. Dans les exigences, distinguez l'obligatoire (compréhension des critères, rigueur, acceptation de la routine) du souhaitable (outils précis, maîtrisés en une semaine).

La ligne d'expérience s'écrit selon la formule « tâche — action — résultat » : non pas « répondait aux demandes des clients », mais « traitait 40 demandes par jour, a créé une base de réponses types pour 60 scénarios, le temps de réponse à une question fréquente a été divisé par deux ». Un bloc distinct « Projets en IA » — quatre artefacts avec liens et une ligne de résultat pour chacun. La lettre de motivation — quatre courts paragraphes : le rôle et un détail concret sur l'entreprise, ce que vous avez déjà avec un lien vers le portfolio, comment l'expérience passée se transpose, ce que vous êtes prêt à faire dès l'entrée en poste.

Entretien pour un poste d'entrée en IA

On demande rarement la théorie. En général, on donne un support et on regarde comment vous raisonnez. Le plus souvent, ce sont trois exercices.

Évaluer deux réponses du modèle. On donne une requête et deux variantes en demandant de choisir la meilleure. On vérifie non pas le goût, mais la capacité à établir des critères : nommer ce qui était attendu (faits, format, ton, exhaustivité), comparer point par point et expliquer en quoi la variante rejetée est moins bonne. La réponse « la première est plus claire » perd face à « la première est plus exacte sur les faits et respecte le format, la seconde est meilleure pour le ton, mais se trompe dans la somme — pour un remboursement, c'est critique ».

Trouver un défaut dans l'instruction. On donne une page de règles. Défauts typiques : contradiction entre les points, critère impossible à vérifier, absence de traitement d'une exception, règle trop large. Une instruction que deux personnes appliquent différemment fausse toute l'évaluation — c'est pourquoi cette compétence est plus valorisée que l'art d'écrire de beaux prompts.

Mini-cas de mise en œuvre.« Le support reçoit cinq cents demandes par jour, nous voulons répondre plus vite. Que proposez-vous ? » Une bonne réponse ne commence pas par « nous allons brancher un modèle », mais par la question « quelles sont les demandes les plus fréquentes et quel est le coût d’une erreur pour chaque type ». Ensuite — une hypothèse, une métrique, des contraintes, un plan de pilote.

Structure de réponse à toute question : thèse — argument — exemple — conclusion. D’abord une réponse courte et directe, puis la raison, puis un cas de votre portfolio, puis une conclusion en une phrase. Et demandez des précisions : « je précise, par qualité, vous entendez l’exactitude des faits ou le respect du format » — c’est le signe que vous poserez ce type de questions dans votre travail, plutôt que de deviner.

Demandez au recruteur trois choses : à quoi ressemble le succès durant les trois premiers mois, qui prend la décision dans les cas litigieux et ce qui fait le plus mal actuellement. Et gardez en tête les signaux d’alerte : une annotation sans critères ni calibrations, « faire tout ce qui touche à l’IA » sans équipe ni métriques, la promesse d’évoluer vers un poste d’ingénieur ML sans un seul ingénieur dans l’entreprise, des frais de formation avant l’embauche.

Répétez la conversation à l’avance. Improviser lors du premier entretien en présentiel est une mauvaise stratégie. Dites vos réponses à voix haute, puis faites un dialogue complet avec le coach IA : il pose des questions, vous répondez, et après la conversation, consultez le débriefing — où votre réponse a faibli et où il a manqué un exemple.

Combien de temps cela prend-il et combien cela coûte

Un délai réaliste de transition sans bagage technique va de trois à six mois à raison de 6 à 8 heures par semaine : trois mois pour les compétences et le portfolio, encore un à deux pour les candidatures et les tests. Les discours sur « un changement de métier en trois semaines » relèvent d’un autre genre.

Au démarrage, l'argent n'est presque pas nécessaire : la documentation des modèles, les guides publics des entreprises, les versions gratuites des outils et les ressources ouvertes d'évaluation de la qualité couvrent la majeure partie du programme. Il est judicieux de payer un abonnement à un modèle si le quota gratuit ne suffit pas, et une consultation ponctuelle avec une personne qui occupe déjà le poste. Il ne faut pas acheter de cours « métier d'avenir » avec promesse d'embauche ni de « certificat de prompt engineer » : pour les postes débutants, on regarde les réalisations et la manière dont vous vous exprimez.

Et de la patience. Les vingt premières candidatures peuvent ne recevoir aucune réponse — le marché est jeune, et certaines offres sont pourvues par des candidats internes. Le repère n'est pas le nombre de refus, mais le nombre de conversations : si après dix entretiens vous ne comprenez pas ce qui manque, il est temps de recueillir des retours et de refaire votre portfolio.

Les risques dont on ne parle pas dans les cours

• Certains postes sont temporaires. L'annotation de masse et l'évaluation simple sont automatisées et deviennent moins chères. Les rôles où l'on a besoin de jugement, d'expertise métier et de responsabilité décisionnelle semblent plus durables.
• L'évaluation automatique change le travail. Le modèle agit de plus en plus comme un « premier filtre », et une personne examine les cas litigieux. Il y a moins de routine, mais il faut savoir vérifier la vérification elle-même.
• Il existe un plafond à l'entrée.Un étiquetage uniforme selon la checklist de quelqu'un d'autre atteint son plafond en deux ans. Un bon poste d'entrée se distingue par la présence de critères, de calibrations et d'un parcours d'évolution clair.
• La pression du « fais plus ». L'IA accélère le travail, et cela se transforme vite en attente que la personne fasse deux fois plus pour le même salaire. Demandez en entretien comment la charge de travail est mesurée dans l'équipe.
• Les infoproduits autour du sujet. Un emploi garanti, des salaires dans la publicité sans source, des témoignages uniquement sous forme de captures d'écran, « il ne reste que deux places » — autant de signes qu'on vous vend du vent. Demandez qu'on vous montre trois portfolios d'anciens élèves qui occupent actuellement ce poste.

Check-list de la première semaine

1. Choisissez un secteur que vous connaissez déjà et un poste d'entrée.
2. Notez quinze offres d'emploi réelles et soulignez les exigences récurrentes.
3. Expliquez à voix haute, avec vos propres mots, ce qu’est un token, une fenêtre de contexte et la température.
4. Dressez une liste de dix types d’erreurs du modèle que vous avez déjà rencontrées.
5. Analysez cinq réponses selon le schéma « requête — attente — fait — défaut — correction ».
6. Créez un tableau pour les cas de test et ajoutez-y les cinq premières lignes.
7. Notez la règle indiquant quelles données, dans votre travail, ne doivent pas être envoyées à des services externes.
8. Regardez comment est structurée une base de connaissances ouverte dans votre secteur.
9. Formulez une phrase sur vous : « je maîtrise X et je veux être responsable de la qualité des réponses d’IA dans X ».
10. Déroulez à voix haute une conversation sur la transition et notez les questions qui vous ont mis dans l’impasse.

Questions les plus fréquemment posées

Peut-on entrer dans les métiers de l’IA sans formation technique ?

Oui, pour les postes d’entrée — formateur IA, évaluateur de la qualité des réponses, curateur de base de connaissances, spécialiste du déploiement, rédacteur IA. Un diplôme en machine learning n’est pas requis, mais une culture technique est nécessaire : comprendre comment le modèle génère une réponse, où il se trompe, ce qu’est le contexte, le RAG et les métriques de qualité.

Faut-il apprendre Python ?

Pour les postes sans code, des tableurs, JSON et la compréhension de l’idée d’API suffisent. Python est nécessaire si vous vous orientez vers l’évaluation automatisée, l’ingénierie des données ou le développement d’applications d’IA.

Combien de temps prend la transition ?

De trois à six mois à raison de 6 à 8 heures par semaine : trois mois pour les compétences et le portfolio, un à deux mois de plus pour les candidatures, les tests et la recherche.

Qu’est-ce qui compte le plus : un certificat ou un portfolio ?

Portfolio. Pour les postes d'entrée, on examine l'analyse des réponses, le système de critères et un cas de mise en œuvre, car ils montrent comment vous prenez vos décisions. Le certificat aide à passer le premier filtre, mais l'entretien portera quand même sur la pratique.

Quel rôle choisir en premier ?

Celle où l'expérience passée devient un atout : le support et les ventes évoluent vers AI trainer et la mise en œuvre, les rédacteurs et traducteurs — vers AI editor et curateur de base de connaissances, les analystes — vers l'évaluation de la qualité.

Comment distinguer une bonne offre d'emploi d'une offre sans issue ?

Il y a des critères de qualité décrits, des calibrations et une personne qui tranche les cas litigieux, et l'on sait où progresser d'ici un an. L'annotation selon des instructions, sans description des processus et sans équipe, mène à un plafond.

Et ensuite ?

Commencez par une action aujourd'hui : notez cinq réponses du modèle qui vous ont agacé, et à côté — ce qui n'allait pas précisément. Dans une semaine, vous aurez une liste de défauts, dans un mois — un tableau de trente lignes, dans trois — un portfolio avec lequel vous pourrez passer un entretien.

Si vous souhaitez d'abord avoir une vue d'ensemble, lisez la carte des nouveaux métiers autour de l'IA : elle explique comment le cycle de création de produit évolue et quels rôles sont apparus à chaque étape. Pour la partie conversationnelle, seront utiles la préparation à l'entretien et le contenu sur les compétences comportementales, et pour s'entraîner au dialogue en direct — le mode « Coach » dans HintMeTalk AI.