Nouveaux métiers créés par l'IA : carte des rôles, PDLC et comment réussir l'entretien

« L'IA va remplacer des métiers » est une conversation inutile : elle produit de l'anxiété et rien d'autre. Une lecture plus pratique : dans les entreprises, le processus change, la liste des tâches avec lui, et des rôles apparaissent qui n'existaient pas il y a trois ans. Ce sont ceux que l'on recrute aujourd'hui.

Ce qui change dans l'entreprise

Le cycle classique de développement produit répète les mêmes étapes : comprendre le problème, concevoir, construire, tester, livrer, mesurer. L'IA entre dans chaque étape, mais différemment.

• Discovery. Synthèse d'entretiens, analyse des retours et des tickets, hypothèses — plus vite, mais avec un travail nouveau : vérifier si le modèle n'a pas inventé une régularité.
• Design. Maquettes et textes apparaissent en quelques minutes ; la valeur se déplace vers la formulation du problème et les critères de qualité.
• Build. Le code s'écrit plus vite, mais la revue, les tests et la lecture du code généré prennent plus de place.
• Test. Une discipline naît : évaluer la qualité des modèles — jeux de tests, métriques, passes manuelles et automatiques.
• Lancement et mesure. Quelqu'un doit suivre le coût, la dérive de qualité et expliquer au métier ce qui a réellement changé.

De ce déplacement naissent les nouveaux métiers : le travail ne disparaît pas, il se redistribue — une partie de la routine passe au modèle, le temps libéré passe à formuler, vérifier et expliquer.

Les rôles apparus

• Ingénieur IA / LLM : construit des scénarios sur des modèles existants — choix du modèle, contexte, outils, cache, gestion des erreurs.
• Ingénieur évaluation : conçoit le système de contrôles : quels cas doivent fonctionner, comment mesurer les régressions, combien coûte une erreur.
• Product manager IA : décide où l'IA a du sens, estime effet, risque et coût, et sait refuser une démo spectaculaire qui ne résout rien.

Les compétences réellement évaluées

Les offres débordent de noms d'outils, mais l'entretien évalue autre chose : la capacité à mener un scénario jusqu'au résultat et à en expliquer les limites.

1. Pensée systémique : voyez-vous le trajet de la donnée — d'où vient la requête, ce qui entre dans le contexte, où est stockée la réponse, qui répond de l'erreur.
2. Confort avec l'incertitude : la pile change tous les six mois ; on cherche la vitesse d'apprentissage, pas une bibliothèque mémorisée.
3. Critères mesurables : « ça marche bien » n'est pas un critère. Ceux qui proposent des contrôles concrets se démarquent.
4. Économie de la solution : coût par requête, latence et volume font partie de la décision technique.
5. Sécurité et données : ce qui ne doit jamais partir vers un modèle, comment traiter les données personnelles.
6. Communication : expliquer à l'équipe et à la direction pourquoi la solution fonctionne et où elle casse.

Comment réussir l'entretien

1. Préparer des histoires, pas des réponses

On demande presque toujours un cas réel. Quatre parties : tâche et contraintes, ce que vous avez fait, ce qui s'est passé, ce que vous feriez autrement. Sans la dernière partie, cela ressemble à un rapport, pas à une expérience.

2. Attendez le cas « amenez l'IA dans ce processus »

« Le support reçoit 3 000 tickets par jour, que proposez-vous ? » Une bonne réponse commence par des questions, pas par un modèle : volume, coût d'une erreur, qui vérifie le résultat, quelles données existent. Ensuite, un pilote étroit et une métrique.

3. Nommez les limites avant qu'on vous les demande

L'honnêteté sur les failles est appréciée : hallucinations, données obsolètes, coût, risque juridique. Un candidat qui énonce les limites paraît plus fiable que celui qui promet tout.

Liste de préparation

1. Rédiger trois histoires au format « tâche — action — résultat — leçon ».
2. Décrire un déploiement d'IA selon le PDLC et esquisser une métrique.
3. Définir cinq contrôles de qualité pour un scénario imaginé.
4. Estimer le coût : requêtes par jour × prix × marge.
5. Répéter à voix haute — en français, et en anglais si le poste est international.

Les nouveaux métiers impressionnent par leurs intitulés, mais les exigences restent terre à terre : comprendre le processus, fixer des critères, aboutir à un résultat et l'expliquer. Ces compétences se travaillent — y compris à l'oral : plus vous racontez votre histoire à voix haute, plus l'entretien réel sera calme.

• Curateur de données : responsable de la qualité des entrées et de l'étiquetage ; souvent sous-estimé, il fixe pourtant le plafond de qualité.
• AI Ops / MLOps : versions des modèles, supervision, coût par requête, latence, rollback. Sans cela, le pilote s'effondre en devenant produit.
• Responsable adoption et formation : aide les équipes à refaire leur travail : règles, formation, revue des erreurs. Techniquement simple, la partie la plus conflictuelle.