Recruter un Ingénieur MLOps
Ce poste s'ouvre presque toujours au même moment : quelques modèles sont passés en production, plus personne ne sait les redéployer à l'identique, et une dégradation a été découverte par le métier avant de l'être par la technique. Le retard n'est pas anodin — il transforme un recrutement de construction en recrutement de sauvetage, et ces deux postes n'attirent pas les mêmes candidats. La seconde difficulté est structurelle : le métier exige la culture d'exploitation d'un ingénieur d'infrastructure et la compréhension de ce qui rend un modèle différent d'un logiciel. La plupart des candidats maîtrisent une moitié.
Aussi appelé MLOps Engineer, Ingénieur plateforme IA, ML Platform Engineer, AI Infrastructure Engineer, Ingénieur industrialisation machine learning.
Ce que nous observons
Pourquoi un recrutement d'ingénieur MLOps échoue.
On cherche les deux moitiés à parité et on ne trouve personne
L'annonce demande une expertise d'infrastructure complète et une maîtrise réelle de l'apprentissage automatique. Ce profil existe en petit nombre, il est en poste et très sollicité. À compétence de départ inégale, la culture d'exploitation est la moitié la plus longue à acquérir : un ingénieur d'infrastructure apprend en quelques mois ce qui distingue un modèle d'un service ordinaire, alors qu'un profil venu de la modélisation met beaucoup plus longtemps à acquérir les réflexes de production. Partir de l'infrastructure est le choix le plus sûr, et il élargit considérablement le vivier.
Le poste est créé trop tard, et l'annonce ne le dit pas
Il existe déjà des modèles en production, non documentés, déployés à la main par des personnes parties depuis. Le poste consiste donc d'abord à reconstruire une capacité de redéploiement sur un existant opaque — un travail ingrat, utile, très différent de la construction d'une plateforme. Les candidats découvrent la situation au deuxième entretien et une partie se retire. Dire la vérité dès l'annonce fait perdre des candidatures et gagne les bons : ce type de mission attire des profils qui l'aiment, à condition de ne pas se sentir trompés.
Construire ou exploiter : les deux ne sont pas dits
Bâtir une plateforme depuis une page blanche et faire tenir un existant sont deux postes. Le premier attire des ingénieurs qui veulent concevoir, le second des ingénieurs qui aiment fiabiliser. Une annonce qui laisse croire au premier et propose le second produit une déception immédiate, et un départ dans l'année. Écrire clairement lequel des deux est le cœur du poste coûte une phrase.
Il n'y a pas d'équipe à servir
Une plateforme se juge à l'usage. Recruter un ingénieur MLOps quand une seule personne fait de la science des données, à temps partiel, produit un outillage soigné dont personne n'a besoin. Le poste devient utile à partir du moment où plusieurs équipes doivent entraîner, déployer et surveiller sans dépendre de celui qui a écrit le code. En deçà, un ingénieur logiciel expérimenté suffit, et coûte moins cher à l'organisation comme au budget.
On le confond avec un ingénieur DevOps généraliste
Les compétences se recouvrent largement — conteneurs, orchestration, intégration continue — et le raccourci est tentant. Ce que le généraliste n'a pas, c'est la compréhension d'un artefact qui se dégrade silencieusement : un modèle continue de répondre alors que ses réponses ne valent plus rien, et aucune alerte d'infrastructure ne le signale. Un candidat qui n'a jamais surveillé une dérive de données ne saura pas quoi instrumenter, et c'est précisément le cœur du poste.
La maîtrise des coûts n'est pas dans le mandat
Entraînement et inférence deviennent rapidement le premier poste de dépense d'une équipe IA, et personne n'a mandat pour les rendre visibles. L'ingénieur MLOps est le mieux placé pour instrumenter cette mesure, encore faut-il que cela figure dans son périmètre. Quand ce n'est pas le cas, l'entreprise découvre la facture au moment du passage à l'échelle et arrête des projets qui fonctionnaient.
Avant de chercher
Ce que nous cadrons avec vous.
Le brief conditionne tout le reste. Un cadrage approximatif se paie en candidatures hors sujet et en semaines perdues.
Construire ou reprendre
Plateforme à bâtir, ou existant à fiabiliser. Nous l'écrivons dans le brief et dans l'annonce, parce que c'est le critère qui décide de la population de candidats et la première source de déception quand il reste implicite.
L'état réel de l'existant
Modèles en production, documentation disponible, capacité actuelle à redéployer, incidents connus. Un candidat expérimenté ne recule pas devant une dette : il recule devant une dette cachée, parce qu'elle annonce la relation de travail.
Les équipes servies
Combien de personnes utiliseront la plateforme, sur quels rythmes, avec quelles attentes. C'est ce qui rend le poste utile ou décoratif, et cela s'évalue avant d'ouvrir la recherche.
Le périmètre sur les coûts
Si la maîtrise des dépenses d'entraînement et d'inférence entre ou non dans le mandat. Nous recommandons qu'elle y entre : c'est le meilleur endroit de l'organisation pour la mesurer.
Lecture de marché
Ce que dit le marché aujourd'hui.
Fourchettes issues de notre baromètre des salaires, en brut annuel, pour la France.
Le besoin apparaît mécaniquement dès qu'une entreprise passe de l'expérimentation à l'exploitation. Le nombre de postes suit donc la maturité des organisations plutôt qu'un effet d'annonce, et la demande est plus régulière que sur les autres fonctions IA.
Le vivier est étroit parce que le profil se construit au croisement de deux mondes. Les candidats crédibles viennent le plus souvent du DevOps ou de l'ingénierie de production et se sont spécialisés au contact d'équipes data ; le chemin inverse existe mais reste rare, la culture d'exploitation étant longue à acquérir.
Notre baromètre situe la fonction entre environ 48 000 € pour un profil junior — rare, le poste se pourvoyant surtout en confirmé — et plus de 108 000 € pour un lead qui porte une plateforme partagée par plusieurs équipes. Un profil confirmé autonome sur la chaîne complète se situe autour de 62 000 à 85 000 €.
La concurrence vient autant des éditeurs et des fournisseurs de plateformes que des autres entreprises : ils recrutent les mêmes profils pour construire leurs propres produits, avec des perspectives techniques attractives. L'argument d'une entreprise utilisatrice est la proximité avec un usage réel et des contraintes concrètes — c'est un argument qui porte, à condition d'être formulé.
Le management de transition est pertinent sur cette fonction dans une situation précise : reprendre en main un existant non documenté après un départ, pendant que le recrutement du titulaire se déroule à un rythme normal. La mission produit alors la documentation qui manquait, ce qui bénéficie directement au recrutement suivant.
- Junior (0-2 ans)48-62 k€
- Confirmé (2-5 ans)62-85 k€
- Senior (5-10 ans)85-112 k€
- Lead / Principal (10 ans et plus)108-150 k€+
Questions fréquentes
Ce que les dirigeants nous demandent.
- Combien de temps faut-il pour recruter un Ingénieur MLOps ?
- Nous présentons les premiers profils qualifiés sous 10 jours ouvrés en CDI et sous 48 heures en management de transition. Le vivier étant étroit, le délai se réduit surtout en acceptant de partir d'un profil d'infrastructure plutôt que d'exiger les deux moitiés du métier à parité.
- Quelle différence avec un Ingénieur DevOps ?
- Les compétences d'infrastructure se recouvrent largement. La différence tient à la nature de ce qui est exploité : un modèle se dégrade silencieusement, il continue de répondre alors que ses réponses ne valent plus rien, et aucune alerte classique ne le signale. Savoir quoi instrumenter dans ce cas est précisément la compétence recherchée.
- Quelle différence avec un Machine Learning Engineer ?
- Le machine learning engineer construit un système ; l'ingénieur MLOps construit la plateforme sur laquelle plusieurs systèmes vivent, et il est jugé par les équipes qui s'en servent. Dans une petite équipe, une seule personne tient les deux rôles — au-delà, les séparer accélère tout le monde.
- Faut-il partir d'un profil infrastructure ou d'un profil data ?
- Infrastructure, dans la grande majorité des cas. Un ingénieur d'exploitation apprend en quelques mois ce qui distingue un modèle d'un service ordinaire ; l'inverse demande beaucoup plus de temps, parce que les réflexes de production s'acquièrent par l'expérience des incidents.
- À partir de quand ce poste se justifie-t-il ?
- À partir du moment où plusieurs personnes doivent entraîner, déployer et surveiller des modèles sans dépendre de celui qui a écrit le code. En deçà, un ingénieur logiciel expérimenté suffit. Recruter trop tôt produit une plateforme sans utilisateurs ; recruter trop tard transforme le poste en sauvetage, ce qui restreint le vivier.
- Combien coûte le recrutement d'un Ingénieur MLOps ?
- Nous facturons au succès : rien tant que le candidat n'a pas accepté l'offre, pas d'avance et pas d'exclusivité payante. Si le candidat ne prend finalement pas son poste, les honoraires versés sont intégralement remboursés.
- Intervenez-vous après le départ de la personne qui tenait la plateforme ?
- Oui, en management de transition, avec les premiers profils sous 48 heures. C'est un cas fréquent et à fort enjeu : la mission rétablit la capacité de redéploiement et documente l'existant, ce dont le recrutement du titulaire bénéficie ensuite directement.
Aller plus loin
Les autres fonctions Tech que nous recrutons.
Sur les technologies voisines :
Voir aussi la fiche métier détaillée, notre expertise Tech ou les 2 offres ouvertes en Tech.
Décrivez le poste, nous cadrons le reste.
Un consultant Finance vous recontacte sous 24 heures ouvrées pour qualifier le mandat et arrêter la stratégie d'approche.