Recruter un Machine Learning Engineer
Deux métiers très différents portent aujourd'hui ce titre. Le premier entraîne et ajuste des modèles : il vient de la modélisation, connaît les architectures, sait ce que coûte un entraînement. Le second construit des applications au-dessus de modèles existants — intégration, recherche augmentée, chaînage d'appels, évaluation des réponses — et son métier est bien plus proche du développement logiciel. Les deux sont légitimes et recherchés. Mais un candidat de l'un placé sur le poste de l'autre est en difficulté dès le premier mois, et l'annonce qui demande les deux n'attire ni l'un ni l'autre.
Aussi appelé Ingénieur IA, Ingénieur machine learning, AI Engineer, Ingénieur intelligence artificielle, ML Engineer senior.
Ce que nous observons
Pourquoi un recrutement de machine learning engineer échoue.
L'annonce demande les deux métiers à la fois
Entraînement de modèles, architectures, intégration applicative, mise en production : l'annonce liste tout, par prudence. Elle reçoit alors deux populations qui ne se comparent pas, et le jury tranche sur l'impression générale. Choisir explicitement — « vous entraînerez et ajusterez des modèles » ou « vous construirez des applications au-dessus de modèles existants » — réduit le nombre de candidatures et augmente nettement le nombre de candidats utiles.
On teste l'algorithmique au lieu de l'évaluation
L'entretien porte sur les architectures, les fonctions de coût, les optimiseurs. La question qui départage vraiment est ailleurs : comment prouveriez-vous qu'une nouvelle version est meilleure que celle en production ? Elle sépare ceux qui ont exploité un système d'IA de ceux qui ont surtout expérimenté, et elle ne se prépare pas. Un candidat qui parle spontanément de jeu de référence, de mesure hors ligne et en ligne, et de ce qu'il refuse de déployer sans preuve, a déjà tenu un système en production.
Il n'y a pas d'infrastructure, et le poste devient du MLOps
Le recrutement porte sur la modélisation, mais rien n'existe pour entraîner de façon reproductible, déployer ou surveiller. L'ingénieur passe l'année à construire la plomberie. Ce travail est utile — c'est simplement un autre métier, et il faut le nommer. Si aucune plateforme n'existe, le premier recrutement le plus rentable est souvent un ingénieur MLOps, quitte à décaler le profil initialement souhaité.
Le coût d'inférence se découvre après la mise en production
Le prototype convainc, le passage à l'échelle révèle une facture que personne n'avait modélisée, et le projet est arrêté pour des raisons économiques après avoir été validé sur des critères techniques. Un ingénieur expérimenté pose la question du coût par requête dès la conception, et l'intègre comme contrainte au même titre que la latence. C'est un signal de séniorité très fiable, et il se vérifie en entretien.
Les attentes de délai ne correspondent à rien
On attend un système en production en trois mois sur des données qui ne sont ni accessibles ni documentées, sans jeu d'évaluation ni définition de ce qu'est une bonne réponse. Les bons candidats détectent l'écart pendant le processus et se retirent ; ceux qui acceptent expliquent le retard six mois plus tard. Poser dès le cadrage ce qui existe réellement — données, évaluation, infrastructure — évite un recrutement qui ne pouvait pas réussir.
Le poste est isolé et le travail n'est jamais relu
Un ingénieur seul, sans pair pour relire ses choix et sans équipe produit pour confronter les résultats à l'usage, construit un système que personne ne conteste. Les erreurs se découvrent alors chez l'utilisateur. Si le premier recrutement doit être isolé, il faut un profil nettement plus autonome que ne le suggère le budget, et l'assumer dans la fourchette.
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.
Lequel des deux métiers
Entraîner et ajuster des modèles, ou construire au-dessus de modèles existants. Nous tranchons cette question avant d'écrire l'annonce : elle décide du vivier, de la fourchette et des critères d'entretien.
Ce qui existe déjà
Données accessibles, environnement d'entraînement, chaîne de déploiement, jeu d'évaluation. La liste de ce qui manque définit le poste plus sûrement que son intitulé, et indique parfois qu'un autre profil doit venir en premier.
Les contraintes de service
Latence acceptable, volume attendu, budget d'inférence, exigences de confidentialité des données. Ces contraintes orientent l'architecture et donc le profil : les formuler tôt évite de recruter quelqu'un dont l'expérience ne s'y transpose pas.
Comment la qualité sera jugée
Ce qu'est une bonne réponse, qui en décide, et comment cela se mesure. Sans réponse, aucun ingénieur ne peut prouver que son travail progresse, et le projet se juge à l'impression.
Lecture de marché
Ce que dit le marché aujourd'hui.
Fourchettes issues de notre baromètre des salaires, en brut annuel, pour la France.
La nature de la demande a changé plus vite que les intitulés. Une part croissante des postes consiste à construire des applications au-dessus de modèles existants plutôt qu'à entraîner les siens, ce qui rapproche le métier du développement logiciel et élargit le vivier — à condition que l'annonce le reconnaisse.
La compétence réellement rare n'est pas la modélisation mais l'ingénierie : tenir un système non déterministe en production, savoir mesurer sa qualité, revenir en arrière proprement. Beaucoup de candidats ont expérimenté ; nettement moins ont exploité. La question de l'évaluation trie mieux que n'importe quel exercice technique.
Notre baromètre situe la fonction entre environ 48 000 € pour un profil junior encadré et plus de 110 000 € pour un profil lead ou staff. L'écart entre les grands groupes et les entreprises dont le produit repose sur l'IA est marqué, et il s'accompagne de différences importantes sur la part variable.
Les entreprises françaises qui recrutent sur cette fonction sont en concurrence avec des employeurs internationaux proposant du travail à distance. L'argument qui fonctionne n'est pas l'alignement de salaire mais le problème : un cas d'usage réel, des données propriétaires et un chemin vers la production convainquent des candidats qu'une surenchère seule ne convaincrait pas.
Le management de transition se développe sur cette fonction, notamment pour évaluer la faisabilité d'un cas d'usage avant d'engager une équipe. Une mission de quelques mois produit souvent un cahier des charges dont le recrutement suivant bénéficie directement.
- Junior (0-2 ans)48-62 k€
- Confirmé (2-5 ans)62-85 k€
- Senior (5-10 ans)85-115 k€
- Staff / Lead (10 ans et plus)110-160 k€+
Questions fréquentes
Ce que les dirigeants nous demandent.
- Combien de temps faut-il pour recruter un Machine Learning Engineer ?
- Nous présentons les premiers profils qualifiés sous 10 jours ouvrés en CDI et sous 48 heures en management de transition. Le délai dépend fortement du partage choisi : les profils d'intégration au-dessus de modèles existants sont plus nombreux que ceux qui entraînent et ajustent, et les seconds se recrutent en approche directe.
- Quelle différence avec un Data Scientist ?
- Le data scientist part d'une question métier et cherche si un modèle peut y répondre. Le machine learning engineer transforme un modèle en système qui fonctionne au bon rythme, au bon coût, avec une qualité mesurable. Les deux se recouvrent dans les petites équipes, où la même personne fait tout — mais l'annonce doit alors dire lequel des deux pèse le plus.
- Quelle différence avec un Ingénieur MLOps ?
- Le machine learning engineer construit le système ; l'ingénieur MLOps construit la plateforme sur laquelle plusieurs systèmes vivent. Le second est un métier d'infrastructure et de service aux équipes. Quand rien n'existe, recruter un MLOps en premier accélère souvent tout le reste.
- Faut-il un profil venu du développement logiciel ou de la modélisation ?
- Cela dépend du métier visé. Pour construire des applications au-dessus de modèles existants, un très bon développeur qui s'est spécialisé est souvent le meilleur choix : la partie difficile reste l'ingénierie. Pour entraîner et ajuster, l'origine modélisation devient nécessaire, et le vivier se resserre.
- Comment évaluer ce profil en entretien ?
- En demandant comment il prouverait qu'une version est meilleure que celle en production, puis en faisant raconter un incident : ce qui s'est dégradé, comment il l'a su, ce qu'il a changé pour le voir plus tôt. Ces deux questions séparent l'exploitation de l'expérimentation mieux que n'importe quel exercice de code.
- Combien coûte le recrutement d'un Machine Learning Engineer ?
- 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 en management de transition sur cette fonction ?
- Oui, notamment pour évaluer la faisabilité d'un cas d'usage ou sécuriser une première mise en production avant de constituer une équipe. Premiers profils sous 48 heures.
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.