Recruter un Machine Learning Engineer
Le titre de Machine Learning Engineer recouvre aujourd'hui deux métiers distincts. L'un travaille le modèle lui-même : il l'entraîne, l'ajuste, choisit son architecture et sait ce que son apprentissage consomme. L'autre bâtit des produits par-dessus des modèles déjà disponibles (intégration, recherche augmentée, enchaînement d'appels, mesure de la qualité des réponses), et son quotidien tient davantage du développement logiciel. La demande porte sur les deux. Placé sur la mission de l'autre, l'un comme l'autre se trouve en difficulté dès les premières semaines, et une annonce qui réclame les deux les perd l'un et l'autre. Nous arrêtons ce partage avec vous avant d'ouvrir la recherche.
Aussi appelé Ingénieur IA, Ingénieur machine learning, AI Engineer, Ingénieur intelligence artificielle, ML Engineer senior.
4,9/5 sur 32 avis GoogleSur le marché, 18 annonces ouvertes pour ce poste
Ce poste relève de notre cabinet de recrutement Data
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 incomparables, et le jury tranche sur l'impression générale. Nous en formulons un seul dans l'annonce (« vous entraînerez et ajusterez des modèles », ou « vous construirez des applications au-dessus de modèles existants ») : le nombre de candidatures baisse, celui des candidats utiles augmente nettement.
On teste l'algorithmique au lieu de l'évaluation
L'entretien porte sur les architectures, les fonctions de coût, les optimiseurs. Nous posons plutôt une question de preuve : comment établiriez-vous qu'une nouvelle version vaut mieux que celle en service ? Peu de candidats l'anticipent, et la réponse distingue une pratique d'exploitation d'une pratique d'expérimentation. Celui qui évoque de lui-même un jeu de référence, une mesure hors ligne puis en ligne, et ce qu'il refuse de déployer avant d'en avoir la preuve, a déjà tenu un système en production.
L'infrastructure manque, et le poste devient du MLOps
Le recrutement porte sur la modélisation, mais tout reste à bâtir pour entraîner de façon reproductible, déployer ou surveiller. L'ingénieur passe l'année à construire la plomberie. Ce travail est utile, mais il relève d'un autre métier, et nous le nommons comme tel au cadrage. Quand la plateforme est entièrement à construire, 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 absente de toute modélisation, 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 nous le vérifions en entretien.
Les attentes de délai sont irréalistes
On attend un système en production en trois mois sur des données inaccessibles et dépourvues de documentation, en l'absence de jeu d'évaluation et de définition de ce qu'est une bonne réponse. Les candidats expérimentés détectent l'écart pendant le processus et se retirent ; ceux qui acceptent expliquent le retard quelques mois plus tard. Nous posons dès le cadrage ce qui existe réellement (données, évaluation, infrastructure), ce qui évite un recrutement voué à l'échec.
Le poste est isolé et le travail échappe à toute relecture
Un ingénieur seul, privé de pair pour relire ses choix et d'équipe produit pour confronter les résultats à l'usage, construit un système incontesté. Les erreurs se découvrent alors chez l'utilisateur. Quand le premier recrutement doit rester isolé, il demande un profil nettement plus autonome que le suggère le budget, et nous le disons au moment de fixer 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. Si votre fiche de poste est déjà écrite, le diagnostic de recrutement la relit et la situe face au marché et à nos grilles.
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 : nous les formulons dès le brief, ce qui évite de recruter quelqu'un dont l'expérience s'y transpose mal.
Comment la qualité sera jugée
Ce qu'est une bonne réponse, qui en décide, et comment cela se mesure. Ces réponses permettent seules à un ingénieur de prouver que son travail progresse ; à défaut, le projet se juge à l'impression.
Lecture de marché
Ce que dit le marché aujourd'hui.
Lecture adossée à 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 relève de l'ingénierie plus que de la modélisation : tenir un système stochastique en production, savoir mesurer sa qualité, revenir en arrière proprement. Beaucoup de candidats ont expérimenté ; nettement moins ont exploité. C'est un écart qu'un curriculum vitæ masque, et qui se vérifie en entretien.
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 tient au problème posé plutôt qu'à l'alignement de salaire : un cas d'usage réel, des données propriétaires et un chemin vers la production convainquent des candidats qu'une surenchère seule laisserait indifférents.
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.
La grille complète, échelon par échelon, figure sur la fiche métier détaillée, en fin de page.
Sur le marché, 18 annonces sont ouvertes en ce moment pour ce poste, relevées chaque matin : c'est la concurrence que votre offre rencontrera. Voir les annonces du marché
Baromètre Entourage · Édition 2027
Les grilles complètes, dans votre boîte.
L'étude 2027 en PDF : 61 métiers Finance et Tech, 228 échelons de rémunération en brut annuel, et pour chaque domaine ce qui fait varier le package (la taille du bilan, l'actionnariat, le périmètre réel). Établie sur nos mandats, plutôt que sur une enquête déclarative.
Pour intelligence artificielle : 4 métiers documentés, de 47 k€ à 153 k€. Lire la page du domaine
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 prend le relais : il en fait un service qui tient la charge, respecte son budget et dont la qualité se mesure et se corrige. Dans une petite équipe, la même personne assure les deux ; nous écrivons alors dans l'annonce lequel des deux volets pèse le plus, parce que c'est lui qui détermine le vivier.
- 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, jugé par celles qui s'en servent. Tant que la plateforme reste à construire, l'ingénieur MLOps conditionne le rendement du machine learning engineer, et nous en tenons compte dans l'ordre des recrutements.
- 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, et au succès seulement : nos honoraires sont dus à l'acceptation de l'offre par le candidat. Si le candidat renonce finalement au 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 fonctions voisines :
- DSI / CTO
- Data Engineer
- Chef de Projet ERP
- Développeur Web et Mobile
- Architecte SI
- Administrateur Système
Voir aussi la fiche métier détaillée, notre expertise Tech, nos outils gratuits ou les 5 mandats Entourage en Tech.
À propos de l'auteur
Co-fondateur d'Entourage Recrutement
Douze années de recrutement sur les métiers de l'IT ont mené Helder à co-fonder Entourage Recrutement. Il y pilote les missions freelance et le management de transition Tech, de l'ingénierie logicielle aux directions des systèmes d'information.
Décrivez le poste, nous cadrons le reste.
Un consultant Tech vous recontacte sous 24 heures ouvrées pour qualifier le mandat et arrêter la stratégie d'approche.