Une vidéo publiée par IA et Stratégie | Le SamourAI part d’un constat séduisant : les offres « AI Engineer » seraient devenues si floues que le recruteur ne saurait pas beaucoup mieux que le candidat ce que le poste recouvre.
La description donne un chiffre spectaculaire pour le prouver. Sur près de 900 offres étudiées, seulement 1,4 % feraient « ce que le titre annonce ».
Le problème est que la source citée ne dit pas ça.
Elle dit presque l’inverse.
Le chiffre vient de l’AI Engineering Field Guide d’Alexey Grigorev, un projet open source qui conserve les annonces, les données structurées, le code d’analyse et une partie de sa méthodologie. Dans la première passe de 895 offres, 69,4 % sont classées AI-first : des postes qui travaillent directement sur des systèmes IA, RAG, agents, modèles ou intégrations LLM.
Et parmi les annonces dont le titre est exactement AI Engineer, 97 % sont classées AI-first.
Le fameux 1,4 % mesure autre chose : la part des rôles AI-first qui demandent uniquement des compétences GenAI, sans web, cloud, ops, ML ou autres briques d’ingénierie.
Autrement dit, ce chiffre ne montre pas que le métier n’existe pas. Il montre surtout qu’il ne consiste presque jamais à écrire trois prompts dans LangChain avant de rentrer chez soi.
Le titre prédit plutôt bien le travail
La première étude a été réalisée début février 2026 à partir de 895 descriptions récupérées sur Built In. La recherche portait sur des annonces contenant le mot-clé « AI Engineer » à Los Angeles, New York, Londres, Amsterdam et Berlin.
C’est une nuance importante : ce ne sont pas 895 annonces portant toutes exactement ce titre. Le corpus contient aussi des Applied AI Engineer, Software Engineer AI, AI Platform Engineer, ML Engineer et plusieurs variantes.
Sur cette première photographie, Grigorev classe 621 rôles comme AI-first, 255 comme AI-support et 16 comme ML-first.
Pour les titres les plus explicites, le signal est loin d’être aléatoire :
- AI Engineer : 97 % AI-first ;
- Applied AI Engineer : 88 % ;
- AI/ML Engineer : 95 % ;
- Software Engineer, AI : 91 % ;
- AI Product Engineer : 100 % dans ce petit échantillon.
La confusion augmente surtout quand le titre contient platform, infrastructure, data ou DevOps. Là, le même mot AI peut effectivement recouvrir du support de plateforme, de la donnée ou de l’infrastructure plus que de la construction d’applications IA.
C’est moins drôle que « personne ne sait ce qu’il recrute », mais plus utile : certains intitulés sont ambigus, le titre canonique l’est nettement moins.
Et le métier devient plus cohérent avec le temps
Le Field Guide n’est pas resté à ses 895 annonces. Le dépôt a continué les collectes mensuelles. Son analyse publiée sur six passes, de février à juin, couvre 4 894 offres.
La tendance est assez nette.
La part AI-first passe de 69,4 % dans la première collecte à 75,9 % en juin. Sur 1 472 offres regroupées sous le titre « ai engineer », 92 % sont AI-first. Le groupe est fortement associé à RAG et aux agents.
Le changement le plus intéressant concerne ce que ces ingénieurs font réellement.
Le stack « trainer », PyTorch, TensorFlow, fine-tuning, CUDA, recule. Le stack « integrator », RAG, agents, API de modèles et function calling, progresse. Les rôles centrés uniquement sur l’entraînement deviennent minoritaires tandis que l’intégration de systèmes IA dans des produits prend davantage de place.
Les compétences qui montent racontent la même histoire : SQL, prompt engineering, CI/CD, LangGraph et même MCP progressent dans les annonces. Le métier ressemble de plus en plus à du software engineering orienté IA, avec données, évaluation, déploiement et orchestration.
Le flou n’a pas disparu. Il se transforme en largeur de stack.
La source elle-même a des limites
Il ne faut pas remplacer une simplification par une autre.
Le Field Guide est un excellent objet parce qu’il est auditable, mais ce n’est pas un recensement universel du métier.
Les annonces viennent d’une seule plateforme, Built In. Les premières analyses couvrent cinq villes. Les collectes successives sont des photographies indépendantes, pas le suivi des mêmes annonces dans le temps.
Surtout, le pipeline actuel du dépôt documente une étape d’enrichissement par GLM-4.7. Chaque description est envoyée au modèle pour classifier le rôle en AI-first, ML-first, AI-support ou unknown et extraire les compétences, responsabilités et cas d’usage.
Les données brutes sont conservées, ce qui permet de contrôler les résultats. Cela suffit pour dire que le pipeline actuel n’est pas une simple lecture manuelle. En revanche, cette documentation ne permet pas d’établir précisément quelle part de la toute première analyse de février a été classée manuellement. La formule de la vidéo, « lues une par une à la main », est donc plus affirmative que la méthodologie publique que j’ai pu vérifier.
Le classement dépend aussi d’une définition choisie par l’auteur : un poste est AI-first dès qu’il travaille directement sur modèles, agents, RAG, prompts ou déploiement IA. Ce choix est cohérent, mais ce n’est pas une définition officielle gravée quelque part entre Python et les ressources humaines.
Le vrai problème apparaît plutôt au bas de l’échelle
Les autres sources citées dans la vidéo deviennent beaucoup plus intéressantes quand on cesse de leur demander si le titre « AI Engineer » est réel.
Indeed observe que les offres de développement logiciel aux États-Unis ont rebondi d’environ 15 % depuis le lancement de Claude Code fin février 2025. Mais 71 % de la hausse entre mai 2025 et mai 2026 vient de rôles seniors, et 37 % de l’augmentation provient d’offres mentionnant l’IA dans leur titre.
Le marché peut donc recruter davantage de profils techniques liés à l’IA tout en rendant l’entrée plus difficile.
Revelio Labs retrouve une tension similaire. Les entreprises qui ont effectivement adopté l’IA ont davantage augmenté leurs effectifs que les non-adopteurs, mais la croissance est beaucoup plus forte sur les postes seniors que juniors.
PwC arrive par un autre chemin au même paradoxe. Dans son baromètre 2026, les offres demandant des compétences IA progressent beaucoup plus vite que le marché global et offrent une forte prime salariale. En parallèle, les rôles juniors les plus exposés à l’IA sont beaucoup plus susceptibles de demander des compétences traditionnellement associées à des seniors, comme le jugement ou le leadership.
On ne supprime donc pas nécessairement le métier. On peut simplement demander à son débutant d’arriver déjà expérimenté. L’industrie avait manifestement besoin d’inventer une nouvelle version du problème « junior, cinq ans d’expérience ».
Même la baisse des juniors n’a pas une cause simple
L’étude de Stanford Canaries in the Coal Mine a beaucoup circulé parce qu’elle observe une baisse relative de l’emploi chez les 22-25 ans dans les métiers les plus exposés à l’IA générative. Son tableau de bord continue de montrer une divergence particulièrement marquée chez les travailleurs en début de carrière.
Mais une étude du Centre for Economic Performance de la LSE publiée en juin 2026 complique le récit.
Les auteurs analysent 243 millions de nouvelles embauches et 407 millions d’offres dans quatre pays. Ils remarquent que l’exposition à l’IA générative est fortement corrélée à l’exposition au travail à distance. Quand les deux facteurs sont estimés séparément, chacun semble prédire le recul des embauches juniors. Quand ils sont introduits ensemble, l’effet du travail à distance reste robuste tandis que celui de l’exposition GenAI diminue fortement et devient souvent statistiquement indiscernable de zéro.
Ce résultat ne prouve pas que l’IA n’a aucun effet. Les auteurs le disent explicitement. Il montre qu’une partie du grand récit « l’IA supprime l’échelle d’entrée » peut confondre plusieurs transformations arrivées presque en même temps.
Le marché du travail adore les expériences naturelles. Malheureusement, il refuse généralement de ne changer qu’une seule variable à la fois.
En France, la compétence IA sort déjà du titre
L’Apec ajoute une dernière pièce utile.
En 2026, la moitié des cadres français disent utiliser l’IA au moins une fois par semaine. Deux entreprises sur dix donnent déjà de l’importance à la maîtrise de l’IA lorsqu’elles sélectionnent des candidats, et plus de la moitié des grandes entreprises prévoient de lui en donner davantage lors de futurs recrutements de cadres.
Ça suggère un déplacement supplémentaire : la compétence IA se diffuse dans les métiers existants.
Tout le monde n’a donc pas besoin de devenir « AI Engineer ». Une partie du marché crée des spécialistes de l’intégration IA. Une autre ajoute des compétences IA à des postes qui existaient déjà.
Le métier n’est pas vide, il est large
Après avoir suivi les sources de la vidéo, le problème ressemble moins à une crise des intitulés qu’à une recomposition du travail technique.
« AI Engineer » commence à décrire quelque chose d’assez reconnaissable : un ingénieur logiciel qui construit et met en production des fonctions basées sur des modèles existants, avec RAG, agents, données, évaluation, observabilité et infrastructure autour.
Ce qui reste instable, c’est la quantité de métiers qu’une entreprise essaie parfois de faire tenir dans cette seule personne.
Pour lire une offre, le titre est donc un point de départ raisonnable. Les vraies questions arrivent juste après : qu’est-ce que cette personne doit mettre en production, qu’est-ce qu’elle possède réellement dans le système, et comment l’entreprise saura que son travail fonctionne ?
Le recruteur peut très bien savoir qu’il cherche un AI Engineer.
Le problème commence quand il cherche en même temps un backend engineer, un ML engineer, un data engineer, un DevOps, un product engineer et un adulte déjà senior, puis décide que tout cela constitue un poste junior.