Il y a deux ans, le monde de l’entreprise découvrait avec enthousiasme le métier de « prompt engineer ».
Le principe paraissait presque évident : savoir parler aux intelligences artificielles, formuler les bonnes consignes, obtenir les réponses les plus pertinentes d’un modèle comme ChatGPT, Claude ou Gemini.
Le métier a fait rêver. Certaines annonces promettaient des rémunérations impressionnantes. Des formations se sont multipliées. Des milliers de professionnels ont ajouté “prompt engineering” à leur profil LinkedIn, parfois après quelques heures de pratique.
Mais déjà, ce métier semble perdre son statut de star absolue.
Non pas parce que savoir bien dialoguer avec une IA est devenu inutile. Au contraire. Mais parce que les outils progressent, comprennent mieux les demandes ordinaires et automatisent une partie de ce travail. L’ingénieur de prompts n’a pas disparu ; il est simplement en train de devenir une compétence parmi d’autres, et non plus le Graal annoncé du marché du travail.
Pendant que beaucoup découvrent à peine ce terme, d’autres métiers, encore plus techniques et plus difficiles à comprendre, apparaissent déjà.
Bienvenue dans l’économie des intitulés inconnus.
Les “harness engineers”, ou l’art de tenir l’IA en laisse
Parmi les nouveaux mots qui circulent dans les entreprises technologiques figure celui de “harness engineer”, que l’on pourrait traduire, avec prudence, par ingénieur des dispositifs d’encadrement de l’IA.
Derrière cette formule peu glamour se cache pourtant une fonction essentielle.
Un grand modèle d’intelligence artificielle peut produire des réponses étonnantes, rédiger un texte, écrire du code, analyser des documents ou proposer un plan d’action. Mais laissé seul, il peut aussi se tromper, inventer une information, oublier une règle, mal interpréter une demande ou prendre une direction absurde.
Le rôle du “harness engineer” consiste donc à construire la couche de contrôle autour du modèle. Il organise les règles, les outils, les étapes de validation, les accès aux données, les garde-fous de sécurité et les mécanismes de vérification.
En clair : il ne fabrique pas forcément le cerveau artificiel, mais il évite qu’il traverse la ville sans frein ni code de la route.
Ce métier devient central à mesure que les entreprises ne se contentent plus de demander à une IA de produire un texte. Elles lui demandent d’interagir avec leurs bases de données, leurs clients, leurs logiciels internes, leurs équipes commerciales ou leurs processus financiers.
L’intelligence artificielle ne doit plus seulement répondre. Elle doit agir. Et dès qu’elle agit, il faut quelqu’un pour la surveiller.
Les “loop engineers”, les mécaniciens des agents intelligents
Autre métier en pleine émergence : le “loop engineer”, ou ingénieur de boucles.
Le terme peut paraître abstrait. Il décrit pourtant une idée simple : permettre à des agents d’intelligence artificielle d’apprendre de leurs propres résultats, de corriger leurs erreurs et d’améliorer progressivement leur manière de travailler.
Une boucle de rétroaction fonctionne ainsi : l’IA reçoit une tâche, prépare un plan, exécute une action, observe le résultat, détecte ce qui n’a pas marché, puis ajuste sa méthode.
Dans le domaine du codage, par exemple, un agent IA peut recevoir la mission de développer une fonction informatique. Il écrit le code, lance des tests, repère les erreurs, modifie sa proposition et recommence jusqu’à obtenir un résultat fonctionnel.
Mais ces boucles ne se construisent pas toutes seules.
Il faut définir les objectifs, choisir les données de retour, imposer des contrôles, éviter les répétitions inutiles et empêcher l’agent de tourner en rond pendant des heures. C’est là qu’intervient l’ingénieur de boucles.
Son travail est moins visible que celui du créateur d’une application spectaculaire. Pourtant, il peut décider de la différence entre une IA qui donne une belle démonstration et une IA qui produit réellement de la valeur.
Car le véritable défi n’est plus seulement de faire parler une intelligence artificielle. C’est de lui apprendre à travailler sans créer de dégâts.
Le “growth hacking” à l’heure des machines
Dans cette nouvelle économie, même les méthodes du marketing numérique changent de nature.
Le growth hacking, longtemps associé à l’art de trouver rapidement des leviers de croissance — tester une campagne, optimiser une page web, améliorer un tunnel de vente, analyser les comportements des utilisateurs — est lui aussi absorbé par l’IA.
Demain, les spécialistes de la croissance ne se contenteront plus de lire des tableaux de bord. Ils pourront piloter des agents capables de tester automatiquement des dizaines de messages, de segmenter des audiences, de modifier des contenus, de comparer les résultats et de proposer des ajustements.
Mais là encore, l’automatisation ne remplace pas le jugement.
Une IA peut identifier qu’un titre attire davantage de clics. Elle ne sait pas toujours si ce titre respecte une ligne éditoriale, protège une réputation ou évite de tomber dans le piège du sensationnalisme. Elle peut trouver un levier de conversion. Elle ne comprend pas nécessairement les conséquences sociales, juridiques ou humaines de ce levier.
Le growth hacking devient donc plus rapide, plus puissant, mais aussi plus risqué. Il ne suffit plus de savoir “faire du trafic”. Il faut savoir fixer des limites à des machines qui n’ont ni instinct, ni éthique, ni responsabilité.
L’ingénieur des modèles frontières, le profil le plus rare
Au sommet de cette pyramide apparaît un profil encore plus rare : l’ingénieur capable de maîtriser les modèles d’IA de pointe, parfois appelés “modèles frontières”.
Ce sont les grands modèles capables de traiter le langage, le code, les images, les sons ou les données complexes à une échelle mondiale. Ceux qui sont entraînés sur d’immenses volumes d’informations et mobilisent des puissances de calcul considérables.
Très peu de personnes savent réellement construire et entraîner de tels systèmes.
Selon certaines estimations avancées dans le secteur, moins de trois mille personnes dans le monde — peut-être moins de deux mille — seraient capables de construire et d’entraîner un modèle d’IA à l’échelle des grands modèles de langage actuels.
Le chiffre peut être discuté. Il ne s’agit pas d’un recensement officiel. Mais il révèle une réalité difficile à contester : la connaissance la plus avancée de l’IA est concentrée entre les mains d’un nombre extrêmement limité de chercheurs et d’ingénieurs.
Ces profils possèdent généralement une formation poussée en science des données, en mathématiques, en informatique avancée et en réseaux neuronaux. Ils savent comment les modèles apprennent, pourquoi ils échouent, comment les optimiser et comment les faire fonctionner à grande échelle.
Ils ne sont pas seulement capables d’utiliser l’IA. Ils savent comment elle est fabriquée.
Le métier a fait rêver. Certaines annonces promettaient des rémunérations impressionnantes. Des formations se sont multipliées. Des milliers de professionnels ont ajouté “prompt engineering” à leur profil LinkedIn, parfois après quelques heures de pratique.
Mais déjà, ce métier semble perdre son statut de star absolue.
Non pas parce que savoir bien dialoguer avec une IA est devenu inutile. Au contraire. Mais parce que les outils progressent, comprennent mieux les demandes ordinaires et automatisent une partie de ce travail. L’ingénieur de prompts n’a pas disparu ; il est simplement en train de devenir une compétence parmi d’autres, et non plus le Graal annoncé du marché du travail.
Pendant que beaucoup découvrent à peine ce terme, d’autres métiers, encore plus techniques et plus difficiles à comprendre, apparaissent déjà.
Bienvenue dans l’économie des intitulés inconnus.
Les “harness engineers”, ou l’art de tenir l’IA en laisse
Parmi les nouveaux mots qui circulent dans les entreprises technologiques figure celui de “harness engineer”, que l’on pourrait traduire, avec prudence, par ingénieur des dispositifs d’encadrement de l’IA.
Derrière cette formule peu glamour se cache pourtant une fonction essentielle.
Un grand modèle d’intelligence artificielle peut produire des réponses étonnantes, rédiger un texte, écrire du code, analyser des documents ou proposer un plan d’action. Mais laissé seul, il peut aussi se tromper, inventer une information, oublier une règle, mal interpréter une demande ou prendre une direction absurde.
Le rôle du “harness engineer” consiste donc à construire la couche de contrôle autour du modèle. Il organise les règles, les outils, les étapes de validation, les accès aux données, les garde-fous de sécurité et les mécanismes de vérification.
En clair : il ne fabrique pas forcément le cerveau artificiel, mais il évite qu’il traverse la ville sans frein ni code de la route.
Ce métier devient central à mesure que les entreprises ne se contentent plus de demander à une IA de produire un texte. Elles lui demandent d’interagir avec leurs bases de données, leurs clients, leurs logiciels internes, leurs équipes commerciales ou leurs processus financiers.
L’intelligence artificielle ne doit plus seulement répondre. Elle doit agir. Et dès qu’elle agit, il faut quelqu’un pour la surveiller.
Les “loop engineers”, les mécaniciens des agents intelligents
Autre métier en pleine émergence : le “loop engineer”, ou ingénieur de boucles.
Le terme peut paraître abstrait. Il décrit pourtant une idée simple : permettre à des agents d’intelligence artificielle d’apprendre de leurs propres résultats, de corriger leurs erreurs et d’améliorer progressivement leur manière de travailler.
Une boucle de rétroaction fonctionne ainsi : l’IA reçoit une tâche, prépare un plan, exécute une action, observe le résultat, détecte ce qui n’a pas marché, puis ajuste sa méthode.
Dans le domaine du codage, par exemple, un agent IA peut recevoir la mission de développer une fonction informatique. Il écrit le code, lance des tests, repère les erreurs, modifie sa proposition et recommence jusqu’à obtenir un résultat fonctionnel.
Mais ces boucles ne se construisent pas toutes seules.
Il faut définir les objectifs, choisir les données de retour, imposer des contrôles, éviter les répétitions inutiles et empêcher l’agent de tourner en rond pendant des heures. C’est là qu’intervient l’ingénieur de boucles.
Son travail est moins visible que celui du créateur d’une application spectaculaire. Pourtant, il peut décider de la différence entre une IA qui donne une belle démonstration et une IA qui produit réellement de la valeur.
Car le véritable défi n’est plus seulement de faire parler une intelligence artificielle. C’est de lui apprendre à travailler sans créer de dégâts.
Le “growth hacking” à l’heure des machines
Dans cette nouvelle économie, même les méthodes du marketing numérique changent de nature.
Le growth hacking, longtemps associé à l’art de trouver rapidement des leviers de croissance — tester une campagne, optimiser une page web, améliorer un tunnel de vente, analyser les comportements des utilisateurs — est lui aussi absorbé par l’IA.
Demain, les spécialistes de la croissance ne se contenteront plus de lire des tableaux de bord. Ils pourront piloter des agents capables de tester automatiquement des dizaines de messages, de segmenter des audiences, de modifier des contenus, de comparer les résultats et de proposer des ajustements.
Mais là encore, l’automatisation ne remplace pas le jugement.
Une IA peut identifier qu’un titre attire davantage de clics. Elle ne sait pas toujours si ce titre respecte une ligne éditoriale, protège une réputation ou évite de tomber dans le piège du sensationnalisme. Elle peut trouver un levier de conversion. Elle ne comprend pas nécessairement les conséquences sociales, juridiques ou humaines de ce levier.
Le growth hacking devient donc plus rapide, plus puissant, mais aussi plus risqué. Il ne suffit plus de savoir “faire du trafic”. Il faut savoir fixer des limites à des machines qui n’ont ni instinct, ni éthique, ni responsabilité.
L’ingénieur des modèles frontières, le profil le plus rare
Au sommet de cette pyramide apparaît un profil encore plus rare : l’ingénieur capable de maîtriser les modèles d’IA de pointe, parfois appelés “modèles frontières”.
Ce sont les grands modèles capables de traiter le langage, le code, les images, les sons ou les données complexes à une échelle mondiale. Ceux qui sont entraînés sur d’immenses volumes d’informations et mobilisent des puissances de calcul considérables.
Très peu de personnes savent réellement construire et entraîner de tels systèmes.
Selon certaines estimations avancées dans le secteur, moins de trois mille personnes dans le monde — peut-être moins de deux mille — seraient capables de construire et d’entraîner un modèle d’IA à l’échelle des grands modèles de langage actuels.
Le chiffre peut être discuté. Il ne s’agit pas d’un recensement officiel. Mais il révèle une réalité difficile à contester : la connaissance la plus avancée de l’IA est concentrée entre les mains d’un nombre extrêmement limité de chercheurs et d’ingénieurs.
Ces profils possèdent généralement une formation poussée en science des données, en mathématiques, en informatique avancée et en réseaux neuronaux. Ils savent comment les modèles apprennent, pourquoi ils échouent, comment les optimiser et comment les faire fonctionner à grande échelle.
Ils ne sont pas seulement capables d’utiliser l’IA. Ils savent comment elle est fabriquée.
Le vrai enjeu : ne pas confondre mode et compétence
La vitesse à laquelle ces nouveaux métiers apparaissent peut donner le vertige.
Hier, tout le monde parlait du prompt engineer. Aujourd’hui, les entreprises recherchent des spécialistes des agents, des boucles de rétroaction ou des systèmes de contrôle. Demain, un nouvel intitulé viendra peut-être encore remplacer les précédents.
Le danger serait de courir derrière chaque mot à la mode.
Car les intitulés passent. Les fondamentaux restent.
La véritable compétence durable n’est pas de connaître le dernier outil à la mode ou d’afficher le dernier terme américain sur son CV. Elle repose sur une compréhension solide de la science des données, des réseaux neuronaux, de l’architecture informatique, de la sécurité et des usages réels de l’IA.
Comprendre les données est une chose. Comprendre les réseaux neuronaux en est une autre. Mais savoir utiliser cette connaissance dans une entreprise, au service d’un métier concret, d’un client réel et d’une organisation parfois imparfaite, constitue probablement la compétence la plus rare.
C’est là que se jouera la prochaine bataille de l’emploi.
Les entreprises ne chercheront pas seulement des personnes capables de faire fonctionner une IA. Elles chercheront des profils capables de savoir quand l’utiliser, comment la contrôler, où elle peut échouer et ce qu’elle peut réellement apporter.
Dans le brouhaha des nouveaux métiers, une certitude demeure : les mots changent vite, mais la profondeur technique reste le vrai luxe.
Hier, tout le monde parlait du prompt engineer. Aujourd’hui, les entreprises recherchent des spécialistes des agents, des boucles de rétroaction ou des systèmes de contrôle. Demain, un nouvel intitulé viendra peut-être encore remplacer les précédents.
Le danger serait de courir derrière chaque mot à la mode.
Car les intitulés passent. Les fondamentaux restent.
La véritable compétence durable n’est pas de connaître le dernier outil à la mode ou d’afficher le dernier terme américain sur son CV. Elle repose sur une compréhension solide de la science des données, des réseaux neuronaux, de l’architecture informatique, de la sécurité et des usages réels de l’IA.
Comprendre les données est une chose. Comprendre les réseaux neuronaux en est une autre. Mais savoir utiliser cette connaissance dans une entreprise, au service d’un métier concret, d’un client réel et d’une organisation parfois imparfaite, constitue probablement la compétence la plus rare.
C’est là que se jouera la prochaine bataille de l’emploi.
Les entreprises ne chercheront pas seulement des personnes capables de faire fonctionner une IA. Elles chercheront des profils capables de savoir quand l’utiliser, comment la contrôler, où elle peut échouer et ce qu’elle peut réellement apporter.
Dans le brouhaha des nouveaux métiers, une certitude demeure : les mots changent vite, mais la profondeur technique reste le vrai luxe.
