Des métiers nouveaux, et beaucoup d’étiquettes
Chaque vague technologique produit deux choses : quelques métiers nouveaux, et beaucoup de cartes de visite nouvelles. Il est utile de savoir distinguer les deux, surtout si l’on doit recruter, se former ou construire un plan de carrière sur cette base.
L’inflation des intitulés
Ivan Turković, CTO avec vingt ans de métier, a mené un exercice de cartographie publié en 2026 : recenser les intitulés de poste liés à l’IA, puis regarder ce que ces postes font réellement au quotidien.
Résultat : environ quarante intitulés distincts décrivent essentiellement trois natures de travail. Et l’écart de rémunération entre deux postes au contenu identique atteint 20 à 40 % selon le nom qu’on leur donne.
Ce n’est pas anodin. Cela signifie qu’une partie de la valeur affichée sur le marché des compétences IA est un effet de nomenclature, pas un effet de rareté. Pour un employeur, c’est une source d’erreur de recrutement coûteuse. Pour un candidat, c’est une opportunité, et un risque, si l’étiquette se dégonfle.
L’exemple du prompt engineer, cycle complet en trois ans
Le cas est devenu un classique, et il vaut la peine d’être rappelé parce qu’il se répétera.
En 2023, le prompt engineer est présenté comme le métier emblématique de la décennie. Les salaires annoncés sont spectaculaires, des formations se créent, des articles expliquent qu’il s’agit d’une compétence entièrement nouvelle.
En 2026, l’intitulé a largement disparu des offres. Les salaires médians se sont effondrés, et la fonction a été absorbée dans des postes d’ingénierie classiques.
Ce n’est pas que la compétence était inutile. C’est qu’elle n’était pas un métier : formuler une demande précise à un système est une composante d’un travail, pas un travail. Comme savoir écrire une requête SQL, ou savoir rédiger un ticket exploitable.
La règle de discrimination est là. Un métier existe quand il a un livrable propre, une responsabilité identifiable et un critère de qualité qui lui est spécifique. Une compétence transversale, même très valorisée pendant dix-huit mois, n’en est pas un.
Deux intitulés en circulation en 2026, « builder », « vibe engineer », relèvent de la même catégorie. Ils décrivent une posture, pas une fonction.
Les trois métiers qui existent réellement
Construire des produits sur des modèles. C’est l’écrasante majorité du marché, environ 80 % des postes selon la cartographie de Turković. Le travail consiste à intégrer des modèles existants via des API, construire des systèmes de recherche augmentée, gérer le contexte, les coûts, la latence et les cas d’erreur.
Les intitulés varient, AI Engineer, LLM Engineer, GenAI Developer, pour un contenu largement identique. C’est, fondamentalement, de l’ingénierie logicielle appliquée à un composant au comportement probabiliste. Le déplacement de compétence réel porte sur la gestion de l’incertitude : on ne teste pas un système non déterministe comme on teste une fonction pure.
Entraîner et ajuster des modèles. Métier nettement plus étroit, plus ancien et plus exigeant : Machine Learning Engineer, Research Engineer, Research Scientist. Il suppose une formation mathématique solide, souvent doctorale, et concerne un nombre limité d’organisations.
Ce métier n’est pas nouveau. Il est simplement devenu visible.
Faire tourner tout ça. MLOps, LLMOps, AI Infrastructure Engineer. Déploiement, supervision, coût d’inférence, disponibilité, versionnage des modèles. C’est de l’ingénierie de plateforme avec de nouvelles contraintes, notamment économiques, puisque chaque appel a un prix unitaire.
Là encore : métier existant, périmètre étendu.
Les deux rôles qui émergent pour de bonnes raisons
Ceux-là méritent l’attention, parce qu’ils ne sont pas des renommages. Ils répondent à un problème que l’IA a effectivement créé.
L’ingénieur de vérification. Le raisonnement est mécanique. Si la production de code devient peu coûteuse et que la revue reste humaine, alors la revue devient le goulot d’étranglement. Le rapport DORA 2025 associe d’ailleurs l’adoption élevée de l’IA à une hausse simultanée du débit de livraison et de l’instabilité, et relève que 30 % des développeurs déclarent une confiance faible ou nulle dans le code généré.
Les enjeux de sécurité rendent la fonction plus nécessaire encore : d’après les tests Veracode 2026 portant sur plus de 150 modèles, environ 55 % du code généré passe les contrôles de sécurité de base, un taux stable depuis deux ans alors que la correction syntaxique a dépassé 95 %.
Le rôle qui se forme là n’est pas du test au sens classique. C’est la combinaison d’une compétence de validation et d’une connaissance métier : savoir qu’un calcul de prorata est faux, non parce que le code plante, mais parce que le résultat est absurde pour un contrat signé en cours de mois. Un modèle ne peut pas le savoir, et un testeur sans connaissance du domaine non plus.
C’est le rôle le plus sous-estimé de la période, et probablement celui qui se valorisera le plus dans les secteurs régulés.
L’orchestrateur. Second rôle réel, plus difficile à cerner parce qu’il est en train de se définir.
Le rapport 2026 d’Anthropic sur le développement assisté par agents donne le chiffre qui le justifie : les développeurs utilisent l’IA sur environ 60 % de leur travail mais ne peuvent en déléguer complètement que 0 à 20 %. Entre les deux, il y a un travail de découpage, de séquencement, de fourniture de contexte et de recomposition, et ce travail est en train d’occuper une part significative du temps d’ingénierie.
Décomposer un problème en tâches délégables, fournir le bon contexte à chacune, définir les critères d’acceptation, recomposer le résultat, décider quoi escalader à un humain : c’est un travail de conception, proche de ce que faisait un lead technique sur une équipe, appliqué à des exécutants non humains.
La différence importante avec le management d’équipe : un agent ne signale pas qu’il n’a pas compris. La charge de détecter l’incompréhension revient entièrement à celui qui délègue.
Ce qui compte davantage que l’intitulé
Pour qui doit se positionner, trois compétences traversent tous ces rôles et survivront aux modes de nomenclature.
Le jugement technique. Savoir qu’une réponse plausible est fausse. Cela ne s’acquiert qu’en ayant construit, cassé et réparé des systèmes. C’est la compétence la plus demandée et la plus difficile à former rapidement, d’autant que le travail d’entrée de gamme qui la fabriquait est en train de disparaître. En France, 33 % des ESN ont réduit leurs recrutements de jeunes diplômés au premier semestre 2026 (Numeum), et le laboratoire d’économie numérique de Stanford mesure un écart d’emploi d’environ 19 % pour les 22-25 ans dans les métiers les plus exposés à l’IA.
La connaissance d’un domaine. C’est ce qui rend un professionnel non substituable. Un modèle connaît la moyenne du web ; il ne connaît pas les règles de facturation d’un secteur, ni les contraintes réglementaires d’un métier, ni les raisons pour lesquelles un processus est fait ainsi. Cette connaissance vaut plus qu’avant, pas moins.
La capacité à formuler sans ambiguïté. Pas le prompt engineering comme discipline, mais la vieille compétence d’écrire une règle qui ne peut être interprétée que d’une seule façon. Elle a cessé d’être un bonus le jour où les spécifications ont commencé à être exécutées sans intermédiaire humain.
Pour un employeur
Trois conséquences pratiques.
Recruter sur le contenu, pas sur l’intitulé. L’écart de 20 à 40 % de rémunération à travail identique signifie qu’on peut payer très cher une compétence qu’on avait déjà en interne sous un autre nom.
Créer explicitement le rôle de vérification. Il existe déjà, informellement, réparti entre des seniors qui le font en plus de leur travail. Non nommé, il n’est ni dimensionné ni valorisé, et il sature en silence.
Ne pas construire de plan de formation sur un intitulé. Le cycle du prompt engineer, trois ans de la hype à l’absorption, est un avertissement suffisant. Former sur des compétences, pas sur des étiquettes.
Une réserve, pour finir
Le World Economic Forum, dans son Future of Jobs Report 2025, projette une création nette d’environ 78 millions d’emplois à l’horizon 2030, avec des destructions massives compensées par des créations supérieures.
Ces projections ont une valeur limitée : elles sont construites sur des déclarations d’employeurs à cinq ans, dans un contexte où même les acteurs les mieux informés se trompent à douze mois. Il faut les lire comme un ordre de grandeur, pas comme une prévision.
Ce que montrent les données mesurées, et non projetées, est plus modeste et plus net : pas de destruction d’emploi généralisée, mais une contraction concentrée sur les postes d’entrée, par gel des embauches plutôt que par licenciements.
Ce n’est pas un raz-de-marée. C’est une porte qui se ferme lentement, à un seul endroit, et personne ne sait encore par où passeront ceux qui devaient entrer.
Questions fréquentes
**Quels sont les vrais nouveaux métiers créés par l’IA ? ** Deux rôles émergent pour des raisons structurelles : l’ingénieur de vérification, qui valide le code et les résultats générés en s’appuyant sur une connaissance métier, et l’orchestrateur, qui décompose un problème en tâches délégables à des agents et recompose le résultat. La plupart des autres intitulés recouvrent des métiers existants.
**Le métier de prompt engineer existe-t-il encore ? ** Il a largement disparu des offres d’emploi entre 2023 et 2026, absorbé dans des postes d’ingénierie classiques. Formuler une demande précise à un modèle est une compétence transversale, pas un métier doté d’un livrable et d’une responsabilité propres.
**Quelles compétences privilégier pour travailler dans la tech en 2026 ? ** Le jugement technique, savoir qu’une réponse plausible est fausse, la connaissance approfondie d’un domaine métier, et la capacité à formuler des règles sans ambiguïté. Ces trois compétences traversent tous les rôles et survivent aux modes de nomenclature.
**Y a-t-il vraiment une destruction d’emplois dans la tech à cause de l’IA ? ** Les données mesurées ne montrent pas de destruction généralisée, mais une contraction concentrée sur les postes d’entrée, par réduction des embauches plutôt que par licenciements. Stanford mesure un écart d’emploi d’environ 19 % pour les 22-25 ans dans les métiers les plus exposés (août 2026).
Sources
Ivan Turković, AI Job Titles in 2026: A CTO’s Guide to the Naming Chaos
Anthropic, 2026 Agentic Coding Trends Report
DORA, Balancing AI tensions (2025)
Veracode, Spring 2026 GenAI Code Security Update
Stanford Digital Economy Lab, Canaries in the Coal Mine, août 2026
Numeum, Étude sur le marché du numérique français
World Economic Forum, Future of Jobs Report 2025