Devenir ingénieur en IA en 2026 sans diplôme en informatique

En partant de zéro sans diplôme en informatique, est-il possible de devenir ingénieur en IA en 2026 ? Oui, mais un plan est utile. Des personnes viennent dans ce domaine de la politique, de la musique, des soins infirmiers, de la logistique, bref de tous les horizons. Ce qui distingue ceux qui obtiennent un poste de ceux qui tournent en rond, c’est principalement la stratégie et non le talent. Voici un plan pour tout le parcours : quel est le métier, pourquoi il est bien rémunéré, quelles compétences acquérir, comment étudier sans être submergé par les tutoriels, ce qu’il faut créer, et comment passer le filtre des CV.

En quoi consiste réellement ce métier

Les offres d’emploi mélangent trois titres : ingénieur en IA, ingénieur en apprentissage automatique et ingénieur logiciel. Beaucoup de gens passent des mois à étudier pour des exigences qui s’avèrent inadaptées au poste qu’ils souhaitaient, il est donc utile de tracer des lignes claires.

Un ingénieur en IA crée des applications à partir de modèles déjà entraînés par d’autres. Claude, GPT, Gemini ainsi que les modèles à poids ouverts constituent la matière première. En les utilisant, on développe des systèmes capables de résumer des informations ou d’automatiser des tâches. Un exemple typique est un bot de service client capable de rechercher une commande, de répondre aux questions et de gérer un remboursement.

Un ingénieur en apprentissage automatique fait quelque chose de différent : il entraîne des modèles personnalisés à partir de données, comme un moteur de recommandations ou un détecteur de fraude. Aucun de ces deux profils ne conçoit de nouveaux types de modèles ; cela relève des chercheurs, qui possèdent généralement un doctorat et suivent une voie professionnelle distincte.

Les ingénieurs en logiciels développent l’interface, l’API ou le backend autour du modèle. Aucune partie de leur travail n’est spécifique à un modèle en particulier.

On entend souvent dire que les ingénieurs en IA ne sont que des ingénieurs logiciels qui utilisent une API différente. Cela n’est vrai que pour les ingénieurs en IA de faible niveau. Beaucoup de choses dépassent le simple appel à une API : la gestion du contexte, la récupération d’informations, l’évaluation, la fiabilité. L’écart entre un simple appel à une API et la création d’un système d’IA fiable explique en grande partie pourquoi les salaires sont si élevés. De nombreuses entreprises souhaitent intégrer de l’IA dans leurs produits aujourd’hui, mais étonnamment peu de personnes savent le faire correctement.

Sept domaines de compétences

Vous n’avez pas besoin de maîtriser tout ce qui concerne l’IA avant de commencer à développer. Il est cependant essentiel de savoir ce qui compte, car ce domaine est immense. Suivez ce que Reddit ou YouTube déclarent essentiel cette semaine, et vous passerez des heures sur des choses qui ne concernent que peu le travail que vous souhaitez accomplir. Considérez ce ensemble de compétences comme étant réparti en sept domaines.

Programmation

Maîtrisez bien Python, car c’est votre outil quotidien. Devenez à l’aise avec les fonctions, les classes, les structures de données, la gestion des erreurs, l’appel d’API et l’utilisation de bibliothèques tierces. Parallèlement, adoptez des habitudes d’ingénierie générales : structurer un projet, utiliser Git, gérer des environnements virtuels et des fichiers de configuration, écrire des tests et vous déplacer dans la ligne de commande.

Mathématiques

Vous en avez besoin bien moins que vous ne le pensez. L’algèbre linéaire de base, la probabilité, les statistiques et le calcul différentiel sont utiles : vecteurs et matrices, distributions, moyennes et variance, dérivées et gradients. Visez l’intuition plutôt que le calcul manuel. Vous devez comprendre ce que signifient ces concepts et être capable de les reconnaître lorsqu’ils apparaissent dans vos systèmes, mais personne ne vous demandera de résoudre des équations sur papier.

Fondements de l’apprentissage automatique

Ce poste ne concerne pas l’entraînement de modèles à partir de zéro, mais certains concepts fondamentaux restent pertinents même lorsqu’on utilise des modèles pré-entraînés. Il est essentiel de connaître la différence entre l’apprentissage supervisé et non supervisé, les ensembles d’entraînement et de test, le surajustement et le sous-ajustement, ainsi que des métriques comme la précision et le rappel. Acquérir une vision générale des réseaux de neurones, puis comprendre le fonctionnement des transformateurs, car presque tous les modèles que vous utiliserez sont basés sur cette architecture. L’objectif n’est pas de développer des compétences de recherche, mais plutôt d’avoir suffisamment de connaissances pour savoir que les modèles que vous utilisez ne sont pas des boîtes noires totales.

Fondements de l’ingénierie en IA

C’est ici que commence la véritable spécialisation.

• Travailler avec les LLM : utiliser les principaux modèles, comprendre leurs différences et choisir parmi eux en fonction de la performance, du coût, de la vitesse et des conditions de licence.

Ingenierie des prompts : il s’agit de bien plus que de modifier les prompts jusqu’à ce qu’une réponse paraisse satisfaisante. Apprenez les prompts à faible quantité d’exemples, les sorties structurées et les prompts défensifs, ainsi qu’une méthode systématique pour vérifier si un changement a été utile.

Ingenierie du contexte : décider de ce que le modèle voit, dans quel ordre, et ce qui est omis lorsque la quantité de données est trop importante.

RAG, ou génération augmentée par la récupération d’informations : permettre au modèle d’accéder à des données en dehors de son ensemble d’entraînement, comme des documents internes à l’entreprise. Cela implique de comprendre les embeddings, le chunking, les bases de données vectorielles et la manière de récupérer les informations appropriées.

Évaluation : mesurer si le système fait ce que vous souhaitez, en utilisant des ensembles de test, des métriques, le LLM en tant que juge et une révision par des humains.

Ces derniers points vous aident à aller au-delà des appels API pour concevoir le système autour du modèle.

Agents IA

Un agent est un LLM capable d’appeler des fonctions et de continuer à agir jusqu’à ce qu’une tâche soit terminée. Au lieu de ne produire que du texte, il peut rechercher sur le Web, interroger une base de données, utiliser une API ou écrire et exécuter du code. Découvrez comment fonctionnent les appels d’outils, comment connecter un agent à des systèmes externes et comment vérifier qu’il accomplit correctement les tâches. Apprenez également le MCP, le Model Context Protocol, un standard permettant de relier les applications d’IA à des outils et des données externes. Enfin, étudiez les configurations multi-agents où plusieurs agents se partagent une tâche. Ce domaine a évolué plus rapidement que la plupart des autres au cours des dernières années, et les employeurs s’y attendent de plus en plus.

Ingénierie de production

Une application d’IA qui fonctionne sur votre ordinateur portable, c’est une chose. En revanche, en arriver à un produit utilisé par des utilisateurs réels, c’en est une autre. Vous devrez savoir comment créer des API, utiliser une plateforme cloud, containeriser avec Docker et mettre en place un système CI/CD de base afin de déployer les modifications. Ajoutez également des fonctionnalités de surveillance et d’journalisation, afin de pouvoir voir ce que fait le système et déterminer ce qui a mal fonctionné. Accordez beaucoup de temps à cette étape : c’est ce qui distingue une démonstration intéressante d’un outil que les gens peuvent réellement utiliser.

Préparation à l’entretien

Désolé, mais être capable d’accomplir le travail et réussir un entretien sont deux compétences distinctes. Pour les épreuves de programmation, pratiquez les structures de données et les algorithmes, ainsi que les problèmes de type LeetCode en Python. L’importance de ces compétences varie d’une entreprise à l’autre, mais elles sont courantes. En ce qui concerne la conception de systèmes, attendez-vous à de plus en plus de questions liées à l’IA générative. Au lieu de concevoir Twitter ou Uber, on vous demandera peut-être de concevoir un système RAG, un agent d’assistance ou une autre application basée sur des LLM qui doit être scalable.

Travaillez sur les entretiens en parallèle de tout le reste, et non une fois que vous vous sentez prêt. Sinon, vous pourriez passer des mois à vous améliorer pour finalement vous retrouver mal préparé pour la véritable conversation.

Pourquoi l’ordre est important

Un bref mot sur le séquencement, car c’est ce qui pose problème aux gens. Ces sept domaines ne forment pas une échelle où chaque marche doit être terminée avant la suivante. Le programmation vient en premier du point de vue pratique, puisque tout le reste est écrit en code. Les bases des mathématiques et de l’apprentissage automatique peuvent rester superficielles pendant longtemps, et elles s’approfondissent naturellement lorsque un modèle se comporte de manière étrange et que l’on souhaite en connaître la raison. Les fondements de l’ingénierie IA et les compétences liées aux agents ne deviennent vraiment compréhensibles qu’après avoir vu une requête échouer ou une étape de récupération produire des résultats absurdes. Les compétences de production semblent abstraites tant que l’on n’a pas essayé de présenter quelque chose à quelqu’un d’autre et que cela ne fonctionne pas.

C’est la raison d’apprendre par itérations : un peu d’étude, un peu de codage, une difficulté, puis à nouveau une étude ciblée. Celui qui ne fait que studier se retrouve coincé dans un enfer de tutoriels, en écoutant des vidéos sans pouvoir commencer avec un fichier vierge. Celui qui commence immédiatement à coder, ayant déjà acquis quelques bases, découvre ce qui manque réellement.

Apprendre sans un programme détaillé

Sept domaines, c’est beaucoup, et c’est normal. C’est d’ailleurs l’une des raisons pour lesquelles la rémunération est élevée. Mais la pire erreur consiste à croire qu’il faut terminer chaque domaine avant de pouvoir créer quoi que ce soit. Faites presque le contraire : suivez un cours, un livre ou une vidéo pour maîtriser les bases et voir ce qui existe déjà, puis commencez à coder dès que possible. Des lacunes apparaîtront au fur et à mesure. C’est le moment de revenir sur eux pour les étudier en profondeur.

Vous n’avez pas non plus besoin de dépenser des milliers d’euros. Plusieurs des meilleurs ressources sont gratuits ou bon marché.

• Python : un cours interactif pour débutants qui vous permet de écrire du code plutôt que de regarder quelqu’un d’autre taper.
• Mathématiques : la playlist de 3Blue1Brown sur l’algèbre linéaire et le calcul différentiel. Ces deux séries sont gratuites et développent une intuition visuelle sans nécessiter des mois de calculs manuels.
• Bases du ML : le cours gratuit « Machine Learning Crash Course » de Google. Il est assez court et couvre la plupart des éléments nécessaires pour commencer.
• Sujets liés à l’ingénierie de l’IA : le catalogue de cours de DeepLearning.AI propose des formations courtes sur les prompts, RAG, les agents et MCP, dont beaucoup sont gratuits. Ils sont utiles car on peut s’y intéresser uniquement lorsque un projet en exige, sans avoir à s’inscrire à un programme plus complet.
• Modèles de langage en profondeur : le cours gratuit Hugging Face LLM.

Un livre à acheter : « AI Engineering » de Chip Huyen, qui aborde les modèles fondamentaux, l’évaluation, RAG ainsi que la mise en production. Il date d’avant la plupart des travaux récents sur MCP et les agents, car ce domaine évolue à une vitesse incroyable ; associez-le donc à un ouvrage plus récent si vous souhaitez une lecture plus difficile et à jour.

Rien de tout cela n’a besoin d’être terminé avant de passer à autre chose. Choisissez ce qui répond à vos besoins actuels, apprenez suffisamment pour continuer et créer.

Votre premier projet

Gardez-le petit. Vraiment petit. Il n’a pas besoin d’impressionner un recruteur, d’attirer des milliers d’utilisateurs, d’utiliser une architecture d’agent sophistiquée ou d’être une idée inédite. Son but est d’appliquer les concepts que vous avez étudiés, car c’est là que vous découvrirez ce que vous comprenez réellement.

Choisissez un problème qui vous intéresse personnellement et qui est suffisamment simple pour permettre de mettre en place une première version rapidement. Un bot de recettes qui lit des scans des recettes de votre famille et suggère des dîners. Un script qui lit les actualités technologiques et vous envoie un résumé quotidien. L’idée exacte importe peu. Le lien personnel est essentiel, car lorsque vous connaissez le sujet, vous pouvez évaluer si l’IA fonctionne bien, et il est plus probable que vous continuiez lorsque les premières heures amusantes laissent place à un débogage fastidieux.

Prenez votre temps pour ce point. Il est normal de demander à une IA d’expliquer un nouveau concept, mais essayez d’écrire le code vous-même et de résoudre des problèmes par vos propres moyens. Les équipes recruteuses le comprennent bien : les personnes qui sont entrées sur le marché du travail après l’apparition des assistants IA se limitent souvent en s’appuyant trop tôt sur eux et n’atteignent jamais leur plein potentiel.

Lorsque la version simple fonctionne, rendez-la plus difficile et plus amusante. Revenez sur la liste des compétences nécessaires et ajoutez-y de nouvelles exigences :

• Créez des fonctions d’évaluation appropriées afin de pouvoir déterminer si le système fonctionne bien.
• Expérimentez avec l’ingénierie de contexte et le RAG.
• Fournissez au modèle des outils pour en faire un agent, si le problème l’exige.

Puis mettez-le en production. Déployez-le là où d’autres peuvent l’utiliser, ajoutez un système de surveillance et de journalisation, et réfléchissez aux coûts, à la vitesse, à la sécurité ainsi qu’aux conséquences en cas de comportements inattendus de la part des utilisateurs réels. Ne forcez pas tous les termes à la mode dans un seul projet. L’objectif est de démontrer que vous êtes capable de transformer une idée en système d’intelligence artificielle fiable.

À quoi ressemble une bonne première semaine de projet

Pour rendre cela concret, imaginez l’idée d’un résumé d’actualités. Le premier jour, vous créez un script qui récupère quelques titres de presse et demande à un modèle de les résumer. Ça fonctionne, plus ou moins. Le deuxième jour, vous remarquez que le modèle se répète et invente parfois des détails, ce qui vous pousse à étudier les instructions à fournir ainsi que les formats de sortie structurés. Le troisième jour, vous vous rendez compte que vous n’avez aucune idée de savoir si la version deux est meilleure que la version un, alors vous écrivez vingt cas de test et un script de notation rudimentaire. D’ici le week-end, vous lisez des articles sur le système de récupération d’informations, car le modèle continue de manquer les articles qui vous intéressent.

Rien de tout cela n’était planifié. Chaque sujet est apparu parce que le projet l’exigeait, et c’est précisément pour cette raison qu’il reste pertinent.

Résoudre les problèmes des autres

Les entreprises n’embauchent pas en fonction d’une liste de compétences. Elles embauchent des personnes pour résoudre leurs problèmes. Votre projet a prouvé que vous savez résoudre vos propres problèmes, donc la prochaine étape consiste à en résoudre ceux des autres, et vous n’avez pas besoin d’attendre un emploi pour le faire.

Proposez-vous comme volontaire dans une organisation à but non lucratif pour créer quelque chose qui leur fasse gagner du temps. Concevez un outil pour le groupe de passionnés auquel vous appartenez déjà. Aidez l’entreprise familiale d’un ami à automatiser un processus fastidieux. Ou contribuez à un projet open source, où vous travaillerez sur des problèmes réels avec des personnes expérimentées qui pourront vous donner des retours. Le chemin n’est pas si important. Ce que vous voulez, c’est de l’expérience avec des exigences que vous n’avez pas inventées, des contraintes que vous n’avez pas choisies, et des personnes réelles qui se soucient du résultat. Ainsi, lorsque un recruteur vous demandera des informations sur votre expérience, vous aurez quelque chose de concret à présenter, et si fait correctement, cela pourra figurer sur votre CV.

Ce n’est pas un conseil pour créer une startup uniquement dans le but d’être embauché. C’est plutôt un encouragement à vivre votre propre expérience au lieu d’attendre que quelqu’un prenne le risque de vous donner une chance. Il est difficile de se faire un nom sans expérience traditionnelle, et vous devrez être créatif, courageux et visible.

Être embauché quand le filtre de CV dit non

Sans diplôme en informatique ou sans parcours d’ingénieur classique, votre CV sera probablement éliminé pour certains postes avant même qu’un humain ne le lise. C’est frustrant, mais cela n’empêche pas l’embauche. Cela signifie que la méthode habituelle consistant à postuler sur LinkedIn ne fonctionnera probablement pas pour vous, il faudra donc accorder plus d’importance au réseau professionnel.

Le réseautage ne signifie pas ici travailler dans une salle de conférence pleine d’étrangers. Il s’agit plutôt de faire connaissance avec des personnes au sein des entreprises qui vous intéressent. Choisissez quelques-unes que vous aimeriez vraiment rejoindre. Trouvez des ingénieurs en IA, des responsables recrutement ou d’autres membres du personnel technique qui publient leurs travaux en ligne, contribuent à des projets open source ou donnent des conférences, et apprenez de leurs contributions publiques. Traitez-les ensuite comme des personnes, et non comme des intermédiaires. Posez une question sincère sur quelque chose qu’ils ont créé. Partagez un lien ou une idée liée à leur travail. Et si vous avez développé quelque chose dans le même domaine, montrez-le-leur.

Ne demandez pas de recommandation pour obtenir une opportunité. Demander trop tôt montre à un inconnu que vous êtes principalement intéressé par ce qu’il peut faire pour vous, et c’est un message facile à ignorer. Attendez des mois, pas des jours, et maintenez les échanges légers et honnêtes. L’objectif est d’établir une relation sincère, afin que lorsque une place se libère, vous ne soyez pas juste un autre CV parmi des milliers.

Fonctionne-t-il ? Beaucoup de personnes ont obtenu leur premier stage en postulant directement dans un pays où elles ne parlaient pas la langue, tout en étudiant un domaine sans rapport. C’est possible, mais c’est difficile de le faire seul ; trouvez donc des pairs et des mentors si vous le pouvez.