Un AI-native engineer développe des applications en utilisant des outils d'IA au cœur de son flux de travail. Un AI engineer intervient au niveau de la couche modèle : évaluation, fine-tuning, pipelines RAG et inférence. Le chevauchement existe, mais reste limité.
La distinction fondamentale
La confusion est compréhensible. Les deux rôles impliquent l'IA et sont tous deux relativement récents dans les fiches de poste. La différence tient à l'endroit où le travail s'effectue.
Un AI-native engineer opère au niveau de la couche applicative. Il utilise les modèles comme des composants, de la même façon qu'une génération précédente d'ingénieurs utilisait des bases de données ou des files de messages. Il met en production des logiciels. Sa maîtrise de l'IA se manifeste dans sa façon de construire, et non dans ce qu'il construit.
Un AI engineer opère au niveau de la couche modèle. Son rôle est de faire fonctionner correctement les modèles pour un problème donné : concevoir des evals, construire des pipelines RAG, effectuer du fine-tuning, gérer des bases de données vectorielles et prendre en charge l'infrastructure qui sert les sorties des modèles à grande échelle.
Ce que chaque rôle fait concrètement au quotidien
AI-native engineer : - Rédige et met en production des fonctionnalités à l'aide du développement assisté par l'IA - Examine de manière critique le code généré par l'IA avant sa fusion - Intègre des modèles tiers via des API sans nécessairement intervenir sur les paramètres internes du modèle - Utilise des outils de codage agentique et des agents de codage dans le cadre de son flux de travail habituel
AI engineer : - Conçoit des frameworks d'évaluation pour mesurer la qualité des sorties des modèles - Construit des pipelines de récupération et gère les stratégies d'embedding - Effectue du fine-tuning ou du prompting des modèles pour répondre à des exigences spécifiques à un domaine - Détermine quand un modèle n'est pas le bon outil et formule des recommandations en conséquence
Les points de recoupement
Les deux rôles requièrent une compréhension des fenêtres de contexte, du comportement des prompts et des modes de défaillance des sorties des modèles. Un AI-native engineer qui intègre un système RAG dans un produit doit comprendre approximativement son fonctionnement. Un AI engineer développant des outils internes bénéficiera d'une rigueur d'ingénierie logicielle.
Le chevauchement devient problématique lorsque les entreprises confondent les deux rôles et recrutent l'un en attendant l'autre. Un AI-native engineer compétent n'est pas automatiquement qualifié pour concevoir des cycles de fine-tuning. Un AI engineer compétent n'est pas automatiquement un développeur d'applications productif.
Quel rôle pour quel besoin
Si votre problème est de livrer des logiciels plus rapidement, avec de meilleurs outils et des capacités d'IA intégrées au produit, vous avez besoin d'AI-native engineers.
Si votre problème concerne la qualité des modèles, l'évaluation, la précision de la récupération ou la construction de l'infrastructure sur laquelle les modèles s'exécutent, vous avez besoin d'AI engineers.
De nombreuses équipes ont besoin des deux, mais dans des proportions différentes et à des étapes différentes. Les produits en phase initiale font généralement appel à des AI-native engineers capables de progresser rapidement sur toute la stack. À mesure que les fonctionnalités d'IA arrivent à maturité et que le comportement des modèles devient en lui-même un risque produit, l'investissement dans une ingénierie dédiée aux modèles se justifie.
Une remarque sur la terminologie
Aucun des deux termes n'est standardisé dans le secteur. Certaines entreprises utilisent « AI engineer » pour désigner ce que d'autres appellent « ML engineer » ou « LLM engineer ». Les offres d'emploi manquent de cohérence. Lors de l'évaluation d'un candidat ou d'un profil placé, le titre importe moins qu'une description claire de la couche sur laquelle il intervient et de ce qu'il a livré.
Ce que nous évaluons
Miyagami applique des critères d'évaluation distincts pour les deux rôles, même si tous deux suivent le même processus en deux sessions, décrit sur la page comment nous évaluons. Les ingénieurs AI-native sont évalués lors des deux sessions sur des critères comme l'orchestration des outils, la vérification des résultats produits par l'IA et le jugement selon le niveau de risque. Les ingénieurs IA sont évalués sur ces mêmes critères, puis sur la conception de l'évaluation et sur leur capacité à reconnaître les cas où un modèle est le mauvais outil. Cette distinction compte dès l'évaluation, car les deux rôles demandent des habitudes de travail différentes en plus de connaissances différentes.
Réponses courtes
Une même personne peut-elle être à la fois AI-native engineer et AI engineer ?
Certaines personnes interviennent de manière crédible sur les deux couches, mais c'est rare au niveau senior. La couche applicative et la couche modèle requièrent chacune de l'expertise. La plupart des décisions de recrutement sont plus claires lorsque les deux rôles sont traités comme distincts, même s'il existe un certain chevauchement dans les connaissances.
Un AI engineer est-il la même chose qu'un ML engineer ?
Globalement similaires, mais pas identiques. ML engineer est un terme plus ancien, associé aux pipelines d'entraînement et au développement classique de modèles. AI engineer est aujourd'hui plus couramment utilisé pour décrire des rôles centrés sur les grands modèles de langage, l'évaluation et la récupération. L'usage varie selon les entreprises.
Les AI-native engineers ont-ils besoin de comprendre les mécanismes internes des modèles ?
Pas en profondeur. Ils ont besoin d'une compréhension suffisante pour intégrer les modèles de manière fiable, interpréter leurs modes de défaillance et prendre des décisions architecturales pertinentes. Ils n'ont généralement pas besoin de concevoir des cycles d'entraînement ni de construire des frameworks d'évaluation de zéro.
