Temps de lecture estimé : 7 minutes
Points clés à retenir
- Trois niveaux : utiliser, concevoir ou encadrer l’IA, avec des besoins distincts.
- Python et SQL sont la base technique à acquérir en premier.
- Vérifier les réponses d’un outil reste la compétence transversale clé.
- Comptez 75 h pour débuter, 450 h pour devenir data scientist.
- Un projet concret documenté pèse plus qu’une liste de certificats.
Qu’appelle-t-on compétences en intelligence artificielle ?
Les compétences en intelligence artificielle regroupent ce qu’il faut savoir pour utiliser, comprendre, concevoir ou encadrer ces outils. Elles se répartissent en trois niveaux : l’utilisateur au quotidien, le profil métier qui intègre l’IA à son activité, et le profil technique qui construit les modèles.
Chacun n’a pas besoin du même bagage. Une responsable RH qui rédige une offre avec un assistant n’a pas le même besoin qu’un ingénieur qui déploie un modèle en production.
Pourquoi tous les métiers sont concernés
L’IA n’est plus réservée aux grands groupes. Selon le Baromètre France Num 2026, 40 % des TPE-PME françaises utilisent au moins une solution d’IA.
Le Forum économique mondial (Future of Jobs 2025) prévoit 170 millions d’emplois créés et 92 millions supprimés dans le monde d’ici 2030. Selon McKinsey, cité par Culture RH en 2025, 60 % des travailleurs verront 30 à 40 % de leur activité transformée d’ici 2035. Autrement dit, la question touche le comptable comme le développeur.
Les cadres de référence récents
Trois repères structurent désormais le sujet. L’AI literacy désigne la capacité à comprendre ce que l’IA fait, ses limites et ses erreurs. Le référentiel de compétences IA de juin 2026 donne une grille commune pour situer son niveau.
Le plan Impulsion IA 2027, présenté le 22 septembre 2026 par le ministère du Travail, prévoit 12 mesures et plus de 80 M€ pour l’année à venir. Son objectif est d’acculturer ou de former plus de 30 millions de personnes.
Les compétences techniques les plus demandées
Ce bloc concerne les profils qui conçoivent des systèmes d’IA. Je les liste simplement, en définissant chaque terme.
- Programmation : Python arrive en tête, suivi de R, C++, Java et SQL pour interroger les bases de données.
- Machine learning et deep learning : ce sont les méthodes qui permettent à un programme d’apprendre à partir d’exemples. Elles reposent sur les statistiques et l’algèbre linéaire.
- Data engineering : il s’agit de construire les pipelines qui collectent et nettoient les données, avec Spark et des bases SQL ou NoSQL.
- MLOps et déploiement : c’est l’art de mettre un modèle en production et de le maintenir, avec Docker, Kubernetes et les clouds AWS, Azure ou GCP.
Pour ma part, je recommande de commencer par Python et SQL. Combien j’en ai vu rater leurs débuts en s’attaquant d’abord aux outils de déploiement, sans maîtriser les données.
Les compétences IA générative et agentique
C’est le terrain où l’on progresse le plus vite, y compris sans être développeur. Trois compétences dominent.
Le prompt engineering
Un bon prompt donne le contexte, l’objectif et le format attendu. La technique du few-shot consiste à fournir un ou deux exemples de réponse souhaitée dans la demande.
Exemple concret : au lieu de « résume ce rapport », demandez « résume ce rapport financier en cinq points pour un comité de direction, sous forme de liste ».
RAG, API et frameworks
Le RAG permet à un modèle de langage de s’appuyer sur vos propres documents avant de répondre. Les profils techniques l’implémentent via les API de modèles de langage et des frameworks comme LangChain ou LangGraph.
Agents IA et automatisation
Un agent enchaîne plusieurs tâches seul, par exemple trier des courriels, extraire une facture et la saisir dans un tableau. Le no-code permet de construire ces automatisations sans programmer.
Si vous voulez structurer cet apprentissage, une formation IA orientée automatisation no-code est une option à comparer aux MOOC.
Les compétences transversales pour tous les métiers
Ces compétences servent à tout le monde, et elles se prouvent par des gestes précis.
- AI literacy : savoir qu’un assistant peut inventer une réponse plausible mais fausse, ce qu’on appelle une hallucination.
- Esprit critique : vérifier un chiffre ou une citation avant de l’envoyer à un client.
- Data literacy : lire un tableau, un indicateur ou une tendance pour juger si la sortie de l’outil est cohérente.
- Collaboration humain-IA : savoir quelle tâche déléguer (un premier jet, un tri) et laquelle garder (la décision, la relation client).
Mon ancien métier de directeur financier m’a appris une règle simple. On ne signe jamais un chiffre qu’on ne sait pas retrouver.
Éthique, conformité et sécurité de l’IA
Utiliser l’IA engage la responsabilité de l’entreprise. Le RGPD s’applique dès qu’on soumet des données personnelles à un outil, et l’AI Act impose des obligations de transparence selon le niveau de risque du système.
Il faut aussi maîtriser trois sujets : les biais des modèles, la protection des données confidentielles et la gouvernance, c’est-à-dire qui décide quoi et qui valide. Ces besoins font émerger des métiers comme référent conformité IA, AI safety engineer ou responsable éthique.
Quelles compétences selon votre profil ?
Voici la grille que je propose, par niveau, avec des tâches concrètes.
| Profil | Compétences prioritaires | Exemple de tâche |
|---|---|---|
| Salarié non technique (marketing, RH, finance, juridique) | Prompts, vérification, data literacy | Rédiger une première version d’une offre d’emploi ou d’une note juridique, puis la contrôler |
| Manager et chef de projet IA | Cadrage, conformité, gouvernance | Choisir un cas d’usage, définir qui valide les résultats |
| Profil technique (data scientist, ML engineer, AI engineer) | Python, ML, MLOps, RAG | Déployer un modèle et surveiller sa dérive |
| Étudiant ou reconverti | Bases Python, SQL, statistiques | Réaliser un petit projet complet à montrer |
Comment développer ses compétences en intelligence artificielle
La pratique prime sur la théorie. Choisissez une tâche répétitive de votre quotidien et automatisez-la, ou construisez un chatbot simple. Les projets Kaggle offrent des jeux de données pour s’entraîner.
Choisir sa voie
Plusieurs voies existent : MOOC, bootcamp, certifications cloud (Google, AWS, Azure) et financement par le CPF. Le bon choix dépend de votre objectif et de votre disponibilité.
Selon Jedha (2026), un bootcamp data compte 75 h pour débuter, 150 h pour devenir data engineer et 450 h pour devenir data scientist. Quelques semaines suffisent donc pour s’initier, plusieurs mois pour une reconversion.
Valoriser ce que vous savez faire
Construisez un portfolio avec deux ou trois projets documentés : le problème, la méthode, le résultat. Sur le CV et LinkedIn, citez des tâches et des gains (« automatisation d’un reporting hebdomadaire ») plutôt qu’une liste d’outils.
Marché de l’emploi et salaires liés à l’IA
La demande est forte. Selon PwC (mai 2024), les offres exigeant des compétences IA ont été multipliées par 7 en France entre 2018 et 2023. DataCamp indique en 2026 qu’elles progressent 3,5 fois plus vite que les autres.
L’Apec recensait 2 254 offres « intelligence artificielle » début octobre 2026. Jedha compte environ 1 000 startups IA en France en 2025, contre 502 en 2021.
Les fourchettes de salaires
- Data scientist : 43 000 à 55 000 € brut par an, jusqu’à 80 000 € pour les experts (Jedha, 2026).
- ML engineer : 45 000 à 61 000 € (Jedha, 2026).
- Ingénieur IA : 48 200 € en moyenne, consultant IA : 51 000 € (Glassdoor France via Coursera, données de janvier 2025).
- Développeur IA à Paris : offres à 60 000-68 000 € brut par an (Apec, septembre 2026).
À l’embauche, je constate que la différence se joue sur la preuve. Un candidat qui montre un projet fonctionnel et sait expliquer les limites de son modèle passe devant celui qui aligne des certificats. Cultiver ses compétences en intelligence artificielle, c’est d’abord produire quelque chose que l’on peut montrer.
