Nous utilisons des cookies techniques et le journal de visites anonymisé de Zorky. Yandex Metrica (données stockées sur des serveurs en Russie) ne fonctionne qu'avec votre consentement. Nous ne vendons jamais de données. En savoir plus sur les cookies et les statistiques.
Zorky est en mode test — tout est gratuit. Les offres et les pages des entreprises sont ouvertes à tous ; les liens vers les annonces et votre sélection personnelle s'ouvrent après inscription. Inscription →

Ingénieur IA / LLM : marché

Données au 19 novembre 2026 : offres ouvertes Ingénieur IA / LLM — 4 167, 30% en télétravail parmi les offres qui précisent le mode de travail; salaire médian annoncé $10 833/mois (sur 541 offres qui indiquent un salaire). Source : Zorky, mis à jour chaque jour.

AI / LLM Engineer — le rôle le plus jeune mais le plus en vue de la direction IA/ML/DS, apparu en 2023 avec la vague ChatGPT / GPT-4 / Claude / Llama 2. Focus : intégrer de grands modèles de langage (LLM) dans un produit — PAS entraîner des modèles de fondation à partir de zéro (c'est la Recherche), PAS des pipelines ML classiques (c'est l'ML Engineer / Data Scientist), mais l'ingénierie LLM appliquée : prompt engineering + RAG (Retrieval-Augmented Generation) + fine-tuning via LoRA / QLoRA + architectures d'agents + tool use + évaluation. Famille de rôles : AI Engineer (général — intégration de LLM dans une fonctionnalité produit : chatbot / résumé / classification / Q&A), LLM Engineer (LLM en profondeur — optimisation côté serveur : serving vLLM / TGI / SGLang, réglage du KV cache, quantification, speculative decoding), Generative AI Engineer (plus large — inclut image / vidéo / audio : Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (en essor 2025–2026 — agents autonomes avec tool calling, raisonnement multi-étapes, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (architecture LLM multi-produits + optimisation des coûts). Stack 2026 : Python (monopole). Bases de données vectorielles : Pinecone (leader managé — premium), Weaviate (open source — modulaire), Qdrant (Rust — rapide en auto-hébergé), Milvus (échelle entreprise), Chroma (léger, pour le dev), pgvector (extension Postgres — adaptée à la production), Elasticsearch dense_vector + Redis Stack (hybride). Fine-tuning : LoRA + QLoRA (bibliothèque PEFT de Hugging Face), le fine-tuning complet est rare (coût prohibitif). RLHF / DPO : bibliothèque TRL (Hugging Face). Serving : vLLM (PagedAttention — débit record), TGI (Text Generation Inference — Hugging Face), SGLang (modèle de programmation pour le serving + cache), Ollama (local), llama.cpp (CPU + edge). Évaluation : RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (trace + éval LangChain — meilleure UX). Observabilité : Helicone, LangSmith, Langfuse (open source), Arize Phoenix, Datadog LLM Observability. Coûts : suivi par token + prompt caching. Stack principale : python, llm, cloud, aws, agile. Parmi les offres dont le mode de travail est indiqué, 30% sont en télétravail.

Données au:

Les chiffres clés du marché Ingénieur IA / LLM : offres ouvertes, salaire médian, vivier de spécialistes observé et part du télétravail.

4 167
offres ouvertes — par intitulé de poste, republications fusionnées
$10 833
médiane $/mois
30%
télétravail

Le marché Ingénieur IA / LLM compte actuellement 4 167 postes ouverts, dont 3 594 observés récemment. Median salary $10 833/mo.

Parmi les offres dont le mode de travail est indiqué, 30% sont en télétravail. Le travail en IA est entièrement dans le cloud (API de LLM + bases vectorielles + GPU cloud). Sociétés d'outsourcing — presque toujours en télétravail. Laboratoires internationaux d'IA de pointe — télétravail complet standard pour les candidats exceptionnels. IA des Big Tech — hybride standard. Startups IA Y Combinator — télétravail complet premium.

⚠ salaire connu pour 541 offres sur 4167 ; part du télétravail sur 3515 avec un format indiqué ; 3594 comptées comme observations récentes ; la tendance et la difficulté de recrutement ne sont pas affichées

Chronologie : offres et sources

Combien d'offres Ingénieur IA / LLM sont apparues chaque semaine depuis le 1 juin, et depuis combien de sources. Le graphique du bas sépare la croissance du marché de celle de notre couverture : un saut la semaine où de nouvelles sources ont été connectées signifie que nous voyons davantage, pas que le marché a grandi.

Nouvelles offres par semaine

Données du graphique
Nouvelles offres par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeNouvelles offres par semaine
2026-06-01190
2026-06-08141
2026-06-15113
2026-06-22326
2026-06-29306
2026-07-06351
2026-07-13463
2026-07-20436
2026-07-27254
2026-08-03354
2026-08-10219
2026-08-17262
2026-08-24235
2026-08-31272
2026-09-07278
2026-09-14307
2026-09-211 096
2026-09-28666
2026-10-05752
2026-10-121 640
2026-10-19888
2026-10-26967
2026-11-02928
2026-11-091 041

Sources actives par semaine

Sources sur la période : 278. ▲ — semaine où de nombreuses nouvelles sources ont été connectées.

Données du graphique
Sources actives par semaine. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeSources actives
2026-06-0125
2026-06-0824
2026-06-1521
2026-06-2249
2026-06-2968
2026-07-0658
2026-07-1385
2026-07-2075
2026-07-2766
2026-08-0366
2026-08-1040
2026-08-1744
2026-08-2447
2026-08-3149
2026-09-0749
2026-09-1450
2026-09-2175
2026-09-2871
2026-10-0582
2026-10-1273
2026-10-1983
2026-10-2685
2026-11-0282
2026-11-09107
Nouvelles sources connectées : 22 juin +28 · 29 juin +36 · 6 juil. +22 · 13 juil. +26 · 20 juil. +19 · toutes les semaines (23) dans le tableau
SemaineNouvelles sourcesNouvelles offres
8 juin+7141
15 juin+5113
22 juin+28326
29 juin+36306
6 juil.+22351
13 juil.+26463
20 juil.+19436
27 juil.+5254
3 août+6354
10 août+2219
17 août+4262
24 août+5235
31 août+5272
7 sept.+7278
14 sept.+8307
21 sept.+101 096
28 sept.+6666
5 oct.+8752
12 oct.+81 640
19 oct.+14888
26 oct.+3967
2 nov.+9928
9 nov.+101 041

La semaine en cours n'est pas terminée et n'est pas affichée : une semaine incomplète ressemblerait à une baisse.

Semaine = date de première détection de l'offre, tous statuts ; les offres sont sélectionnées selon la même règle que le compteur de cette page. Les sources sont des canaux de collecte distincts ; leurs noms ne sont pas publiés.

Données du graphique
Chronologie : offres et sources — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineNouvelles offres par semaineSources actives
2026-06-0119025
2026-06-0814124
2026-06-1511321
2026-06-2232649
2026-06-2930668
2026-07-0635158
2026-07-1346385
2026-07-2043675
2026-07-2725466
2026-08-0335466
2026-08-1021940
2026-08-1726244
2026-08-2423547
2026-08-3127249
2026-09-0727849
2026-09-1430750
2026-09-211 09675
2026-09-2866671
2026-10-0575282
2026-10-121 64073
2026-10-1988883
2026-10-2696785
2026-11-0292882
2026-11-091 041107

Les salaires dans le temps

Salaire médian Ingénieur IA / LLM par semaine, USD par mois.

Salaire médian, USD par mois

Données du graphique
Salaire médian, USD par mois. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeMédianeOffres avec salaire par semaine (n)
2026-08-317 35511
2026-09-07—5
2026-09-14—5
2026-09-218 40625
2026-09-289 03649
2026-10-058 33379
2026-10-128 57884
2026-10-199 457156
2026-10-2610 833165
2026-11-0210 625161
2026-11-0911 417167

La série commence le 31 août : aucune donnée avant.

Offres avec salaire par semaine (n)

Uniquement les offres avec un salaire en USD et une période connue (mois ou année), de 500 à 50 000 $ par mois. Les semaines comptant moins de 10 offres de ce type sont laissées vides — cela signifie pas de données, pas zéro.

Données du graphique
Les salaires dans le temps — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineMédiane
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-317 355
2026-09-07—
2026-09-14—
2026-09-218 406
2026-09-289 036
2026-10-058 333
2026-10-128 578
2026-10-199 457
2026-10-2610 833
2026-11-0210 625
2026-11-0911 417

Le télétravail dans le temps

Part des offres Ingénieur IA / LLM proposant un télétravail complet, par semaine.

Offres en télétravail, %

Données du graphique
Offres en télétravail, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeTélétravail
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

La part est calculée parmi les offres qui précisent le mode de travail (télétravail, hybride, bureau). Les semaines comptant moins de 10 offres de ce type sont laissées vides.

Données du graphique
Le télétravail dans le temps — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineTélétravail
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

Les technologies dans le temps

Comment la part des offres Ingénieur IA / LLM mentionnant chacune des principales technologies a évolué.

Offres mentionnant la technologie, %

Données du graphique
Offres mentionnant la technologie, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodePythonllmcloud
2026-08-1023,436,921,6
2026-08-1739,346,217,9
2026-08-2429,534,117,8
2026-08-3135,746,210,5
2026-09-0734,748,424,2
2026-09-1432,84026,4
2026-09-2138,244,435
2026-09-2856,955,741,8
2026-10-0559,254,340,6
2026-10-1250,350,741
2026-10-1959,860,243,6
2026-10-2659,556,350,6
2026-11-0263,357,940,7
2026-11-0961,45544,9
Jusqu’à 5 sur le graphique :

Part parmi les offres avec un stack tagué ; la série commence le 10 août : auparavant les tags de stack étaient attribués différemment. Les semaines comptant moins de 20 offres taguées sont laissées vides.

Données du graphique
Les technologies dans le temps — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemainePythonllmcloudAWSAzure
2026-08-1023,436,921,616,27,2
2026-08-1739,346,217,91212
2026-08-2429,534,117,88,511,6
2026-08-3135,746,210,510,58,4
2026-09-0734,748,424,26,512,9
2026-09-1432,84026,45,68,8
2026-09-2138,244,43517,813,5
2026-09-2856,955,741,829,433,6
2026-10-0559,254,340,62627,5
2026-10-1250,350,74123,922,2
2026-10-1959,860,243,628,225,4
2026-10-2659,556,350,631,928,6
2026-11-0263,357,940,726,724,5
2026-11-0961,45544,926,328,6

Pays au fil du temps

Comment la part des offres Ingénieur IA / LLM dans chacun des principaux pays a évolué, par semaine.

Offres dans le pays, %

Données du graphique
Offres dans le pays, %. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeÉtats-UnisRoyaume-UniPologne
2026-06-0150,82,217,3
2026-06-0851,97,810,9
2026-06-1558,8213,7
2026-06-2229,70,734,7
2026-06-2927,7416,6
2026-07-0631,45,210,8
2026-07-1333,3511,8
2026-07-2034,11718,7
2026-07-2729,611,318,8
2026-08-0335,318,54,8
2026-08-1028,227,63,1
2026-08-1737,320,11,4
2026-08-2432,122,34,3
2026-08-3137,624,51,7
2026-09-0740,917,53,2
2026-09-1437,7201,1
2026-09-2135,912,24,1
2026-09-2837,511,911,9
2026-10-0531,711,715
2026-10-1222,29,210,9
2026-10-192611,213,3
2026-10-2627,8127
2026-11-0228,612,67,4
2026-11-0928,411,47,5
Jusqu’à 5 sur le graphique :

Part parmi les offres dont le pays est connu ; le graphique montre les cinq pays comptant le plus d'offres sur six mois. Les semaines comptant moins de 20 offres avec un pays connu sont laissées vides. Une part en hausse peut signifier une source nouvellement connectée dans ce pays plutôt qu'une croissance du marché.

Données du graphique
Pays au fil du temps — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
SemaineÉtats-UnisRoyaume-UniPologneIndeAllemagne
2026-06-0150,82,217,312,31,1
2026-06-0851,97,810,913,27,8
2026-06-1558,8213,76,94,9
2026-06-2229,70,734,773,7
2026-06-2927,7416,67,53,2
2026-07-0631,45,210,813,64,9
2026-07-1333,3511,812,13,7
2026-07-2034,11718,74,72,5
2026-07-2729,611,318,83,85,9
2026-08-0335,318,54,86,81,7
2026-08-1028,227,63,16,13,7
2026-08-1737,320,11,47,71,9
2026-08-2432,122,34,38,22,2
2026-08-3137,624,51,78,32,2
2026-09-0740,917,53,27,91,2
2026-09-1437,7201,112,10,4
2026-09-2135,912,24,174,1
2026-09-2837,511,911,97,45,2
2026-10-0531,711,7155,77,5
2026-10-1222,29,210,99,210
2026-10-192611,213,36,67,8
2026-10-2627,81278,65,3
2026-11-0228,612,67,47,26,1
2026-11-0928,411,47,58,66,4

Marché net : indice de recrutement

Les mêmes 7 505 sites carrières d'employeurs ; le nombre d'offres provient du site lui-même. Connecter de nouvelles sources ne fait pas bouger cet indice — il montre le marché, pas notre couverture. C'est l'ensemble du marché du panel, pas seulement Ingénieur IA / LLM.

Indice de recrutement, 16 oct. = 100

Données du graphique
Indice de recrutement, 16 oct. = 100. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PériodeIndice de recrutement
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Indice chaîné : chaque jour ne compare que les sites interrogés ce jour-là et la veille ; les valeurs aberrantes et les pannes d'interrogation d'une plateforme entière sont exclues. Les jours sans paire comparable sont laissés vides.

Données du graphique
Marché net : indice de recrutement — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
JourIndice de recrutement
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Combien d'offres Ingénieur IA / LLM ouvertes il y a et combien de spécialistes correspondants Zorky observe.

Demande et offre observée

Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
Demande ouverte4 167
Demande ouverte4 167
Offre observée— non publié

AI Engineer — la sous-niche IA/ML à la croissance la plus rapide (séparée en 2023 après le boom de ChatGPT). Le marché réel est plus large que le vivier visible — de nombreux rôles IA sont classés comme ML Engineer généraliste / Backend dans notre matcher (intitulés comme « Senior Backend Engineer with AI focus »). Moteurs en 2026 : adoption des LLM dans tous les produits (chatbots / résumé / Q&R / assistance au code), applications RAG pour les bases de connaissances d'entreprise, workflows agentiques (en hausse en 2025–2026), course des startups de Foundation Models. Télétravail international via les laboratoires d'IA de pointe + les startups IA de Y Combinator — segment premium.

⚠ les candidats correspondant à une offre ne sont pas encore comptés : la demande et le vivier observé sont affichés

Comment se répartissent les salaires des offres Ingénieur IA / LLM, en dollars américains par mois.

Distribution des salaires

P25 $7 699 · P50 $10 833 · P75 $15 625
Données du graphique
Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurValeur
<$1k4
$1–2k10
$2–3k11
$3–4k11
$4–5k11
$5–6k30
$6–7k32
$7–8k37
$8–9k45
$9–10k34
$10–12k80
$12–15k81
$15–20k113
$20k+42
Salaire dans les offres : base 4 167
  • exploitable pour le calcul: 541 (13%)
  • indiqué mais non converti en USD/mois: 543 (13%)
  • non indiqué: 3 083 (74%)

Une offre sur dix propose moins de $5 411, une sur dix plus de $19 166. La moitié des offres propose entre $7 699 et $15 625. Échantillon: 541.

Données du graphique
Distribution des salaires — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
IndicateurBorne inférieureBorne supérieureNombre
<$1k01 0004
$1–2k1 0002 00010
$2–3k2 0003 00011
$3–4k3 0004 00011
$4–5k4 0005 00011
$5–6k5 0006 00030
$6–7k6 0007 00032
$7–8k7 0008 00037
$8–9k8 0009 00045
$9–10k9 00010 00034
$10–12k10 00012 00080
$12–15k12 00015 00081
$15–20k15 00020 000113
$20k+20 000—42

Dans quels pays il y a le plus d'offres Ingénieur IA / LLM ouvertes.

Géographie de la demande

paysoffrespart
États-Unis1 05030,3%
Royaume-Uni3299,5%
Pologne3088,9%
Inde2848,2%
Allemagne2146,2%
Canada1243,6%
France1103,2%
Singapour1073,1%
Espagne651,9%
Russie601,7%
Autres pays81923,6%

Le leader par nombre d'offres AI Engineer est les États-Unis (1050 postes) — mais le vivier de cette jeune niche est petit et pas entièrement représentatif. Pologne — un hub européen favorable à l'IA (Varsovie / Cracovie). Allemagne — le cluster IA de Berlin (Aleph Alpha et Black Forest Labs). France — Paris (Mistral et siège de Hugging Face). Royaume-Uni — Londres. États-Unis — la Bay Area (le plus grand hub IA).

⚠ nombre d'offres uniquement : le salaire par pays n'est pas publié

Données du graphique
Géographie de la demande — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
PaysOffres
US1 050
GB329
PL308
IN284
DE214
CA124
FR110
SG107
ES65
RU60

Quelles technologies sont le plus souvent demandées dans la même offre que Ingénieur IA / LLM.

Utilisée avec

python
1 56237,5%
llm
1 53536,8%
cloud
1 33131,9%
aws
84720,3%
azure
79019%
docker
47711,4%
langchain
44110,6%
langgraph
42510,2%
gcp
4019,6%
mlops
3568,5%

Part : combien des 4 167 offres du marché Ingénieur IA / LLM mentionnent cette technologie. Tri par nombre d’offres, pas par « force d’association ». Les termes génériques comme cloud ne désignent pas un cloud précis (AWS, Azure).

Données du graphique
Utilisée avec — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NomNombre
python1 562
llm1 535
cloud1 331
aws847
azure790
docker477
langchain441
langgraph425
gcp401
mlops356
embeddings355
fine-tuning333

Combien d'offres Ingénieur IA / LLM il y a à chaque niveau, de junior à principal.

Demande par niveau

niveauoffres
senior1 284
principal316
lead312
junior201
middle184

Junior — entrée typique Backend Senior / ML Engineer Middle + portfolio LLM (expérience démontrable de RAG + LangChain). Parcours de carrière : Backend Senior / ML Middle (2-3 ans) + intérêt pour les LLM → AI Engineer Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit AI Engineer Staff / Principal, soit AI Tech Lead / Engineering Manager, soit passage dans un laboratoire d'IA de pointe, soit fondateur d'une startup d'IA. Si les données par grade sont rares — consultez les pages ml-engineer + research pour des repères plus larges.

⚠ côté demande uniquement : le niveau du vivier observé est inconnu pour la majeure partie

Données du graphique
Demande par niveau — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
NiveauNombre
senior1 284
principal316
lead312
junior201
middle184

Qui recrute le plus pour Ingénieur IA / LLM et à quel point la demande se concentre chez les plus grandes entreprises.

Employeurs

La demande est répartie entre 2 497 employeurs. Le plus grand en représente 1.1 %, les dix premiers 5.0 % ; les 95.0 % restants forment la longue traîne.

le plus grand 1,1%2e–3e 1,3%4e–10e 2,6%les autres 95%
partvaleur
top 11.1%
top 32.3%
top 105.0%
longue traîne95.0%

⚠ les noms ne sont pas affichés : le classificateur ne distingue pas encore les agences de recrutement des employeurs finaux

Sur quels sites d'entreprises et sites d'emploi Zorky collecte les offres Ingénieur IA / LLM.

Où Zorky voit ce marché

Observé sur 128 sources ; la plus grande en représente 11.5 % : ce marché ne repose pas sur un seul canal.

Données du graphique
Où Zorky voit ce marché — Ingénieur IA / LLM. Tableau des données du bloc. Une valeur manquante n’est pas zéro ; les unités et l’échantillon sont indiqués dans la description de l’indicateur.
ClasseNomNom anglaisNombrePart
atsATS и карьерные сайтыATS et sites carrières2 5300,6072
boardджоб-борды и агрегаторыjob boards et agrégateurs1 3920,3341
telegramTelegramTelegram2220,0533
communautéсообщества и публичные профилиcommunauté et profils publics230,0055

Les offres Ingénieur IA / LLM les plus récentes, issues des pages carrières des entreprises.

Postes récents

Toutes les offres →

Dernières offres AI Engineer ouvertes — les postes les plus récents de l'échantillon (niche jeune, l'échantillon est petit). La liste complète est dans notre CRM ou via le lien « voir tout » ci-dessous. Pour une vue plus large, voir les pages ml-engineer + research.

Comment c'est mesuré
Offre
une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies
Candidat observé
un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre
Candidat correspondant
pas encore compté
Fenêtre
offres ouvertes au moment de la création de l'instantané

À propos des données

  • Certaines ventilations sont masquées : leur couverture de données n'est pas encore suffisante.
  • Les statistiques ne sont affichées que là où l'échantillon passe un contrôle qualité.
  • Un bloc absent ne signifie pas une valeur nulle.

Ventilations masquées actuellement : 8.

Domaine: IA / ML / Data Science

Spécialisations associées

Au sein d'AI / LLM Engineer : AI Engineer (généraliste — intégration des LLM dans une fonctionnalité produit), LLM Engineer (LLM en profondeur — serving vLLM / TGI + KV cache + quantification + décodage spéculatif), Generative AI Engineer (plus large — image / vidéo / audio : Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (en essor 2025–2026 — agents autonomes avec utilisation d'outils + raisonnement en plusieurs étapes), Senior AI Engineer (architecture LLM multi-produits + optimisation des coûts). Comparaison avec ml-engineer/data-scientist/research/mlops — dans la barre ci-dessous.

Vision par ordinateurData ScientistIngénieur MLMLOpsIngénieur NLPIngénieur de recherche

Questions fréquentes

Les questions les plus fréquentes sur l'AI / LLM Engineer : rémunération (segment premium pour une compétence rare), AI Engineer vs ML Engineer vs Data Scientist (comparaison à 3), RAG vs fine-tuning vs prompt engineering (arbre de décision + réalité des coûts), AI Agent Engineer (sous-spécialisation en croissance 2025–2026), télétravail, comment le devenir (2-4 mois depuis Backend Senior — l'entrée la plus rapide dans le monde du ML), compétences Senior (LangChain + RAG avancé + architectures d'agents + optimisation des coûts + contributions open source). Les réponses sont recalculées automatiquement.

Quel est le salaire d'un AI Engineer Junior, Middle, Senior ou Lead ?

Junior — entrée typique : Backend Middle / ML Engineer Middle / Data Scientist Middle + projets LLM personnels (expérience démontrable de RAG + LangChain). Le saut Junior → Middle — après le premier déploiement en production d'une fonctionnalité LLM (chatbot / résumé / Q&A dans un vrai produit avec de vrais utilisateurs). Middle → Senior — responsabilité de plusieurs fonctionnalités LLM + optimisation des coûts + méthodologie d'évaluation. Senior → Staff / Principal — stratégie d'IA à l'échelle de l'organisation + architecture de plateforme LLM multi-produits. Parcours de carrière : Backend Senior / ML Engineer Middle (2-3 ans) + intérêt pour les LLM → AI Engineer Junior / Middle (1-2 ans) → Senior → soit AI Engineer Staff / Principal, soit AI Tech Lead / Engineering Manager, soit passage dans un laboratoire d'IA de pointe, soit fondateur d'une startup d'IA.

Quelle stack est le plus souvent demandée à un AI Engineer ?

Top 5 : python, llm, cloud, aws, agile. Python en profondeur (monopole — async / typage / FastAPI). Chaque fournisseur a ses particularités (limites de débit + stratégies de retry + coût par token + fonctionnalités prises en charge). Frameworks LLM : maîtrise de LangChain — le plus grand marché de l'emploi (LCEL — LangChain Expression Language, callbacks, agents, retrievers), LlamaIndex (axé RAG — ingestion des données + stratégies d'indexation), Haystack (deepset), Semantic Kernel (Microsoft, pour les entreprises .NET), LangGraph (orchestration d'agents en DAG — LangChain), AutoGen + CrewAI (multi-agents — en hausse), DSPy (Stanford — programmation déclarative des LLM, en croissance). Maîtrise des bases vectorielles : Pinecone (leader managé), Weaviate (open source modulaire), Qdrant (en Rust — rapide, auto-hébergé), Milvus (échelle entreprise), Chroma (léger, dev / prototypage), pgvector (extension Postgres — adaptée à la production pour les entreprises déjà sur Postgres), Elasticsearch dense_vector + Redis Stack (hybride plein texte + vecteurs). Fine-tuning : LoRA + QLoRA via la bibliothèque PEFT (Hugging Face — standard 2026), Unsloth (entraînement LoRA plus rapide), Axolotl (fine-tuning piloté par configuration). Le fine-tuning complet est rare (coût prohibitif). RLHF / DPO / KTO : bibliothèque TRL (Hugging Face — essor de la Direct Preference Optimization depuis 2024+). Évaluation : RAGAS (spécifique au RAG — fidélité + pertinence de la réponse + précision du contexte), DeepEval, lm-evaluation-harness (benchmarks académiques), Inspect AI (UK AISI, axé sûreté), Promptfoo (tests de régression des prompts), LangSmith (traces + évaluation LangChain — meilleure UX). Observabilité + traçage : Helicone (APM spécifique aux LLM), LangSmith, Langfuse (open source), Arize Phoenix, Datadog LLM Observability (fonctionnalité depuis 2024+). Optimisation des coûts : mise en cache des prompts, compression des prompts (LLMLingua), routage des modèles (petit modèle pour les requêtes simples, grand pour les complexes — via des fournisseurs comme Martian / OpenRouter).

AI Engineer vs ML Engineer vs Data Scientist — quelle différence ?

Data Scientist — focus sur la modélisation statistique + les tests A/B + la formulation des problèmes métier. Stack : pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Voir Data Scientist. ML Engineer — focus sur les pipelines ML en production + le déploiement + la mise à l'échelle. Stack : PyTorch + sklearn + Kubernetes + MLflow + ML managé dans le cloud. Généraliste — travaille sur les systèmes de recommandation / la fraude / le ranking / le ML classique. Voir ML Engineer. AI Engineer (cette page) — focus sur l'intégration de LLM dans le produit. N'entraîne PAS de modèles de fondation (c'est la Recherche), ne construit PAS de pipelines ML classiques (c'est l'ML Engineer). Stack : Python + fournisseurs de LLM + LangChain / LlamaIndex + bases vectorielles + serving vLLM + patterns RAG + fine-tuning LoRA + outils d'évaluation de LLM. Distinction clé 2026 : l'AI Engineer réutilise des LLM préentraînés, l'ML Engineer entraîne souvent des modèles à partir de zéro. L'AI Engineer travaille avec les API/prompts/RAG ; l'ML Engineer — avec des boucles d'entraînement + du feature engineering. Reconversions : Backend Senior → AI Engineer Junior — 2-4 mois (montée en compétence rapide grâce au travail basé sur des API + LangChain facile à apprendre). ML Engineer Senior → AI Engineer Senior — 1-3 mois (connaît déjà les bases de la stack, doit approfondir le spécifique LLM). DS Senior → AI Engineer Middle — 3-6 mois. AI Engineer Senior → Recherche — nécessite des mathématiques plus poussées + une expérience de rédaction d'articles + 6-12 mois de préparation.

RAG vs fine-tuning vs prompt engineering — que choisir ?

Arbre de décision pour la personnalisation des LLM 2026 : 1) Prompt Engineering — premier essai. Cas d'usage : le zero-shot ou few-shot SUFFIT pour la tâche. Avantages : coût nul (pas d'entraînement), itération instantanée, indépendant du modèle. Inconvénients : contrôle limité, fragilité des prompts, pression sur la fenêtre de contexte. 2) RAG (Retrieval-Augmented Generation) — idéal pour les tâches fondées sur des connaissances. Cas d'usage : chatbot, Q&A, recherche documentaire, support client, documentation de code, bases de connaissances internes. Architecture : requête → embedding → recherche vectorielle → top-k documents → enrichissement du prompt avec le contexte récupéré → le LLM génère la réponse. Avantages : ancrage factuel (anti-hallucination), à jour (il suffit de mettre à jour l'index, sans réentraînement), citation des sources possible, moins cher que le fine-tuning. Inconvénients : la qualité de la récupération est un goulot d'étranglement, la taille du prompt augmente. Stack RAG 2026 : ingestion (document loaders LlamaIndex / LangChain) → stratégie de découpage (sémantique, taille fixe ou récursif) → embeddings → base vectorielle (Pinecone / Qdrant / Weaviate / pgvector) → récupération (similarité + reranking via Cohere Rerank / BGE Reranker) → enrichissement du prompt → génération par le LLM. RAG avancé : recherche hybride (vecteur + BM25), HyDE (Hypothetical Document Embeddings), réécriture de requêtes, récupération multi-sauts, auto-réflexion (CRAG / Self-RAG). 3) Fine-tuning — à utiliser quand le prompt engineering + le RAG ne suffisent pas. Cas d'usage : a) style / format propre à un domaine (médical / juridique — formulations spécifiques), b) réduction du coût en tokens (un petit modèle fine-tuné remplace un grand modèle généraliste), c) tâches exigeant des connaissances spécialisées approfondies (où la fenêtre de contexte du RAG n'aide pas). LoRA entraîne des adaptateurs en gardant les poids de base figés. La part des paramètres entraînables dépend du modèle, du rang des adaptateurs et des modules sélectionnés. LoRA. Stack : Hugging Face Transformers + PEFT + TRL + Unsloth (plus rapide) + Axolotl (piloté par configuration). Matériel : GPU de 24 Go (RTX 4090 / A6000) pour les modèles de 7-13B, 80 Go+ (A100/H100) pour 70B+. Réalité des coûts 2026 : prompt engineering — quelques minutes, $0. Mise en place d'un RAG — 1-2 semaines d'ingénierie, $100-1 000/mois de coûts d'API. 4) Combinaison : les fonctionnalités IA réelles en production utilisent généralement les TROIS. Prompt engineering d'abord (prompts système + exemples few-shot) → RAG pour l'ancrage → fine-tuning LoRA optionnel pour le style/format. 5) Patterns agentiques (en essor 2025–2026) — LLM + utilisation d'outils + raisonnement multi-étapes. Utiliser LangGraph / AutoGen / CrewAI / DSPy.

Quelle part des offres propose du télétravail ?

Parmi les offres dont le mode de travail est indiqué, 30% sont en télétravail. Les offres sans mode de travail indiqué sont exclues du dénominateur ; le travail hybride n’est pas compté comme du télétravail.

Par où commencer en ingénierie IA en 2026 ?

Feuille de route : 1) Python en profondeur + bases du backend — async / typage / FastAPI / pytest. Sans compétence backend — pas d'AI Engineer (juste un « prompt jockey »). Livre : « Fluent Python » de Ramalho. 2) Compréhension des fondamentaux des LLM — bases de l'architecture transformer (attention + tokenisation + stratégies de décodage + fenêtres de contexte), mais pas besoin de l'implémenter à partir de zéro. Cours : « Building LLMs from scratch » de Karpathy sur YouTube (gratuit — le meilleur pour l'intuition). Livre : « Hands-On Large Language Models » de Jay Alammar / Maarten Grootendorst (2024 — à lire absolument). 3) Maîtrise de l'API OpenAI — chat completions + function calling + structured outputs + streaming + assistants. Construire au minimum 3 vraies applications. Crédits gratuits + expérimentation bon marché. 4) Maîtrise de l'API Anthropic Claude — la meilleure pour le code + les cas d'usage à long contexte. Tool use + prompt caching + computer use (si la filière agents IA vous intéresse). 5) Maîtrise de LangChain — l'exigence la plus fréquente sur le marché de l'emploi. LCEL (LangChain Expression Language), chaînes, agents, retrievers, callbacks. Cours : « LangChain & Vector Databases in Production » de DeepLearning.AI (gratuit). 6) Architecture RAG en profondeur — chargeurs de documents + stratégies de découpage (sémantique / fixe / récursif) + choix des embeddings + choix de la base vectorielle + algorithmes de recherche + reranking. Construire une application RAG de production avec des patterns avancés (recherche hybride + reranking + HyDE). 7) Maîtrise des bases vectorielles — au moins une en profondeur (Qdrant — la meilleure pour apprendre en auto-hébergé) + une managée (Pinecone). Comprendre les bases des algorithmes HNSW / IVF / PQ. 8) Pratique du fine-tuning — LoRA / QLoRA via la bibliothèque PEFT + Unsloth (plus rapide). Faire le fine-tuning de Llama 3.x 8B sur votre propre jeu de données. Matériel : Google Colab Pro+ ($50/mois) ou RunPod / Vast.ai (location de GPU bon marché). 9) Service avec vLLM — déployer un modèle ouvert avec vLLM + mesurer le débit + comparer avec l'API OpenAI. 10) Maîtrise de l'évaluation — RAGAS + DeepEval + suite d'évaluation sur mesure. Construire un test de non-régression pour les prompts. 11) Observabilité avec LangSmith / Langfuse — instrumenter une application de production + analyser les traces + identifier les goulots d'étranglement. 12) Frameworks d'agents — bases de LangGraph + AutoGen + CrewAI + DSPy. Construire une démo multi-agents (agent de recherche + agent de rédaction + agent critique). 13) Portfolio de projets personnels : une fonctionnalité IA de niveau production (par ex. questions-réponses sur les documents d'un jeu de données ouvert) avec RAG + évaluation + observabilité + suivi des coûts. Documenter comme portfolio (GitHub + article de blog + vidéo de démo). Formations russes : filière « AI Engineer » de Karpov.Courses, Otus « LLM Engineering », École d'IA de la HSE, filière AI Engineer de School21 (Sber). Livres à lire absolument : « AI Engineering » de Chip Huyen (2024), « Hands-On Large Language Models » d'Alammar / Grootendorst, « Building LLMs for Production » de Bouchard / Peng. Backend Senior + intérêt pour les LLM → AI Engineer Junior — 2-4 mois (l'entrée la plus rapide dans le monde du ML). ML Engineer Senior → AI Engineer Senior — 1-3 mois. Data Scientist → AI Engineer Middle — 3-6 mois.

Combien d’offres ouvertes cet échantillon contient-il ?

L’échantillon publié contient 4167 offres ouvertes après regroupement des republications. C’est le même nombre que dans l’indicateur principal. La section géographique décrit la couverture de l’échantillon ; il ne s’agit pas d’une estimation de l’ensemble du marché.

De quelles compétences un AI Engineer Senior a-t-il besoin ?

Un AI Engineer Senior prend en charge le cycle complet d'ingénierie des produits LLM + l'optimisation des coûts + le leadership technique. Python en profondeur + niveau Backend Senior : maîtrise d'async / typing / FastAPI / pytest. Connaissance des LLM ouverts : Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2 — arbitrages performance / coût, quand utiliser lequel. Maîtrise de LangChain : LCEL en profondeur, callbacks, agents, retrievers, écriture de chaînes personnalisées, débogage via LangSmith. Ou l'équivalent dans LlamaIndex / Haystack / Semantic Kernel. Maîtrise de l'architecture RAG : patterns avancés (recherche hybride BM25 + vecteurs, reranking, HyDE, réécriture de requêtes, récupération multi-sauts, patterns d'auto-réflexion CRAG / Self-RAG), stratégies de découpage (sémantique + récursif + hiérarchique), choix du modèle d'embedding. Maîtrise approfondie des bases vectorielles : l'une de Pinecone / Qdrant / Weaviate / Milvus / pgvector en profondeur — réglage des index, sharding, réplication, implémentation de la recherche hybride. Maîtrise du fine-tuning : LoRA / QLoRA via PEFT + Unsloth + Axolotl, préparation des jeux de données (instruction tuning + données DPO), choix des hyperparamètres, méthodologie d'évaluation. Bases de RLHF / DPO / KTO : bibliothèque TRL pour l'optimisation des préférences. Maîtrise du serving : vLLM avancé (PagedAttention + continuous batching + speculative decoding + optimisation du KV cache), TGI, SGLang. Architectures d'agents : maîtrise de LangGraph + AutoGen + CrewAI + DSPy, implémentation de MCP (Model Context Protocol), patterns de conception de l'usage d'outils, orchestration multi-agents. Maîtrise de l'évaluation : RAGAS + DeepEval + conception de suites d'évaluation personnalisées, méthodologie LLM-as-judge, tests de régression des prompts, tests A/B des fonctionnalités LLM. Observabilité + traçage : maîtrise de LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Maîtrise de l'optimisation des coûts : stratégies de prompt caching (natif + Redis personnalisé), compression de prompts (LLMLingua), routage de modèles (petit pour le simple / grand pour le complexe via OpenRouter / Martian), API batch pour le non temps réel. Sécurité / garde-fous : NeMo Guardrails, Llama Guard, intégration de l'API OpenAI Moderation, défense contre l'injection de prompts, filtrage des sorties. Conception de systèmes pour les produits LLM : concevoir au tableau blanc un produit RAG à l'échelle de 100 M+ requêtes/jour, considérations multi-régions, budgets de latence (cible P95 < 2 s pour le chat). Soft skills : rédaction d'ADR pour les décisions d'architecture LLM, rédaction technique (documents de conception de fonctionnalités LLM), collaboration inter-équipes (équipes Produit / Backend / DS / Recherche), mentorat d'AI Engineers Middle, discipline de lecture d'articles (NeurIPS / ICLR / EMNLP — à suivre absolument). Anglais INDISPENSABLE pour Senior+ — la communauté IA / la documentation / les articles / les conférences sont entièrement en anglais. Bonus facultatif : contributions open source à LangChain / LlamaIndex / vLLM / Hugging Face — augmentent fortement la valeur sur le marché pour le recrutement dans les laboratoires d'IA de pointe. Présence IA sur Twitter (publications régulières sur des expériences LLM) — importante pour le recrutement via les contacts de la communauté.

Laisser une demande

Décrivez la tâche et laissez un contact : la demande arrive dans notre CRM et nous répondons au contact indiqué.

En envoyant, vous acceptez la politique de confidentialité.