Applied Scientist, Machine Learning Engineer, Data Scientist : quels métiers en IA après une école d’ingénieur ?
Les métiers de la data et de l’intelligence artificielle attirent chaque année davantage d’étudiants issus des écoles d’ingénieur. Pourtant, derrière des intitulés très proches – Applied Scientist, Machine Learning Engineer, Data Scientist – se cachent des réalités professionnelles parfois radicalement différentes. À cela s’ajoute une forte hétérogénéité selon les entreprises : un Applied Scientist chez Meta n’exerce pas le même métier qu’un Applied Scientist chez Amazon, et un Data Scientist peut être très proche d’un analyste dans une entreprise, ou d’un expérimentateur avancé dans une autre.
Cet article a pour objectif de clarifier ces rôles, d’expliquer les compétences réellement attendues et d’aider les étudiants ingénieurs (et plus largement les profils scientifiques ou hybrides) à choisir un métier cohérent avec leur profil et leurs aspirations.
Trois métiers, trois positionnements
Avant d’entrer dans le détail, il est utile de comprendre que ces métiers se distinguent avant tout par leur positionnement entre mathématiques, ingénierie logicielle et impact produit.
| Métier | Cœur du rôle | Mathématiques | Software & systèmes | Proximité business |
|---|---|---|---|---|
| Applied Scientist | Modèles et recherche appliquée | Très élevée | Moyenne | Variable |
| Machine Learning Engineer | Mise en production | Moyenne | Très élevée | Forte |
| Data Scientist | Analyse et décision | Moyenne | Moyenne | Très forte |
Ces frontières sont poreuses et dépendent fortement de la culture et de la maturité data de chaque entreprise.
Applied Scientist : entre recherche académique et industrie
Le métier d’Applied Scientist est sans doute le plus mal compris. Dans son essence, il s’agit d’un rôle centré sur la conception, l’amélioration et l’évaluation de modèles avancés, souvent à la frontière de la recherche.
Une réalité parfois très éloignée du business
Dans certaines entreprises, notamment Meta, certaines équipes de Google ou des entités très orientées recherche, le rôle d’Applied Scientist peut être quasi totalement décorrélé du produit et du business.
L’objectif principal devient alors la production de travaux scientifiques : proposer de nouvelles méthodes, publier dans les conférences de référence comme NeurIPS, ICML, ICLR ou KDD, et contribuer à l’état de l’art.
Dans ces contextes :
- la mise en production est secondaire, voire absente,
- la performance est mesurée à travers la qualité des publications,
- l’environnement est très proche de la recherche académique.
Ces entreprises proposent fréquemment des thèses CIFRE, rendues possibles par le crédit impôt recherche (CIR) en France, permettant à des doctorants de mener une thèse tout en travaillant sur des problématiques industrielles.
Amazon : une grande variabilité interne
Chez Amazon, en particulier en Europe, le rôle d’Applied Scientist peut être très différent. Dans certaines équipes, il est proche d’un Machine Learning Engineer, avec beaucoup de code, de mise en production et de contraintes opérationnelles.
Amazon distingue également le poste de Research Scientist, qui correspond davantage à un rôle d’Applied Scientist sans la composante ingénierie logicielle, plus orienté modélisation et expérimentation. Cela illustre un point clé : au sein d’une même entreprise, les intitulés peuvent recouvrir des métiers très différents.
Industrie et recherche : le cas Criteo
Certaines entreprises comme Criteo occupent une position intermédiaire particulièrement intéressante. Elles entretiennent des liens forts avec les universités et les laboratoires de recherche, publient régulièrement dans les grandes conférences, tout en restant très orientées performance produit (publicité, ranking, optimisation).
Machine Learning Engineer : l’IA en production
Le Machine Learning Engineer est avant tout un ingénieur logiciel spécialisé dans le machine learning. Son rôle consiste à transformer des modèles (souvent conçus par des Applied Scientists ou Data Scientists) en systèmes robustes, scalables et exploitables en production.
Il travaille sur :
- les pipelines de données,
- le déploiement des modèles,
- le monitoring, le retraining et la gestion du data drift,
- les contraintes de performance et de coûts.
Les mathématiques restent importantes pour comprendre les modèles, mais le cœur du métier est clairement du côté software, cloud et MLOps.
Data Scientist : la donnée au service de la décision
Le métier de Data Scientist recouvre des réalités très diverses. Dans de nombreuses entreprises françaises, il s’agit avant tout d’un rôle orienté analyse et aide à la décision. Le Data Scientist explore les données, construit des indicateurs, mène des analyses et formule des recommandations pour les équipes produit, marketing ou finance.
Dans certaines grandes entreprises technologiques, le rôle est plus expérimental et peut inclure des modèles avancés ou des A/B tests à grande échelle. Ailleurs, il est très proche du métier de Data Analyst. D’où l’importance de toujours analyser le contenu réel du poste, et pas seulement son intitulé.
Pour les profils moins “maths” : Data Analyst et BI Engineer
Tous les métiers de la data et de l’IA ne nécessitent pas un très haut niveau en mathématiques.
Le Data Analyst se concentre sur l’analyse descriptive, les KPI et la visualisation. Il travaille principalement avec SQL et des outils comme Tableau, Power BI ou Looker, et joue un rôle central dans le pilotage de la performance.
Le Business Intelligence Engineer (ou Analytics Engineer) se situe à l’interface entre data et engineering. Il structure les données, conçoit les modèles analytiques et garantit leur fiabilité pour les équipes métiers.
Ces rôles sont particulièrement accessibles aux profils issus :
- d’écoles de commerce avec spécialisation data,
- de formations universitaires appliquées,
- de parcours hybrides comme MIAGE.
Salaires : ordres de grandeur selon les métiers
Les salaires varient fortement selon l’entreprise, la localisation et l’expérience. Les écarts sont particulièrement marqués entre le marché français et les GAFAM, où les packages incluent souvent bonus et stock options.
Applied Scientist
- Début de carrière : 50–65 k€
- Confirmé : 70–90 k€
- Senior / expert : 90–110 k€ et plus
Dans les GAFAM, la rémunération totale peut dépasser largement ces montants, en particulier pour les profils PhD.
Machine Learning Engineer
- Débutant : 45–60 k€
- Confirmé : 65–85 k€
- Senior : 85–100 k€
Les ML Engineers sont parmi les profils techniques les plus recherchés et les mieux rémunérés.
Data Scientist
- Débutant : 40–55 k€
- Confirmé : 55–75 k€
- Senior : 75–90 k€
Les salaires dépendent fortement du degré de technicité et d’impact du poste.
Data Analyst / BI Engineer
- Junior : 38–45 k€
- Confirmé : 45–60 k€
- Senior : jusqu’à 70–80 k€
Quelles écoles et formations pour quels métiers ?
Applied Scientist / Research Scientist
Profils très théoriques, forte composante mathématique.
Écoles souvent représentées :
École polytechnique, ENS (Ulm, Lyon, Paris-Saclay), Mines Paris – PSL, CentraleSupélec, Télécom Paris, ENSAE.
Masters de référence :
MVA, IASD, masters de mathématiques appliquées ou statistiques avancées.
Un PhD est fréquent, notamment dans les GAFAM.
Machine Learning Engineer
Profils ingénieur orientés informatique et systèmes.
Écoles : CentraleSupélec, INSA, IMT (Télécom, Mines), ENSIMAG, EPITA, UTC, UTBM.
Data Scientist / Data Analyst / BI Engineer
Profils plus variés.
Écoles d’ingénieur généralistes, écoles de commerce, MIAGE, masters universitaires en data, économie ou statistiques appliquées.
Cloud, data et IA : un triptyque indissociable
Quel que soit le métier, la data et l’IA sont aujourd’hui indissociables du cloud. Entraînement des modèles, déploiement, monitoring, coûts et scalabilité sont des enjeux centraux, en particulier pour les ML Engineers et, de plus en plus, pour les Data Scientists.
Cette convergence explique aussi la montée en puissance de rôles comme Solutions Architect, en particulier chez les GAFAM.
👉 À ce sujet, voir l’article :
Le métier de Solutions Architect : un rôle clé chez les GAFAM
https://targetpro.fr/solutions-architect-metier-avenir/
Conclusion
Il n’existe pas un métier “idéal” de l’IA après une école d’ingénieur, mais une diversité de trajectoires possibles, fortement dépendantes des entreprises, des équipes et des profils. Comprendre les nuances derrière les intitulés, les liens avec la recherche, le degré de proximité business et les prérequis réels est essentiel pour faire un choix éclairé.
Dans un domaine en évolution rapide, la capacité à apprendre, à s’adapter et à évoluer compte souvent autant que le premier poste occupé.