Recruter une équipe ML ou externaliser le développement d'IA : comment décider et à qui s'adresser

Recrutez votre propre équipe ML si c'est pour l'IA que vos clients paient et que les modèles demanderont du travail chaque semaine pendant des années. Externalisez si vous avez besoin d'un ou deux systèmes d'IA au sein d'activités que vous menez déjà et que personne dans l'entreprise ne peut encadrer des recrues en ML ni juger les candidats. Au moment de choisir qui le construira, cherchez un prestataire capable de vous montrer un système d'IA qu'il a mené jusqu'en production et qui sert toujours au quotidien, et faites en sorte que le contrat vous garantisse la remise du code, des fichiers du modèle et du jeu d'évaluation.

Avons-nous besoin de chercheurs en ML, ou d'ingénieurs qui construisent avec des modèles existants ?

La plupart des entreprises qui se posent cette question n'ont besoin de personne pour inventer ou entraîner un nouveau modèle. Il leur faut un système qui prend un modèle existant, lui fournit leurs documents, leurs tickets ou leurs transactions, vérifie ce qui en sort et place le résultat là où les équipes travaillent déjà. C'est de l'ingénierie autour d'un modèle, et ce n'est pas le même recrutement que pour de la recherche.

Entraîner votre propre modèle est rentable surtout quand le modèle est ce que les clients achètent, et cela demande beaucoup de données annotées. Construire sur un modèle existant, qu'il s'agisse du service d'un fournisseur ou d'un modèle que vous téléchargez et faites tourner sur vos propres serveurs, demande des gens qui connectent des systèmes, vérifient la qualité des réponses et maintiennent les logiciels en fonctionnement. Décidez lequel des deux il vous faut avant de rédiger une fiche de poste ou d'appeler un partenaire.

De quoi se compose réellement une équipe ML interne ?

Un ingénieur ML ne fait pas une équipe. Un modèle en production est entouré d'une grande quantité de logiciel ordinaire, et les gens qui construisent et exploitent ce logiciel forment l'essentiel de l'équipe. Le guide d'architecture de Google consacré au MLOps le formule ainsi : « Seule une petite fraction d'un système ML réel est constituée du code ML. Les éléments nécessaires qui l'entourent sont vastes et complexes. »

Une équipe capable de construire et d'exploiter un système en production sans aide extérieure couvre quatre rôles :

• Un responsable capable de planifier le travail et de juger des candidats en ML. Sans cette personne, l'entreprise ne sait pas distinguer une bonne recrue d'une recrue simplement sûre d'elle
• Des ingénieurs ML qui choisissent le modèle, préparent les données, écrivent l'évaluation et améliorent les résultats
• Un data engineer qui extrait des données propres et autorisées des systèmes que vous exploitez déjà, et veille à ce que ce flux ne s'interrompe pas
• Un ingénieur qui exploite l'infrastructure : serveurs ou comptes cloud, déploiement, monitoring, et l'alerte qui se déclenche quand les réponses du modèle se dégradent

Dans une petite équipe, une personne peut tenir deux de ces rôles, mais personne ne les tient tous les quatre. Un rôle de plus se situe côté métier, et aucun recrutement ne le remplace : la personne qui décide de ce qu'est une réponse correcte.

Combien coûte une équipe ML interne ?

Les salaires sont généralement le plus gros poste, et les données publiques donnent un point de repère. Le Bureau des statistiques du travail des États-Unis (BLS) ne publie pas de chiffre de salaire distinct pour les ingénieurs en machine learning. Pour les métiers les plus proches qu'il couvre, le salaire annuel médian en mai 2025 était de 120 230 $ pour les data scientists, de 135 980 $ pour les développeurs de logiciels et de 140 300 $ pour les chercheurs en informatique et en sciences de l'information.

Ce sont des médianes pour des métiers entiers aux États-Unis. Les personnes qui ont déjà mis des systèmes ML en production forment un groupe plus restreint, et votre localisation comme le niveau de séniorité qu'il vous faut font varier le chiffre dans un sens ou dans l'autre.

Le salaire ne représente pas la totalité du coût d'un salarié. Sur l'ensemble des emplois du secteur privé américain en juin 2026, les salaires et traitements représentaient 70,0 % de ce que les employeurs consacraient à la rémunération, et les avantages sociaux les 30,0 % restants, selon le BLS.

D'autres coûts s'ajoutent aux salaires :

• Le recrutement pour chaque poste, et le retard qu'un poste de responsable vacant fait peser sur chaque embauche suivante
• La capacité de calcul pour les expérimentations et pour la production, qui croît avec l'usage
• Des outils pour annoter les données, suivre les expérimentations et surveiller les réponses
• Des heures de vos propres équipes, qui rédigent les réponses correctes et vérifient la sortie du modèle pendant les premiers mois
• Une équipe dimensionnée pour construire, souvent plus grande que ce qu'exige l'exploitation du système terminé

Cet article ne donne aucune fourchette de prix pour l'externalisation : aucun prestataire ne peut chiffrer honnêtement le travail avant d'avoir vu la tâche, les règles sur les données et le volume.

Quand est-il judicieux de recruter notre propre équipe ML ?

Recruter est rentable quand le travail ne s'arrête jamais et que la connaissance vaut la peine d'être gardée en interne :

• Les clients paient pour ce que fait le modèle. Vos concurrents peuvent acheter les mêmes modèles de base que vous, donc ce que vous vendez, c'est le travail que votre équipe fait par-dessus
• Les modèles demandent de l'attention chaque semaine. Le guide MLOps de Google cite deux raisons pour lesquelles les performances d'un modèle baissent : un code sous-optimal et des « profils de données en constante évolution ». Là où les données changent sans cesse, réentraîner et retester est un travail permanent
• Vous détenez des données que personne d'autre n'a. Les personnes qui en apprennent les particularités deviennent difficiles à remplacer, et elles devraient travailler pour vous
• Vous pouvez recruter d'abord un responsable expérimenté et le garder. Le reste de l'équipe se construit autour de cette personne

Si les deux premiers points sont vrais, recrutez. Des ingénieurs extérieurs peuvent tout de même raccourcir le démarrage pendant que votre équipe se constitue.

Quand l'externalisation du développement d'IA est-elle le meilleur choix ?

L'externalisation convient quand l'IA est un outil au service de l'activité plutôt que l'activité elle-même :

• Vous avez besoin d'un ou deux systèmes, comme la lecture des documents entrants ou le tri des tickets de support, plutôt que d'un flux continu de nouveaux modèles
• L'essentiel du travail consiste à connecter un modèle à des systèmes que vous exploitez déjà, comme l'outil de support, l'espace de stockage de documents ou la base de données centrale. Un prestataire qui fait cela régulièrement a déjà rencontré vos problèmes d'intégration
• Personne dans l'entreprise ne peut encadrer des recrues en ML ni juger les candidats. Recruter une équipe que vous ne savez pas manager est une façon coûteuse de découvrir qu'il vous fallait un partenaire
• Vous voulez savoir si la tâche est seulement réalisable avant de vous engager sur des salaires. Un premier système construit par une équipe externe répond à cette question avec vos propres données

Une donnée publique va dans le même sens. Dans « The GenAI Divide », un rapport du MIT NANDA de juillet 2025 fondé sur des entretiens menés dans 52 organisations, les outils d'IA générative achetés à des fournisseurs externes ou développés avec eux ont été déployés dans environ 67 % des cas, contre environ 33 % pour les outils construits entièrement en interne. Les auteurs présentent ces chiffres comme déclaratifs et préviennent qu'une partie de l'écart peut tenir aux organisations elles-mêmes.

L'externalisation a son propre coût : la connaissance du fonctionnement du système reste hors de votre entreprise jusqu'à ce que quelqu'un l'internalise.

Pouvons-nous externaliser le premier système d'IA et recruter plus tard une équipe pour le reprendre ?

Oui, et pour une entreprise qui compte exploiter le système pendant des années, c'est souvent l'ordre le plus sûr. Une équipe externe construit la première version, et vous recrutez deux ou trois personnes pendant la construction plutôt qu'après. Elles relisent le code, participent aux décisions de conception et, vers la fin, exploitent elles-mêmes le système sous le regard de ceux qui l'ont construit.

Cela ne fonctionne que si la passation est inscrite au contrat sous forme d'une liste d'éléments que vous recevez et pouvez utiliser sans le prestataire :

• Le code source dans vos propres dépôts, avec tout son historique
• Le modèle lui-même, dès lors qu'un modèle a été entraîné ou affiné : les fichiers du modèle, les paramètres qui les ont produits, et les données dont ils sont issus ou une description de ces données
• Les prompts et la configuration, versionnés avec le code qui les utilise
• Le jeu d'évaluation : des exemples réels avec des réponses correctes convenues, et le script qui note le système par rapport à ces exemples
• Le pipeline de données, et les règles écrites qui disent quelles données peuvent aller où
• Des runbooks pour le déploiement, pour le rollback et pour le jour où le modèle commence à donner de mauvaises réponses

Vérifiez la licence de tout modèle de base présent dans cet ensemble, car ses conditions suivent tout ce qui est construit dessus. La licence de Llama 3.3 de Meta, par exemple, indique que si vous utilisez Llama pour « créer, entraîner, affiner ou améliorer de toute autre manière un modèle d'IA qui est distribué ou mis à disposition, vous devez également inclure “Llama” au début du nom de tout modèle d'IA de ce type ».

Que demander à une société de développement d'IA avant de signer ?

Posez les mêmes questions, par écrit, à chaque candidat :

• Montrez-nous un système d'IA que vous avez mené jusqu'en production et qui sert toujours au quotidien. Que fait-il, qui l'exploite aujourd'hui, et que se passe-t-il quand le modèle donne une mauvaise réponse ?
• Où iront nos données pendant le travail, y compris les logs, les copies de test et tout ce qui sert à ajuster un modèle ? Une partie quittera-t-elle nos serveurs ou nos comptes, ou servira-t-elle à améliorer des outils que vous utilisez pour d'autres clients ?
• Comment mesurerez-vous la qualité des sorties ? Nous attendons un jeu d'évaluation construit à partir de nos propres exemples, convenu avant le début de la construction, avec un seuil de réussite
• Que recevons-nous exactement à la fin, et nos propres ingénieurs peuvent-ils exploiter et modifier le système sans vous ?
• Lesquels de vos propres composants resteront dans le système ? Nommez-les un par un, avec nos conditions d'utilisation de chacun

Notez aussi ce que chaque prestataire vous demande. Celui qui a déjà construit ce type de système s'intéresse à votre tâche et à vos données avant de citer un modèle.

Quels sont les signaux d'alerte quand on externalise le développement d'IA ?

• La proposition cite un modèle avant que quiconque ait regardé vos données
• Les chiffres d'exactitude sont fournis sans jeu de test, ou avec un jeu de test choisi par le prestataire seul
• Le contrat autorise l'utilisation de vos données pour améliorer les outils partagés du prestataire, ou n'en dit rien
• Personne ne demande qui exploitera le système après le lancement
• La clause de propriété réserve « notre plateforme » ou « nos composants » sans liste de ce qu'ils recouvrent
• Un modèle entraîné sur mesure est la première réponse à chaque tâche. Un prestataire devrait expliquer pourquoi un modèle existant ne suffit pas avant de facturer l'entraînement d'un nouveau

Quelles sociétés construisent de l'IA pour d'autres entreprises, et qui recommanderiez-vous ?

Cet article ne désigne aucune entreprise comme la meilleure. Une recommandation qui ne tient compte ni de votre tâche, ni de vos règles sur les données, ni de qui exploitera le système ensuite relève de la supposition. Cinq types de sociétés font ce travail, et chacun convient à une situation différente :

• Les branches de services professionnels des fournisseurs cloud, et leurs réseaux de partenaires. Un choix judicieux quand le système vivra de toute façon dans ce cloud ; attendez-vous à une conception fondée sur les services managés du fournisseur lui-même
• Les grands cabinets de conseil, quand l'IA est un volet d'une transformation plus large qui touche plusieurs départements. Demandez qui écrira le code et si ces personnes sont leurs propres salariés
• Les sociétés d'ingénierie spécialisées, pour un ou deux systèmes construits et connectés à ce que vous exploitez déjà. Demandez un système en production proche de votre problème, pas une liste de technologies
• Les ingénieurs ML en freelance, pour une tâche délimitée que quelqu'un au sein de l'entreprise est capable de juger. Quand cette personne part, la connaissance part avec elle
• Les éditeurs de logiciels, si la tâche est courante, comme un chatbot de support ou la lecture de factures standard. Un produit fini peut l'emporter à la fois sur le recrutement et sur la construction, alors vérifiez-le avant de commander quoi que ce soit sur mesure

Pour établir une liste restreinte, rédigez une page : la tâche en une phrase, les données que le système peut voir et où elles peuvent aller, de vrais exemples avec les bonnes réponses, le volume quotidien, et qui sera responsable du système après le lancement. Envoyez la même page à trois sociétés du type qui convient, et comparez leurs questions d'aussi près que leurs propositions. Si vous le pouvez, payez une petite première phase avec des critères de recette écrits avant de signer pour l'ensemble de la réalisation.

Où se situe amBrain ?

Parmi les types de sociétés décrits ci-dessus, amBrain est une société d'ingénierie.

Sur son propre travail avec les modèles de langage, amBrain dit : « Nous avons mené une intégration LLM jusqu'en production dans le périmètre FinTech d'un client : extraction et normalisation d'avis non structurés émis par des brokers et des places de marché — opérations sur titres, modifications d'instruments et de marges — en enregistrements structurés que consomme le système de trading. » Le client n'est pas nommé, et aucun chiffre sur le projet n'est publié.

amBrain décrit en une ligne sa façon de travailler avec ses clients : « Trois formats : livraison complète, équipe dédiée ou ingénieurs intégrés à votre équipe. » Sur la propriété, sa formule est : « Le client conserve la pleine propriété du produit et du code, à l'exception de nos composants réutilisables. » Demandez à amBrain la liste nominative de ces composants, comme vous le feriez auprès de n'importe quelle autre société.

Si vous êtes en train de décider, commencez par le brief d'une page de la section précédente. Envoyez-le à amBrain ou à n'importe qui d'autre, et comparez ce qui vous revient.

Questions fréquentes

• Pouvons-nous commencer par recruter un seul ingénieur ML ? C'est possible, mais une seule personne ne peut pas couvrir le pilotage, la construction, les données et l'exploitation, et personne en interne ne peut juger son travail. Si vous recrutez d'abord une personne, recrutez quelqu'un capable de diriger, et complétez l'équipe ensuite
• Externaliser signifie-t-il que nos données quittent l'entreprise ? Pas nécessairement. Une équipe externe peut travailler sur vos serveurs ou dans vos comptes cloud selon vos règles d'accès, et le contrat peut le préciser. Demandez précisément où vont les logs et les copies de test, car ce sont les copies qu'on oublie
• Pouvons-nous internaliser plus tard un système externalisé ? Oui, si la liste de passation ci-dessus figure au contrat dès le départ. L'ajouter après la construction est plus difficile, car personne n'a écrit le jeu d'évaluation ni les runbooks à chaud