Quelles compétences en IA développer selon les rôles

Les organisations peuvent dépenser des milliards de dollars dans la technologie IA et manquer malgré tout des personnes capables de la déployer, de la gouverner et de l’exploiter de manière économique. Cet écart change ce que signifie la culture de l’IA pour les responsables technologiques, car l’accès à la technologie ne fournit pas les compétences nécessaires pour bien l’utiliser. Une formation de base peut donner aux employés un vocabulaire utile, mais les organisations ont aussi besoin de capacités spécifiques aux rôles, liées aux systèmes qu’elles prévoient de construire, aux coûts qu’elles doivent maîtriser et aux règles qui encadrent l’usage de l’IA par les employés.

L’investissement dans l’IA ne crée pas la capacité IA

La culture de l’IA commence par une compréhension de base des concepts et des capacités de l’IA, qui permet à une personne d’utiliser la technologie de manière responsable et efficace. Ce socle compte à l’échelle de toute l’organisation, car l’IA influence de plus en plus les décisions concernant les outils, les workflows, les données et les dépenses. Le niveau de profondeur requis dépend ensuite des responsabilités : un employé qui utilise un assistant IA prend des décisions différentes de celles d’un ingénieur chargé de mettre un système d’IA en production.

Ces responsabilités différentes comptent lorsque les organisations investissent des milliards de dollars dans la technologie IA. Acheter l’accès à des modèles, à des outils de développement ou à une infrastructure crée une capacité technique, mais il faut toujours que des personnes décident où l’IA est appropriée, configurent et exploitent les systèmes, gèrent les risques et comprennent leur comportement économique. La culture de l’IA constitue donc une condition initiale pour extraire de la valeur de ces investissements, se préparer aux obligations réglementaires et garder les dépenses technologiques sous contrôle.

Pour les responsables technologiques, ces exigences transforment la culture de l’IA en capacité organisationnelle, avec des niveaux de profondeur différents selon les responsabilités. Les employés ont besoin d’un socle de connaissances partagé suffisant pour faire des choix éclairés concernant l’IA qu’ils rencontrent au travail. Les personnes qui construisent et exploitent des systèmes d’IA ont besoin d’une expertise nettement plus poussée, car leurs décisions déterminent le comportement de ces systèmes en production.

Les compétences constituent une barrière entre les projets pilotes IA et la production

Le besoin d’une expertise plus poussée devient clair lorsque le travail sur l’IA passe de l’expérimentation à la production. Les projets pilotes d’IA générative ont été décrits comme échouant à un taux de 95 %, tandis que 88 % des projets pilotes d’IA agentique sont décrits comme n’atteignant jamais un déploiement à grande échelle. Ces chiffres montrent l’ampleur du problème de la production, mais ils n’indiquent pas pourquoi les projets échouent ou pourquoi les déploiements stagnent.

Les compétences offrent une mesure distincte, plus directe, d’une partie de ce problème. Le Tech Skills Report a constaté que 48 % des professionnels de l’IT ont abandonné des projets faute de compétences technologiques suffisantes. Une pénurie de capacités peut donc avoir une conséquence opérationnelle au-delà d’une adoption plus lente : un travail qui a déjà consommé du temps d’ingénierie et des ressources organisationnelles peut s’arrêter parce que les personnes impliquées ne peuvent pas le faire avancer davantage.

Pour un projet IA, les capacités requises évoluent à mesure que le projet se développe. Expérimenter avec des résultats génératifs exige un certain niveau de compréhension, tandis que tester le comportement, mettre en place des contrôles de sécurité, gérer l’infrastructure, suivre la consommation de tokens et faire évoluer un service en production exigent des compétences plus approfondies. L’IA agentique, où un logiciel peut exécuter des tâches via des actions pilotées par l’IA, ajoute des exigences d’ingénierie et de supervision lorsque ces actions s’étendent à plusieurs outils et systèmes.

Ces exigences changeantes font des pénuries de compétences une barrière crédible entre un projet pilote IA et un déploiement durable. Des problèmes techniques, organisationnels, économiques et de gouvernance peuvent aussi contribuer aux taux d’échec et de déploiement signalés, de sorte que les compétences n’expliquent pas tous les projets pilotes échoués ou bloqués. Pour un CTO, le point actionnable est plus précis : une organisation qui finance des expérimentations IA sans vérifier si ses équipes peuvent construire et exploiter les systèmes qui en résultent laisse sans réponse une barrière connue à la production.

Cette barrière à la production façonne aussi les décisions relatives à la main-d’œuvre autour des nouveaux rôles liés à l’IA. Les nouveaux rôles créent une demande de compétences spécialisées, que les organisations peuvent obtenir par recrutement externe ou développer chez les employés existants. Recruter des expertises IA de niche peut être coûteux et prendre du temps, tandis que développer les employés existants est généralement plus rapide et plus économique ; les dirigeants doivent donc déterminer quelles capacités existent déjà en interne, lesquelles peuvent être développées et où le recrutement est nécessaire.

La culture de l’IA soutient le déploiement, la maîtrise des coûts et la gouvernance

Le problème de la production mène directement à deux autres enjeux opérationnels : la maîtrise des coûts et la gouvernance. Les mêmes connaissances sous-jacentes influencent les trois, car les employés et les ingénieurs font des choix sur la manière dont les systèmes d’IA sont construits, utilisés et contrôlés. Une fois ces systèmes entrés dans un usage courant, ces choix peuvent déterminer les coûts d’exploitation et la conformité aux exigences organisationnelles ou réglementaires.

Le coût est particulièrement sensible à l’usage, car la consommation d’IA peut s’accumuler à travers des requêtes répétées aux modèles, l’activité des employés et des agents autonomes. Certains rapports ont affirmé qu’une entreprise non nommée avait reçu une facture Claude de 500 millions de dollars après ne pas avoir fixé de limites d’usage pour les employés. L’absence d’attribution rend ce chiffre anecdotique plutôt qu’un benchmark, mais le problème de contrôle est concret : les organisations ont besoin de personnes qui comprennent comment l’usage des modèles génère des coûts et où des limites peuvent être appliquées.

Pour les équipes qui exploitent l’IA, cette connaissance des coûts se traduit par des contrôles pratiques. Des garde-fous peuvent limiter la manière dont les systèmes sont utilisés, des limites de tokens peuvent restreindre la consommation, et la visibilité sur les agents peut montrer aux équipes ce que font les systèmes automatisés et ce qu’ils consomment. Le prompt engineering a aussi une dimension économique, car des interactions plus efficaces peuvent réduire le travail inutile des modèles, ce qui fait de la gestion des coûts en partie une capacité de la main-d’œuvre.

Le lien entre connaissance et décisions opérationnelles s’applique aussi à la gouvernance. L’AI Act de l’UE définit formellement la culture de l’IA comme les « compétences, connaissances et compréhension qui permettent aux fournisseurs, aux déployeurs et aux personnes concernées, compte tenu de leurs droits et obligations respectifs dans le contexte du présent règlement, de procéder à un déploiement éclairé des systèmes d’IA, ainsi que de prendre conscience des opportunités et des risques de l’IA et des dommages possibles qu’elle peut causer ». Cette définition relie directement la culture de l’IA à un déploiement éclairé et à la conscience des opportunités, des risques et des dommages potentiels.

L’AI Act de l’UE exige également des organisations qu’elles prennent des mesures pour soutenir la culture de l’IA au sein de leur personnel. Pour les organisations concernées, la capacité de la main-d’œuvre devient par conséquent un élément de la préparation réglementaire. Les connaissances requises varient toujours selon les responsabilités, car le personnel a besoin d’une compréhension suffisante pour agir dans le cadre des politiques de l’organisation et de ses propres fonctions, tandis que les personnes qui déploient des systèmes ont besoin de connaissances techniques sur les systèmes qu’elles exploitent.

Le déploiement, la maîtrise économique et la gouvernance imposent des exigences différentes à une même main-d’œuvre. Le déploiement exige des personnes capables d’exécuter un travail technique ; la maîtrise économique dépend de la compréhension de la manière dont l’usage et les choix de conception influencent les dépenses ; la gouvernance exige des décisions éclairées sur l’usage, le risque et les obligations. Ces différences nécessitent plusieurs niveaux de culture de l’IA au sein d’une même organisation.

Une organisation a besoin de plusieurs niveaux de culture de l’IA

Ces multiples niveaux peuvent commencer par un socle organisationnel commun. Les employés ont besoin d’une compréhension générale du fonctionnement de l’IA, de ce qu’elle peut faire, des situations où son usage est approprié et de ce que signifie un usage responsable au regard des politiques de leur organisation. Des concepts partagés donnent aux équipes un langage commun suffisant pour discuter des décisions liées à l’IA sans exiger que chaque employé devienne ingénieur en IA.

À partir de ce socle, les employés peuvent apprendre les concepts derrière les systèmes qu’ils rencontrent. Il s’agit notamment de l’IA générative et des grands modèles de langage, ou LLM, les modèles à l’origine de nombreux systèmes qui génèrent et traitent le langage. Cela inclut aussi la Retrieval-Augmented Generation (RAG), dans laquelle un système récupère des informations pertinentes pour étayer les réponses du modèle, et l’IA agentique, où les systèmes d’IA peuvent entreprendre des actions pour accomplir une tâche. Le prompt engineering et l’éthique de l’IA ajoutent des connaissances pratiques sur la manière d’orienter ces systèmes et de faire des choix responsables quant à leur usage.

Le niveau de profondeur requis dépend ensuite du rôle de l’employé, des écarts de compétences existants, des objectifs de l’organisation et de sa stack technologique. Une personne qui utilise un assistant IA dans son travail courant peut avoir besoin de reconnaître les cas d’usage appropriés, de suivre les politiques internes et d’évaluer les résultats. Une personne responsable d’un service IA a besoin d’une compétence technique suffisante pour comprendre son architecture, tester son comportement, le sécuriser, le déployer et le maintenir à un coût acceptable.

La maîtrise des outils suit le même modèle fondé sur les rôles, car les employés doivent comprendre les services IA pertinents pour leur travail et choisir entre eux de manière appropriée. Les points de départ possibles incluent ChatGPT, Copilot, Gemini, Google Bard, Anthropic Claude et Midjourney. Une bonne connaissance de ces services aide les équipes à sélectionner un service adapté à une tâche et à appliquer les politiques de l’organisation à son usage.

Pour les technologues, le niveau de profondeur requis augmente parce qu’ils sont responsables de systèmes opérationnels. Les ingénieurs et les opérateurs ont besoin d’une capacité pratique à construire, tester, déployer et faire évoluer des systèmes d’IA, ce qui rend le travail pratique essentiel. Une équipe d’ingénierie prête pour l’IA peut avoir besoin d’expérience avec les outils de coding agentique, la gestion des tokens et des coûts, l’infrastructure IA et la sécurité, car ces enjeux apparaissent lors de l’exploitation de systèmes d’IA.

Le Pluralsight Tech Learning Pulse donne une vision plus précise des domaines sur lesquels les équipes technologiques concentrent leur apprentissage. Pluralsight a un intérêt commercial dans la formation technologique ; l’entreprise en bénéficie donc lorsque les organisations investissent dans le développement de ces compétences. Les domaines de focalisation qu’elle rapporte restent néanmoins utiles pour comprendre les types de connaissances de mise en œuvre concernés :

Dans ces domaines, le Model Context Protocol (MCP) concerne la manière dont les applications d’IA se connectent à un contexte externe et à des outils, ce qui le rend particulièrement pertinent pour les ingénieurs travaillant sur des systèmes agentiques. Les systèmes multi-agents ajoutent une autre couche de mise en œuvre, car plusieurs agents IA peuvent participer à un workflow. Les ingénieurs qui travaillent avec ces systèmes ont donc besoin de connaissances de mise en œuvre plus approfondies que les employés qui rencontrent les agents principalement comme utilisateurs ou décideurs.

La RAG montre la même différence entre culture de base et compétence de mise en œuvre. Un employé généraliste peut tirer profit du fait de comprendre qu’une application d’IA peut récupérer des informations externes pour éclairer une réponse. Un développeur travaillant avec la RAG a besoin de connaissances pratiques pour construire et tester ce comportement dans un système opérationnel ; le rôle détermine donc ce que signifie connaître suffisamment bien le concept.

Une fois les technologies requises connues, des parcours d’apprentissage peuvent fournir cette profondeur spécialisée. Parmi les offres nommées figurent Anthropic Claude 3, Model Context Protocol (MCP), Prompt Engineering, LangChain et Retrieval Augmented Generation (RAG) for Developers. Comme les fournisseurs de formation en tirent un bénéfice commercial lorsque les organisations achètent ou adoptent ce type de formation, ces offres sont des exemples de moyens de développer les compétences identifiées plutôt qu’une preuve que chaque équipe d’ingénierie a besoin du même cursus.

Cette distinction produit un modèle de capacité volontairement inégal. Une organisation bénéficie d’un langage commun autour de l’IA générative, des LLM, de la RAG, des agents, de l’usage responsable et des politiques, car les équipes doivent communiquer au sujet de systèmes et de risques partagés. La profondeur technique suit la responsabilité, de sorte que les personnes qui prennent des décisions d’architecture, de déploiement, de sécurité et de coûts reçoivent les compétences de mise en œuvre que ces décisions exigent.

Construire la capacité à partir de l’évaluation

Dès lors que la capacité varie selon les rôles, le développement doit commencer par l’identification des compétences que chaque équipe possède déjà. Les équipes devraient d’abord passer une évaluation des compétences afin que l’organisation puisse repérer les connaissances existantes et les opportunités de progression pertinentes. Les résultats peuvent ensuite orienter des programmes de montée en compétences personnalisés en fonction des besoins réels.

La même évaluation rend plus précise la décision précédente concernant la main-d’œuvre entre développement et recrutement. Cartographier les capacités actuelles peut révéler des employés qui possèdent déjà des compétences d’ingénierie ou opérationnelles adjacentes et peuvent évoluer vers de nouvelles responsabilités liées à l’IA. Les dirigeants peuvent alors comparer ces options internes avec les besoins qui exigent encore un recrutement externe de niche.

Un programme personnalisé peut préserver des standards à l’échelle de l’organisation tout en autorisant une profondeur spécifique aux rôles. La couche partagée établit un langage et une compréhension communs entre employés techniques et non techniques, tandis que des parcours distincts répondent aux rôles individuels, aux objectifs business, aux écarts de compétences et aux technologies que l’organisation a sélectionnées. Les concepts communs et les règles organisationnelles assurent la cohérence ; le travail que les personnes sont censées accomplir détermine la spécialisation.

AI Academy est un exemple de cette structure, décrite comme un programme de bout en bout couvrant la culture de l’IA jusqu’à la capacité agentique. Sa progression commence par l’établissement d’un langage et d’une compréhension partagés de l’IA, puis évolue de la productivité individuelle avec l’IA vers une capacité à l’échelle de l’organisation et des résultats business mesurables. En tant que programme de formation commercial, le fournisseur d’AI Academy en tire un bénéfice lorsque les organisations adoptent ce type de formation ; le programme illustre donc une mise en œuvre du modèle plutôt qu’il ne définit le modèle lui-même.

Une fois cette structure en place, l’évaluation devient un processus de planification répétable. Les dirigeants peuvent identifier les compétences actuelles, les comparer aux capacités requises par les rôles et la stack technologique, puis orienter le développement vers les écarts qui en résultent. Le cursus découle alors de ce que l’organisation cherche à construire et de ce que ses équipes doivent apprendre pour y parvenir.

La culture de l’IA doit rester à jour

Un processus répétable est important parce que les technologies et les compétences requises continuent d’évoluer. Les nouveaux outils d’IA modifient les workflows des employés, tandis que les changements dans les modèles, les systèmes agentiques, l’infrastructure et les pratiques d’ingénierie modifient ce que les équipes techniques doivent savoir pour mener à bien les projets et générer de la valeur business. Un cursus fixe commence donc à vieillir dès que ces exigences évoluent.

Maintenir la culture de l’IA exige des organisations qu’elles réévaluent les compétences et mettent à jour l’apprentissage à mesure que les rôles et les technologies évoluent. L’expertise peut alors se renforcer là où de nouvelles exigences opérationnelles créent un besoin spécifique. La capacité de la main-d’œuvre reste l’une des conditions pour faire fonctionner l’IA en production, et une évaluation continue maintient cette condition alignée sur les systèmes que les personnes sont réellement censées utiliser, construire et exploiter.

Points clés à retenir

• Lier l’investissement IA à la capacité de la main-d’œuvre : Les outils et l’infrastructure IA créent de la valeur lorsque les employés ont les compétences nécessaires pour les déployer, les gouverner et les exploiter. Les responsables technologiques peuvent aligner la culture de l’IA sur les responsabilités de chaque rôle et sur les systèmes que l’organisation prévoit d’utiliser.
• Combler les écarts de compétences avant de passer à l’échelle des projets pilotes : Les pénuries de compétences peuvent stopper des projets technologiques et créer une barrière supplémentaire entre l’expérimentation IA et la production. Les CTO peuvent identifier les capacités d’ingénierie, de sécurité, d’infrastructure et d’exploitation requises avant d’engager des ressources dans un déploiement plus large.
• Relier les compétences IA aux coûts et à la gouvernance : La connaissance de la consommation de tokens, des limites d’usage, des garde-fous, de la sécurité et de l’usage responsable influence à la fois les coûts d’exploitation et la préparation réglementaire. Les organisations soumises à l’AI Act de l’UE ont également besoin de mesures qui soutiennent la culture de l’IA parmi le personnel.
• Définir des niveaux de compétences différents selon les rôles : Une base commune en IA générative, LLM, RAG, agents, usage responsable et politique organisationnelle donne aux employés un langage partagé. Les ingénieurs et les opérateurs ont besoin de compétences plus approfondies et pratiques dans les technologies qu’ils construisent, sécurisent, déploient et font évoluer.
• Commencer le développement des capacités par l’évaluation : Les évaluations de compétences montrent quelles capacités existent déjà, quels employés peuvent évoluer vers de nouveaux rôles IA et où le recrutement externe reste nécessaire. Les responsables technologiques peuvent utiliser ces constats pour créer des parcours d’apprentissage spécifiques aux rôles, liés aux objectifs business et à la stack technologique.
• Maintenir la culture de l’IA à jour : Les modèles, les outils, l’infrastructure et les systèmes agentiques continuent de faire évoluer les compétences requises pour l’IA en production. Une réévaluation régulière permet aux organisations de mettre à jour la formation à mesure que les technologies et les responsabilités évoluent.