Former les ingénieurs IA de demain : au-delà des modèles, une vision du terrain
Entretien avec le Directeur du Cursus Ingénierie Data & IA de l’École Hexagone.
Trente ans de modélisation mathématique, de méthodes numériques et d’approches statistiques : c’est le parcours qui a conduit le Directeur du Cursus Ingénierie Data & IA à former les talents de demain. Un profil à la croisée de la technique et de la pédagogie, avec une conviction ferme : transmettre une vision solide, responsable et scientifique de l’IA.
Un parcours entre science et transmission
« Très tôt, j’ai compris que la puissance de calcul et la rigueur scientifique seraient des compétences clés. En parallèle, j’ai toujours enseigné, créé des formations, encadré des étudiants et développé des programmes internationaux en IA et en Data. »
Sa formation a été classée n°1 par Eduniversal durant trois années consécutives. Une reconnaissance qui confirme l’impact concret d’une pédagogie exigeante et structurée.
« Former les talents aujourd’hui, c’est transmettre cette profondeur scientifique qui manque cruellement dans le monde de l’IA. »
Des métiers qui se sont profondément spécialisés
La Data est passée d’un domaine réservé à quelques chercheurs à un besoin transversal dans toutes les organisations. Mais la demande a explosé bien plus vite que la capacité du marché à former des profils solides.
« J’ai vu la montée en puissance du HPC, devenu le socle de l’IA moderne. L’IA moderne n’existe pas sans HPC. »
Le changement le plus profond ? L’écart entre les besoins et les talents disponibles. Les compétences réellement solides — mathématiques, statistiques, modélisation, optimisation — restent rares. On ne peut plus se contenter d’être « généraliste IA » : il faut des compétences profondes.
Théorie et terrain : les deux faces d’une vraie formation
« Une formation théorique transmet des concepts. Une formation qui prépare réellement au terrain confronte l’étudiant à la réalité : données imparfaites, modèles instables, contraintes de calcul, choix d’architecture, reproductibilité, optimisation. »
Les use cases sont au cœur de l’approche pédagogique : ils permettent de passer de l’abstraction à l’action. L’étudiant apprend à résoudre de vrais problèmes, pas à réciter des algorithmes.
« Un notebook, c’est un laboratoire d’expérimentation. La production, c’est une usine. On ne confond pas les deux. Former des ingénieurs, c’est justement leur apprendre à franchir ce fossé. »
Les use cases ne remplacent pas la théorie — ils en révèlent l’importance. Quand un étudiant voit un modèle diverger, un gradient exploser ou une erreur numérique se propager, il comprend immédiatement pourquoi les mathématiques sont essentielles.
Le décalage entre entreprises et candidats
Beaucoup de candidats savent entraîner un modèle. Très peu comprennent ce qu’ils font réellement.
« Le marché manque de profils capables de combiner rigueur scientifique et capacité opérationnelle. C’est le décalage le plus important : beaucoup de formations restent trop théoriques, et beaucoup de candidats trop superficiels. »
En tant qu’école du groupe ACENSI, l’École Hexagone dispose d’une vision directe du terrain — les besoins réels, les projets, les compétences attendues — ce qui permet d’ajuster la formation au plus près des attentes des entreprises.
Les entreprises cherchent des profils capables de couvrir le cycle complet : comprendre le problème, manipuler les données, choisir un modèle, l’entraîner, l’optimiser, évaluer les incertitudes, et le déployer.
IA générative : passager ou pilote ?
« L’idée du “tout automatisé” est une idée séduisante, mais profondément trompeuse. »
Une étude Snowflake/Omdia publiée en 2026 montre que 52 % des organisations françaises utilisent déjà l’IA générative, et que 32 % déclarent un ROI positif. Mais 31 % des TPE/PME peinent encore à identifier des cas d’usage concrets.
La métaphore est parlante : utiliser une IA, c’est être passager d’un avion. Être ingénieur IA, c’est être pilote — comprendre les systèmes, les limites, les risques et les conditions de fiabilité.
« L’IA générative ne “comprend” pas : elle prédit. Elle produit des réponses plausibles, pas nécessairement correctes. L’IA générative n’automatise pas la pensée : elle amplifie les erreurs si on ne les maîtrise pas. »
Les outils ne remplacent pas les compétences fondamentales — mathématiques, statistiques, optimisation, modélisation — mais les rendent encore plus indispensables.
Les soft skills au cœur de l’expertise
Les compétences techniques sont indispensables, mais ce qui fait vraiment la différence aujourd’hui, ce sont les qualités humaines. Dans cette formation, cinq dimensions sont travaillées en profondeur :
- Le raisonnement : comprendre avant d’appliquer
- L’esprit critique : ne jamais prendre un résultat pour acquis
- La communication : expliquer un modèle à un décideur non technique
- La maturité intellectuelle : assumer un choix, justifier une approche, poser des limites
- La collaboration : travailler avec les métiers, les devs, les ops, la direction
« Les experts qui réussiront sont ceux qui combinent rigueur scientifique, maturité intellectuelle et capacité à apprendre en continu. »
Éthique : la rigueur comme premier engagement
L’éthique n’est pas un module isolé dans ce cursus : elle est intégrée au cœur même de la formation.
« Former des experts en IA, c’est effectivement former des décideurs. Et un décideur en IA doit comprendre que chaque modèle, chaque donnée, chaque choix d’architecture a un impact concret : sur les utilisateurs, sur les entreprises, sur la société. »
L’approche est opérationnelle : comment un modèle peut discriminer sans que personne ne s’en rende compte, comment une erreur numérique peut fausser une décision critique, comment documenter et auditer un choix algorithmique.
« L’objectif n’est pas de moraliser, mais de responsabiliser. Un ingénieur IA doit être capable de dire non, de poser des limites, d’expliquer un risque, de proposer une alternative. »
Le bon profil IA dans 5 ans
Dans 5 ans, un bon profil IA sera quelqu’un qui comprend les modèles en profondeur, sait les mettre en œuvre efficacement, et est capable d’en évaluer les limites, les biais et les incertitudes.
« L’IA ne sera plus un prototype dans un notebook. Elle sera un produit. Les bons profils sauront industrialiser : MLOps, pipelines, monitoring, reproductibilité, performance. »
« L’IA ne remplace pas les ingénieurs. Elle remplace les ingénieurs qui ne comprennent pas ce qu’ils font. »
Les écoles qui réussiront ne seront pas celles qui enseignent les outils du moment, mais celles qui forment des ingénieurs capables d’apprendre, d’expérimenter, de diagnostiquer et d’innover. C’est exactement le pari de l’École Hexagone.