Étudiants : les carrières de l’IA que vous ne voyez pas encore

Quand on demande à un étudiant quels métiers il associe à l’intelligence artificielle, les réponses les plus spontanées concernent souvent le développement informatique, la science des données ou l’entraînement des modèles. Ces parcours sont essentiels. Mais ils ne constituent pas les seules voies permettant de participer à la conception d’applications intelligentes.

Imaginons une startup qui souhaite créer un assistant capable d’aider les élèves ivoiriens à comprendre leurs exercices. Elle aura besoin de développeurs et de spécialistes des modèles. Elle pourra aussi mobiliser des enseignants, des documentalistes, des experts de l’apprentissage, des ingénieurs des connaissances et des évaluateurs. Tous contribuent à la qualité du service, même s’ils n’écrivent pas les mêmes lignes de code.

Pour un étudiant, cette réalité ouvre une question nouvelle : comment valoriser sa discipline d’origine et acquérir les compétences complémentaires nécessaires pour travailler sur des projets d’IA ?

Les démonstrations d’IA mettent en scène ce que l’utilisateur voit : une question, une réponse, parfois une action automatisée. Elles montrent rarement le travail nécessaire pour préparer les connaissances, vérifier les sources, formaliser les méthodes métier ou organiser les contrôles.

Pourtant, un assistant spécialisé peut avoir besoin de ressources propres à un pays, à une institution ou à un secteur. Les connaissances générales d’un modèle ne suffisent pas toujours à garantir la conformité à un programme scolaire, à une procédure administrative ou à une règle professionnelle.

Cette partie du travail mobilise des disciplines parfois anciennes, comme les sciences de l’information, l’ingénierie des connaissances, l’ergonomie ou la didactique. Elles prennent de nouvelles formes avec les modèles de langage, les architectures RAG et les systèmes d’IA capables d’utiliser des outils.

Le référentiel conceptuel « Les compétences invisibles de l’intelligence artificielle » propose huit familles fonctionnelles. Elles ne correspondent pas à huit diplômes obligatoires ni à une nomenclature officielle des métiers. Elles aident à comprendre les fonctions à couvrir dans les projets.

F1 — L’ingénierie documentaire identifie, organise et qualifie les documents et leurs références. F2 — L’ingénierie des connaissances recueille et formalise les concepts, méthodes et règles métier. F3 — L’ingénierie ontologique et sémantique structure les significations et les relations entre notions. F4 — L’ingénierie des données organise les flux, les structures et la qualité des données.

F5 — L’ingénierie cognitive analyse les activités intellectuelles et les interactions entre personnes et IA. F6 — L’ingénierie pédagogique et sectorielle traduit les exigences des domaines d’application. F7 — La curation et la gouvernance entretiennent la qualité, la provenance, les droits et les versions. F8 — L’évaluation des systèmes d’IA métier vérifie les résultats et les comportements dans des situations représentatives.

Un même professionnel peut mobiliser plusieurs familles. Inversement, un projet complexe peut nécessiter plusieurs spécialistes complémentaires.

Un étudiant en sciences de l’information peut se spécialiser dans la préparation de corpus, les métadonnées et la gouvernance des connaissances. Un étudiant en mathématiques ou en statistique peut approfondir la qualité des données, les protocoles de test et l’évaluation des systèmes. Un étudiant en informatique peut se spécialiser dans les architectures de connaissances, les graphes ou l’intégration des services de recherche.

Un étudiant en sciences de l’éducation peut contribuer à la conception et à l’évaluation d’assistants pédagogiques. Un étudiant en droit peut travailler sur la formalisation des règles, les conditions d’application et la traçabilité des sources. Un étudiant en agronomie peut aider à structurer des connaissances techniques contextualisées.

Il ne s’agit pas de prétendre que chaque formation débouche automatiquement sur un emploi en IA. L’opportunité dépend des besoins réels, de l’expérience, des compétences acquises et des projets disponibles. Mais l’expertise disciplinaire peut constituer un avantage lorsqu’elle est complétée par des méthodes adaptées à l’IA.

Un profil hybride combine une expertise approfondie dans un domaine et des capacités de coopération avec les spécialistes des technologies. Il peut, par exemple, savoir décrire une procédure métier, identifier les exceptions, préparer des ressources structurées et définir les critères permettant de vérifier un assistant.

Ce profil n’a pas besoin de maîtriser tous les aspects de l’entraînement des modèles. Il doit en revanche comprendre les possibilités et les limites des outils qu’il utilise, savoir documenter ses choix et travailler avec une équipe interdisciplinaire.

Cette logique peut concerner les enseignants, juristes, statisticiens, documentalistes, ingénieurs industriels et de nombreux autres professionnels. Elle permet d’élargir les perspectives sans opposer les métiers techniques aux métiers sectoriels.

Le premier parcours est celui de la spécialisation technique. Il s’adresse notamment aux étudiants en informatique, mathématiques ou ingénierie qui souhaitent approfondir la modélisation sémantique, les pipelines de données, les architectures RAG ou l’évaluation des systèmes d’IA.

Le deuxième est celui de l’hybridation métier–IA. Il s’adresse aux étudiants et professionnels d’un secteur qui veulent apprendre à expliciter les savoirs, structurer les documents, définir des règles et valider les réponses d’applications spécialisées.

Le troisième est celui de la coordination et de la gouvernance. Il associe les méthodes de gestion des connaissances, la qualité, la traçabilité, les droits, la gestion de projet et l’organisation des responsabilités.

Ces parcours sont des propositions pédagogiques, non des cursus universitaires officiellement créés. Leur mise en œuvre devrait s’appuyer sur une analyse des formations existantes et des besoins des employeurs.

Avant de se spécialiser, il est utile de comprendre le fonctionnement général des modèles de langage, leurs limites, la recherche documentaire augmentée, les principes de qualité des données et la distinction entre une source, une synthèse et une affirmation produite par un modèle.

Il est également important d’apprendre à formuler des besoins, documenter les sources, construire des critères de vérification et travailler avec des experts d’autres disciplines.

La maîtrise d’un outil particulier peut être utile, mais elle ne remplace pas ces capacités durables. Les plateformes évoluent ; la capacité à comprendre un problème, structurer une solution et vérifier un résultat reste transférable.

Prenons un projet étudiant volontairement limité : construire un mini-assistant pédagogique sur les équations du premier degré. Une équipe pourrait sélectionner un petit corpus autorisé, organiser les notions et les exercices, formaliser les méthodes de résolution et créer des scénarios de test.

Un étudiant en pédagogie définirait les objectifs d’apprentissage ; un documentaliste organiserait les sources ; un étudiant en informatique construirait le prototype ; un statisticien contribuerait au protocole d’évaluation. Les rôles pourraient être répartis différemment selon les compétences disponibles.

Le résultat attendu ne serait pas seulement une application qui répond. L’équipe devrait aussi produire un registre des sources, des fiches de connaissances, des critères de validation et un rapport honnête sur les tests réalisés.

Cette démarche permet de constituer un portfolio de réalisations observables. Elle révèle également les compétences qui manquent encore et celles qu’il faut approfondir.

Afficher sur son curriculum vitæ la mention « intelligence artificielle » ou la maîtrise d’un outil de génération ne suffit pas à démontrer une compétence professionnelle.

Un candidat peut montrer un corpus qualifié, une ontologie documentée, un protocole de test, un rapport de contrôle ou un projet construit avec des experts métier. Il doit pouvoir expliquer ses choix, reconnaître les limites de son travail et identifier les corrections nécessaires.

Dans le référentiel de travail, quatre niveaux sont distingués : compréhension, pratique opérationnelle, expertise spécialisée, puis architecture et innovation. Ces niveaux servent à penser la progression ; ils ne constituent pas, à ce stade, un système officiel de certification.

Les établissements d’enseignement peuvent favoriser les projets interdisciplinaires, les études de cas sectorielles et les exercices de formalisation des connaissances. Ils peuvent aussi rapprocher les formations techniques des sciences de l’information, de l’éducation, du droit et des autres disciplines métier.

Les entreprises et administrations peuvent mieux expliciter les compétences attendues dans leurs projets IA. Plutôt que de rechercher uniquement un intitulé de poste, elles peuvent définir les tâches à réaliser : qualifier des sources, structurer des connaissances, valider des règles, tester des réponses ou maintenir un patrimoine.

Les chercheurs peuvent contribuer à évaluer ces méthodes, à étudier leur efficacité et à développer des référentiels adaptés aux besoins des secteurs. La formation et l’emploi gagneraient ainsi à être reliés à des productions vérifiables.

Pour la Côte d’Ivoire, cette lecture invite à regarder autrement les ressources humaines déjà présentes dans les universités, les établissements scolaires, les entreprises, les administrations et les professions spécialisées.

Il ne s’agit pas d’affirmer que toutes les compétences nécessaires sont disponibles, ni d’annoncer des filières ou des programmes qui n’auraient pas été officiellement adoptés. Il s’agit de poser les bonnes questions : quelles compétences existent ? Où sont-elles exercées ? Quelles spécialisations sont nécessaires ? Comment organiser leur coopération ?

Un diagnostic fondé sur les compétences réellement démontrées, les besoins des projets et les capacités des organisations pourrait éclairer les parcours de formation et les partenariats à développer.

Les métiers de l’informatique, des données et des modèles restent indispensables. Mais les applications d’IA utiles à l’éducation, à l’administration, à l’agriculture ou à l’industrie reposent également sur des connaissances métier et sur les professionnels capables de les rendre exploitables.

Pour un étudiant, la question n’est donc pas uniquement : « Dois-je devenir développeur pour travailler dans l’IA ? » Elle est aussi : « Quelle expertise puis-je apporter, et quelles compétences complémentaires dois-je acquérir pour contribuer à un projet d’IA ? »