Chercheur en IA · Conçoit et teste les algorithmes derrière l'intelligence artificielle, dans un domaine qui s'efforce désormais d'automatiser une part croissante de son propre processus de recherche.
Plus la case est foncee, plus le score de cet indicateur est eleve.
MoinsPlus
Derniere relecture Sources et creditsCrédits médiasMéthodologie
La plupart des journées sont consacrées à la lecture d'articles récents, à l'écriture et au débogage du code d'entraînement, à l'attente et à l'analyse des résultats d'expériences de longue durée et à la discussion des résultats avec des collaborateurs. Contrairement à l'image populaire, une grande partie du travail consiste à diagnostiquer pourquoi un modèle est moins performant ou pourquoi un résultat ne se reproduit pas, et non à réfléchir à de nouvelles architectures à partir de zéro.
Pour un rôle de recherche indépendant dans une université ou dans un laboratoire industriel de premier plan, effectivement oui : un doctorat reste le véritable diplôme du domaine, puisqu'il n'y a pas d'examen de licence. Les ingénieurs solides sans diplôme entrent de plus en plus dans le cadre de programmes de résidence dans l'industrie ou d'un dossier public de travaux open source et de prépublications citées, mais des titres comme « chercheur » sont toujours fortement orientés vers les titulaires de doctorat.
Certaines parties le sont clairement : les résumés de la littérature, le code d'expérimentation passe-partout et les premières ébauches de sections de travaux connexes sont déjà régulièrement assistés par l'IA, et les laboratoires expérimentent ouvertement des systèmes qui proposent et exécutent leurs propres expériences. Il s’est avéré beaucoup plus difficile de définir ce que signifie réellement un résultat et d’assumer la responsabilité d’une affirmation publiée.
Cela varie énormément selon l'employeur et l'ancienneté. La médiane américaine pour la catégorie plus large des « chercheurs en informatique et en information » était de 140 910 $ en 2024, mais les nouveaux docteurs rejoignant le laboratoire de recherche d'une grande entreprise technologique commencent souvent bien au-dessus, et un petit nombre de chercheurs seniors dans des laboratoires d'IA de pointe se seraient vu proposer des rémunérations globales d'une valeur de sept ou huit chiffres lors du concours d'embauche 2024-2025.
Les frontières se brouillent constamment, mais une distinction grossière s'impose : le résultat d'un chercheur est généralement un article, une nouvelle méthode ou un aperçu des raisons pour lesquelles quelque chose fonctionne, jugé par des pairs ; la production d'un ingénieur est généralement un système fonctionnel en production, jugé selon sa mise en production et sa fiabilité dans des conditions réelles d'utilisation. Beaucoup de gens font les deux au cours de leur carrière.
Python domine, associé à un cadre logiciel d'apprentissage profond : PyTorch est désormais le plus courant dans la recherche, JAX étant populaire pour les travaux à grande échelle et affiliés à Google. Au-delà du code, les chercheurs dépendent de clusters de calcul GPU ou TPU partagés, d'outils de suivi des expériences tels que Weights & Biases et arXiv, où la plupart des nouveaux résultats circulent sous forme de prépublications des mois avant une évaluation formelle par les pairs.
La recherche en IA est la profession la plus directement exposée à ses propres résultats. Les outils qu'elle construit sont désormais délibérément tournés vers le processus de recherche lui-même — résumer des articles, proposer des expériences, rédiger du code d'entraînement — ce qui rend cette section moins hypothétique que dans presque tous les autres profils de ce site.
Cette exposition ne rend pas le travail obsolète, mais elle rend l’argument sur ce qui survit inhabituellement concret : une poignée de laboratoires tentent ouvertement de construire des systèmes qui gèrent l’ensemble de la boucle de recherche, et la réponse honnête, pour l’instant, est qu’ils peuvent en faire une partie, mais pas les parties qui comptent le plus pour juger si un résultat est vrai.
Une part significative du travail de routine d'un chercheur en IA (triage de la littérature, première ébauche de code d'expérimentation, recherche d'hyperparamètres, rédaction d'une section de travail connexe) est déjà relativement rapide pour un système d'IA, et les systèmes de recherche multi-agents construits explicitement pour automatiser une plus grande partie de la boucle sont un projet actif dans plusieurs grands laboratoires. Ce qui n’a pas été automatisé, c’est juger si un résultat est réel, décider quelle question mérite d’être posée et être responsable lorsqu’une affirmation publiée s’avère fausse.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →Distinguer un effet réel du bruit, d'une graine porte-bonheur ou d'un benchmark qui s'infiltre discrètement dans les données d'entraînement nécessite exactement le jugement sceptique que les systèmes automatisés sont les pires capables d'appliquer à leur propre sortie.
Décider qu’un problème spécifique, difficile et sous-exploré mérite des mois de calcul et d’attention d’un laboratoire est un pari fait avec des informations incomplètes – la partie de la recherche la plus éloignée de la correspondance de modèles avec des articles antérieurs.
Quelqu’un doit soutenir un résultat lorsqu’il ne se reproduit pas ou s’avère avoir une base de référence erronée – un modèle ne peut pas tenir la responsabilité professionnelle ou scientifique de ses propres résultats.
Peser les effets sociaux probables d'un système, les risques pour la sécurité ou le potentiel de double usage avant de le publier s'appuie sur des valeurs et un contexte sur lesquels un pipeline de recherche automatisé n'a aucune raison de raisonner par lui-même.
L'intuition pour laquelle un résultat surprenant mérite d'être recherché, développée en regardant des centaines d'expériences réussir et échouer au cours d'une carrière, n'est encore quelque chose qu'aucun système n'a démontré au niveau d'un chercheur senior.
Compte tenu des dizaines de milliers de nouveaux prépublications chaque année, les outils qui résument et classent les articles par pertinence sont déjà utilisés régulièrement dans le domaine.
Connecter une boucle de formation standard, un chargeur de données ou un script d'évaluation est désormais souvent plus rapide à générer et à vérifier qu'à écrire à partir de zéro.
Les systèmes de réglage automatisés peuvent rechercher un espace de paramètres de manière beaucoup plus exhaustive et à moindre coût qu'un chercheur essayant manuellement les configurations une par une.
Une première tentative de synthèse de travaux antérieurs pertinents pour un nouvel article est de plus en plus assistée par l'IA, bien que le cadrage spécifique et la comparaison honnête nécessitent toujours la vérification d'un chercheur.
Une part croissante du temps d'un chercheur est consacrée à spécifier ce qu'un système automatisé devrait essayer et à juger de ses résultats, plutôt que d'écrire et d'exécuter chaque expérience personnellement.
Comme le prédit la « leçon amère » du domaine, l’accès au calcul à grande échelle détermine de plus en plus quels laboratoires peuvent même tester une idée donnée, concentrant la recherche de pointe au sein d’un petit nombre d’organisations bien financées.
Alors que les outils assistés par l’IA facilitent la production rapide d’un résultat d’apparence plausible, la vérification rigoureuse de ce résultat devient une spécialité de plus en plus valorisée et dotée d’un personnel plus distinct au sein des groupes de recherche.
Les systèmes conçus pour proposer des hypothèses, mener des expériences et rédiger des articles avec une surveillance humaine limitée – des projets tels que « AI Scientist » de Sakana AI (2024) et « AI co-scientist » de Google DeepMind (2025) – sont eux-mêmes désormais un domaine de publication actif.
Étudie comment permettre à des systèmes de plus en plus performants de faire de manière fiable ce que leurs concepteurs souhaitent, une spécialité qui existait à peine en tant que cheminement de carrière distinct avant les années 2010.
Construit et maintient la formation distribuée et de l'infrastructure de calcul dépendent désormais autant de toute idée algorithmique individuelle.
Travaille à la frontière entre la recherche technique et la politique gouvernementale ou d'entreprise, traduisant ce que les systèmes d'un laboratoire peuvent et ne peuvent pas faire en règles ou en garanties.
Teste délibérément les modèles et les résultats de recherche générés par l’IA pour détecter les modes de défaillance, les failles de sécurité et les fausses déclarations avant qu’ils n’atteignent la production ou la publication.
Trois lentilles reversibles: augmenter, remplacer une tranche, ou ouvrir une niche. Pedagogique, pas une prevision.
Le role reste; l IA accelere brouillons ou recherche; le jugement reste humain.
Un paquet etroit de taches peut se comprimer d abord tandis que le craft adjacent croit.
Supervision et integration peuvent apparaitre la ou la sortie IA doit etre fiable.
La demande de talents en recherche en IA va très probablement rester forte au cours de la prochaine décennie, mais la version d'entrée de gamme du poste est déjà en train de changer : moins de rôles existeront uniquement pour mener des expériences de routine à la main, et davantage s'attendront à ce qu'un nouveau chercheur dirige, remette en question et vérifie le travail d'un pipeline assisté par l'IA produit presque immédiatement.
L’avantage le plus évident à long terme reviendra aux chercheurs capables de formuler une question véritablement nouvelle, de repérer quand un résultat apparemment plausible est discrètement faux et d’assumer la responsabilité d’une affirmation en public – le même jugement dont le domaine a toujours eu besoin, maintenant appliqué à un processus de recherche qui rédige de plus en plus sa propre première ébauche.
Voisins les plus proches sur le profil à six scores — pas seulement le même champ.
Conçoit et fabrique les transistors à l'intérieur de chaque ordinateur, téléphone et système d'armes, avec des machines si précises que seules quelques usines sur Terre peuvent les faire tourner.
AI-resistant 60 📦Construit les systèmes qui entraînent, déploient, surveillent et gouvernent les modèles d'apprentissage automatique en production.
AI-resistant 54 🩺Diagnostique la maladie et gère la santé pendant des années par l'examen et la preuve, non par une seule opération — le généraliste de la médecine et son guide de long terme.
AI-resistant 67 🧠Diagnostique et traite les maladies mentales par médicaments et psychothérapie, l'une des rares spécialités médicales dotée du pouvoir légal d'interner un patient en crise.
AI-resistant 73 👔Conseille les clients, rédige les documents qui les lient et défend leur cause lorsqu'elle est portée devant le tribunal, engageant ainsi sa responsabilité juridique personnelle si le conseil est erroné.
AI-resistant 58 🔐Protège les systèmes, les données et les personnes en trouvant, prévenant et répondant aux attaques numériques.
AI-resistant 63Écrit, teste et maintient le code qui gère la vie moderne – et est l’une des premières professions à voir l’IA automatiser son propre travail quotidien.
AI-resistant 35 🛰️Conçoit, analyse et certifie les avions, les fusées et les engins spatiaux qui quittent le sol, en respectant des marges de sécurité qui ne laissent aucune place aux suppositions.
AI-resistant 74 🌉Le métier qui transforme les rivières, les roches et la gravité en ponts, en routes et en eau potable – le métier tranquille et porteur de la civilisation depuis Imhotep.
AI-resistant 72 🔌Conçoit et fabrique les transistors à l'intérieur de chaque ordinateur, téléphone et système d'armes, avec des machines si précises que seules quelques usines sur Terre peuvent les faire tourner.
AI-resistant 60 🦾Conçoit les machines qui perçoivent, décident et agissent dans le monde physique — où le vrai défi n'a jamais été l'intelligence, mais le monde lui-même.
AI-resistant 65 🔐Protège les systèmes, les données et les personnes en trouvant, prévenant et répondant aux attaques numériques.
AI-resistant 63 📦Construit les systèmes qui entraînent, déploient, surveillent et gouvernent les modèles d'apprentissage automatique en production.
AI-resistant 54 🌬️Conçoit, construit et améliore les systèmes éoliens, solaires, de stockage et de réseau qui transforment les ressources renouvelables en électricité fiable.
AI-resistant 72