Les 4 compétences clés de l'ingénierie IA selon Andrew Ng

Andrew Ng, cofondateur de Google Brain et de Coursera, a annoncé la réorientation des programmes de DeepLearning.AI vers l'ingénierie de l'IA (AI Engineering). Cette démarche s'appuie sur une étude approfondie combinant l'analyse de plus de 10 000 offres d'emploi, des dizaines d'entretiens structurés avec des experts du secteur et des enquêtes auprès des recruteurs. L'objectif est de structurer les compétences nécessaires pour concevoir des applications reposant sur les LLM (Large Language Models, grands modèles de langage).

1. La construction et l'évaluation d'applications IA

La première compétence fondamentale repose sur l'assemblage des briques techniques comme le RAG (Retrieval-Augmented Generation, génération augmentée par récupération) et les flux agentiques (agentic workflows, processus autonomes guidés par l'IA). Andrew Ng souligne l'importance d'instaurer des boucles d'évaluation (evals) et d'analyse d'erreurs disciplinées à l'aide de techniques statistiques. Cette rigueur permet de rendre le comportement des systèmes plus prévisible, se rapprochant des flux de travail traditionnels du MLOps (Machine Learning Operations, gestion du cycle de vie des modèles d'apprentissage automatique).

2. Le maintien des fondamentaux du génie logiciel

L'arrivée des assistants ne rend pas les bases du développement obsolètes. Au contraire, la maîtrise de l'architecture logicielle, des bases de données et des tests s'avère indispensable pour identifier les compromis réalisés par les agents. Sans ces fondations, les développeurs risquent de pratiquer le vibe coding (développement guidé par l'intuition sans contrôle technique) et de fournir des contextes inadaptés aux assistants. Les modèles de langage tirent davantage parti de l'expertise des développeurs chevronnés que de celle des débutants.

3. La maîtrise et l'orchestration des agents de code

La troisième compétence réside dans l'utilisation méthodique des agents de code modernes (tels que Cursor, Claude Code, Codex ou Cline). Il s'agit de comprendre leurs limites pour savoir quand intervenir ou les laisser exécuter des tâches.

"L'utilisation efficace du codage agentique est désormais une compétence clé pour chaque développeur. [...] Cela signifie avoir un bon modèle mental de leur fonctionnement, savoir orchestrer plusieurs agents et éviter des pièges comme la corruption d'une base de données de production."

Pour encadrer ces agents, les équipes structurent de plus en plus leurs configurations et leurs outils via des standards comme MCP (Model Context Protocol, protocole d'interconnexion entre modèles et outils). Voici un exemple de configuration JSON définissant le périmètre d'action d'un harnais (harness, structure d'encadrement d'agent) :

{
  "agent_id": "refactor-bot",
  "allowed_tools": ["git_checkout", "run_tests"],
  "limits": {
    "max_tokens": 50000,
    "allow_db_write": false
  }
}

4. La vision produit et la conduite de projet

Enfin, la dernière compétence implique d'intégrer la culture produit et les enjeux métiers. Le développeur doit savoir arbitrer le rythme de développement : créer rapidement un MVP (Minimum Viable Product, produit minimum viable) pour recueillir les retours des utilisateurs, ou ralentir pour concevoir une architecture plus précautionneuse lorsque le système l'exige.