Depuis l’arrivée des grands modèles de langage dans les outils du quotidien, les mentions « IA générative », « LLM » ou « prompt engineering » se multiplient sur les CV de développeurs, de data scientists et de chefs de produit. Pour un CTO qui recrute, elles peuvent signaler une compétence rare et recherchée, ou au contraire une ligne ajoutée pour suivre la tendance. La différence tient à ce qu’il y a derrière le mot. Cet article distingue quatre niveaux de compétence, montre ce qu’un responsable technique veut lire, propose des formulations pour un projet d’intégration ou de RAG, et liste celles qui décrédibilisent.
Quatre niveaux de compétence derrière « IA générative »
Le même mot recouvre des pratiques qui n’ont presque rien en commun. Les distinguer est la première étape d’un CV crédible.
- Utiliser un assistant de code ou de rédaction. Vous travaillez avec un assistant intégré à votre éditeur ou avec un agent conversationnel pour écrire, relire ou documenter du code. C’est aujourd’hui un usage courant, comparable à la maîtrise d’un bon environnement de développement. Il ne constitue pas une compétence à part entière sur un CV, sauf si vous avez organisé son adoption dans une équipe.
- Intégrer une API de modèle de langage dans un produit. Vous appelez un modèle hébergé par un fournisseur pour résumer, classer, extraire ou générer du texte dans une fonctionnalité réelle. Les difficultés sont celles d’un logiciel en production : coûts, latence, gestion des erreurs, formats de sortie, sécurité des données envoyées.
- Construire un système de génération augmentée par la recherche (RAG) ou un agent. Vous combinez un modèle avec une base de connaissances (découpage des documents, vectorisation, recherche, reclassement) ou avec des outils qu’il peut appeler. Le cœur du travail devient l’évaluation de la qualité des réponses et la maîtrise des cas d’échec.
- Entraîner, affiner ou servir des modèles. Vous adaptez un modèle à un domaine (affinage, distillation), l’hébergez vous-même, optimisez son inférence. C’est le terrain des ingénieurs machine learning et des équipes de recherche appliquée.
Chaque niveau a sa place sur un CV, à condition d’être nommé correctement. Un développeur backend qui a intégré une API de modèle de langage dans un produit a une compétence réelle et valorisée ; il n’a pas besoin de laisser croire qu’il entraîne des modèles.
Ce qu’un CTO veut lire
Un responsable technique qui lit une ligne sur l’IA générative cherche à répondre à trois questions.
Le système est-il en production ? Un prototype de démonstration et une fonctionnalité utilisée par des clients ne demandent pas les mêmes compétences. Dites lequel des deux vous avez construit, et pour qui.
Comment savez-vous que ça marche ? C’est la question centrale. Les sorties d’un modèle de langage ne sont pas déterministes ; une équipe sérieuse construit un jeu de cas de test, mesure la qualité des réponses, surveille les dérives. Un candidat qui peut expliquer sa méthode d’évaluation se distingue immédiatement.
Avez-vous géré les contraintes du réel ? Coûts par requête, latence, limites de débit, confidentialité des données, hallucinations, injections de consignes malveillantes. Le top 10 de l’OWASP pour les applications de modèles de langage 🔗 recense les principaux risques de sécurité, et la CNIL publie des ressources sur l’intelligence artificielle 🔗 et la protection des données. En Europe, le règlement sur l’intelligence artificielle 🔗 ajoute des obligations selon le niveau de risque des systèmes. Mentionner une contrainte que vous avez traitée vaut mieux que dix noms de modèles.
En somme, le CTO veut lire une expérience d’ingénieur, pas un enthousiasme.
Décrire un projet RAG ou une intégration de LLM
Une bonne puce suit la même logique que pour n’importe quelle fonctionnalité : le problème, la solution, la façon de mesurer le résultat. Elle ajoute les spécificités de l’IA générative : l’évaluation et les garde-fous.
Une intégration d’API dans un produit
Avant : « Intégration de ChatGPT dans l’application. »
Après : « Ajout d’une fonction de résumé automatique des tickets de support dans le back-office (API d’un modèle de langage hébergé, Node.js) : sortie structurée validée par un schéma, repli sur le texte brut en cas d’erreur, coût par ticket suivi dans le tableau de bord de l’équipe. »
La seconde version ne nomme pas forcément le fournisseur, mais elle montre la fonctionnalité, la stack, la gestion des erreurs et le suivi des coûts. Ce sont exactement les sujets qu’un lead voudra creuser.
Un système RAG
Avant : « Développement d’un chatbot avec RAG et LangChain. »
Après : « Conception d’un assistant de recherche dans la documentation interne pour l’équipe support (RAG : découpage des documents, recherche hybride plein texte et vectorielle dans PostgreSQL, reclassement) ; jeu d’évaluation de deux cents questions réelles annotées par l’équipe, utilisé à chaque modification du découpage ou du modèle. »
Ici, la valeur est dans l’évaluation : un jeu de questions annotées, rejoué à chaque changement. C’est ce qui distingue un système maintenu d’une démonstration. Le modèle de CV d’ingénieur machine learning montre la même logique appliquée à des modèles de vision : service, latence, surveillance de la dérive.
Dans la rubrique compétences, regroupez ces éléments dans une ligne dédiée, comme l’explique notre article sur la présentation de la stack technique : « IA générative : intégration d’API de modèles de langage, RAG, évaluation des réponses, recherche vectorielle (pgvector) ».
Le sujet déborde d’ailleurs largement des équipes produit : les cabinets de conseil recrutent aussi des profils capables de cadrer et de déployer ces cas d’usage chez leurs clients, avec un CV construit autrement. Le CV d’un consultant data et IA en cabinet 🔗 montre comment ces projets se présentent quand le livrable est une mission plutôt qu’un produit.
Les formulations qui décrédibilisent
Certaines lignes font sourire les responsables techniques, et peuvent coûter un entretien.
- « Expert en IA générative » sans projet en production : le mot « expert » appelle la question la plus difficile, et le recul manque encore à presque tout le monde sur ces technologies.
- « Prompt engineer » comme intitulé principal d’un développeur : l’écriture de consignes est une partie du travail, pas un métier à elle seule dans la plupart des équipes.
- Une liste de noms de modèles et de bibliothèques sans fonctionnalité derrière : elle vieillit en quelques mois et ne dit rien de vos compétences.
- « Maîtrise de ChatGPT » dans les compétences : c’est l’équivalent de « maîtrise d’Internet ».
- Des gains de productivité invérifiables (« productivité multipliée par trois grâce à l’IA ») : sans méthode de mesure, ils inquiètent plus qu’ils ne rassurent.
- Un projet de démonstration présenté comme un produit : un lead posera des questions sur les utilisateurs, les coûts et les incidents, et la différence apparaîtra vite.
La règle générale : décrivez ce que vous avez construit et comment vous l’avez vérifié, et laissez le vocabulaire à la mode aux offres d’emploi.
Se former sans attendre un poste
Il est possible d’acquérir une expérience crédible avant qu’un employeur ne vous confie un projet d’IA générative.
- Construisez un petit système complet sur un corpus que vous connaissez : la documentation d’un logiciel open source, des textes publics, vos propres notes. Ajoutez un jeu d’évaluation, même modeste, et documentez vos résultats dans le README.
- Ajoutez une fonction utile à un projet existant : classification de messages, extraction de champs depuis des documents, résumé. Traitez sérieusement les erreurs, les coûts et la confidentialité.
- Lisez la documentation des fournisseurs sur les sorties structurées, l’appel d’outils et l’évaluation, et les recommandations de sécurité de l’OWASP.
- Contribuez à un projet open source d’outillage, d’évaluation ou de recherche vectorielle.
Publiez le résultat sur GitHub avec un README clair, comme le détaille notre article sur le lien GitHub dans un CV. Un petit projet évalué vaut davantage qu’un certificat de formation en ligne sans réalisation.
Le contenu fait le tri entre signal fort et mot à la mode ; la forme doit seulement ne pas le gâcher. L’éditeur de TechCV garde vos lignes de compétences et vos puces en texte lisible, que les logiciels de recrutement extraient correctement, et vous aide à reformuler une expérience sans perdre ses détails techniques. Vous pouvez retravailler votre CV en partant du modèle d’ingénieur machine learning ou de votre CV actuel.
Questions fréquentes
Faut-il mentionner l’usage d’un assistant de code sur son CV ?
En général, non, ou en une ligne dans les pratiques. C’est devenu un outil courant. Il mérite une mention plus visible si vous avez organisé son déploiement dans une équipe, défini des règles d’usage ou mesuré son effet sur la qualité du code.
Un développeur sans formation en machine learning peut-il viser des postes en IA générative ?
Oui, pour les postes d’intégration et de construction de systèmes RAG, qui relèvent largement de l’ingénierie logicielle. Les postes d’entraînement et d’affinage de modèles demandent en revanche une formation solide en apprentissage automatique.
Faut-il citer le nom des modèles utilisés ?
Vous pouvez citer la famille de modèles ou le fournisseur si l’offre le mentionne, mais l’essentiel est ailleurs : la fonctionnalité, l’évaluation, les contraintes traitées. Les modèles changent vite, vos compétences d’ingénieur restent.
Comment parler d’un projet confidentiel ?
Décrivez le type de problème, l’architecture et la méthode d’évaluation sans révéler les données ni le client. C’est la même règle que pour tout projet professionnel, et les recruteurs la connaissent.