Guide · Évaluation
Recruter un profil Data ou IA : les compétences à évaluer
Python, SQL, cloud, machine learning, LLM, MLOps… Les compétences techniques comptent. Mais elles ne suffisent pas à déterminer si un candidat saura résoudre les problèmes auxquels l’entreprise est réellement confrontée.
Évaluer un profil Data ou IA consiste aussi à comprendre son niveau d’autonomie, sa capacité à mettre en production, à travailler avec les métiers, à arbitrer et à produire un impact mesurable.
Ce guide propose une grille de lecture en cinq dimensions.
Guide pratique · Temps de lecture : environ 12 min · Mis à jour en septembre 2026
Le principe
Un bon profil n’est pas une liste de technologies.
Deux candidats peuvent connaître les mêmes outils et avoir des niveaux très différents. L’un peut avoir principalement exécuté des tâches dans un environnement déjà structuré. L’autre peut avoir défini l’approche, arbitré les choix, résolu les difficultés, mis la solution en production et mesuré son impact.
Sur un CV, ces différences sont parfois difficiles à voir. En entretien, elles doivent devenir visibles.
La question n’est pas seulement :
« Est-ce que cette personne connaît cette technologie ? »
Mais :
« Dans quel contexte l’a-t-elle utilisée, avec quel niveau de responsabilité et pour produire quel résultat ? »
Le fil conducteur
Connaissances
Mise en pratique
Autonomie
Décisions
Impact
Framework
Les 5 dimensions à évaluer chez un profil Data ou IA
Cette grille est un cadre éditorial MÉTIERS. Elle sert à structurer une évaluation à partir des capacités attendues et de preuves observables, sans produire de note.
Expertise
Sait-il réellement faire ce que le poste exige ?
Évaluer
- Maîtrise des concepts fondamentaux
- Profondeur technique
- Compréhension des outils
- Capacité à expliquer ses choix
- Connaissance des limites des technologies utilisées
- Capacité à apprendre de nouveaux environnements
Question révélatrice
« Pourquoi avez-vous choisi cette approche plutôt qu’une autre ? »
Ce que l’on cherche
Comprendre si le candidat maîtrise les principes derrière les outils et pas seulement leur utilisation.
Delivery
Est-il capable de transformer son expertise en solution réellement utilisable ?
Évaluer
- Capacité à passer de l’idée à l’exécution
- Gestion des contraintes réelles
- Industrialisation
- Qualité, tests, fiabilité
- Maintenance et gestion des incidents
- Capacité à terminer et à faire fonctionner
Question révélatrice
« Qu’est-ce qui a été le plus difficile entre le prototype et la mise en production ? »
Ce que l’on cherche
Distinguer l’expérience de démonstration de l’expérience réelle de production.
Business
Comprend-il pourquoi ce qu’il construit doit exister ?
Évaluer
- Compréhension du problème
- Capacité à challenger une demande
- Connaissance des utilisateurs
- Priorisation
- Arbitrage valeur / complexité
- Capacité à traduire un besoin métier en problème Data ou IA
Question révélatrice
« Comment avez-vous déterminé que ce projet méritait d’être réalisé ? »
Ce que l’on cherche
Vérifier que le candidat ne considère pas la technologie comme une finalité.
Collaboration
Peut-il travailler avec des personnes qui ne parlent pas son langage ?
Évaluer
- Communication et pédagogie
- Travail avec les métiers
- Collaboration avec Product, Engineering, Data, Security ou Legal
- Capacité à gérer les désaccords
- Capacité à expliciter les arbitrages
Question révélatrice
« Racontez-moi une situation où un interlocuteur métier n’était pas d’accord avec votre recommandation. »
Ce que l’on cherche
Comprendre comment le candidat agit lorsque expertise technique et contraintes organisationnelles se rencontrent.
Impact
Sait-il relier son travail à un résultat ?
Évaluer
- Définition des critères de succès
- Mesure et adoption
- Performance
- Amélioration d’un processus
- Création de valeur
- Apprentissage lorsque le résultat attendu n’est pas atteint
Question révélatrice
« Comment saviez-vous que votre projet avait réussi ? »
Ce que l’on cherche
Faire sortir le candidat de la description de ses tâches pour comprendre les conséquences de son travail.
Avant l’entretien
Avant d’évaluer un candidat, définir ce que le poste doit réellement accomplir
Une évaluation n’est pertinente que si le niveau attendu est clair.
Avant de construire les entretiens, définir :
- 01Les problèmes que la personne devra résoudre
- 02Les responsabilités qu’elle portera
- 03Les décisions qu’elle devra prendre
- 04Les interlocuteurs avec lesquels elle travaillera
- 05Ce qu’elle devra produire dans les 6 à 12 premiers mois
- 06Ce qui existe déjà dans l’organisation
- 07Ce qu’elle devra construire elle-même
Mauvaise définition
« Nous cherchons un Data Engineer senior avec 7 ans d’expérience, Python, SQL, Spark, AWS. »
Bonne définition
« Nous cherchons une personne capable de reprendre une architecture Data existante, fiabiliser les pipelines critiques, définir les standards d’équipe et accompagner deux profils moins expérimentés. »
L’ancienneté est un indice. Le périmètre réel est une information.
Séniorité
Junior, confirmé, senior : regarder l’autonomie avant le nombre d’années
Cette progression est une grille éditoriale MÉTIERS, et non une classification universelle. Les intitulés et les niveaux varient selon les organisations.
Niveau 1
Exécuter
La personne peut réaliser une tâche définie dans un cadre connu.
Elle a besoin de
- Un problème cadré
- Des standards existants
- Un accompagnement régulier
Question
« Que faisiez-vous personnellement dans ce projet ? »
Niveau 2
Résoudre
La personne peut prendre en charge un problème et déterminer comment le résoudre.
Elle sait
- Choisir une approche
- Identifier des difficultés
- Proposer des solutions
- Avancer avec une autonomie croissante
Question
« Quelles décisions avez-vous prises sans validation de votre manager ? »
Niveau 3
Arbitrer
La personne peut traiter des problèmes ambigus et faire des compromis.
Elle sait
- Arbitrer plusieurs options
- Gérer des contraintes contradictoires
- Anticiper les conséquences
- Challenger une demande
- Expliquer ses décisions
Question
« Quel compromis difficile avez-vous dû faire et pourquoi ? »
Niveau 4
Structurer
La personne améliore la capacité de l’organisation au-delà de son propre travail.
Elle peut
- Définir des standards
- Structurer une architecture ou une pratique
- Faire progresser d’autres personnes
- Influencer une roadmap
- Coordonner plusieurs parties prenantes
Question
« Qu’est-ce qui continuait à mieux fonctionner après votre départ du projet ? »
Un profil senior ne fait pas seulement des choses plus complexes. Il permet aussi à l’organisation de mieux les faire.
Entretien
Ne demandez pas au candidat s’il sait faire. Demandez-lui de le démontrer.
- 01
Affirmation
- 02
Exemple
- 03
Décision
- 04
Résultat
- 05
Apprentissage
Candidat
« J’ai mis en production plusieurs modèles. »
Ne pas s’arrêter là
« Prenons-en un précisément. »
Puis
- Quel était le problème ?
- Quel était votre rôle personnel ?
- Quelle architecture avez-vous choisie ?
- Quelles alternatives avez-vous écartées ?
- Quel problème est apparu en production ?
- Comment l’avez-vous détecté ?
- Comment l’avez-vous corrigé ?
- Comment mesuriez-vous la performance ?
- Qu’auriez-vous fait différemment aujourd’hui ?
Plus la réponse reste générale, plus il faut revenir au réel.
Grille d’entretien
Les questions qui permettent de différencier les profils
Data Engineer
- 1Décrivez un pipeline dont vous étiez directement responsable.
- 2Comment avez-vous géré la qualité et les incidents ?
- 3Quels choix d’architecture avez-vous faits ?
- 4Comment avez-vous arbitré performance, coût et maintenabilité ?
- 5Comment les utilisateurs consommaient-ils les données produites ?
À observer
- Architecture
- Fiabilité
- Qualité
- Ownership
- Coût
- Production
Data Scientist
- 1Quel problème cherchiez-vous à résoudre ?
- 2Pourquoi avez-vous choisi cette méthode ?
- 3Comment avez-vous évalué le modèle ?
- 4Qu’est-il devenu après votre expérimentation ?
- 5Quel impact réel le modèle a-t-il eu ?
À observer
- Raisonnement
- Statistiques
- Modélisation
- Évaluation
- Compréhension métier
- Impact
AI Engineer
- 1Décrivez une application IA que vous avez réellement mise entre les mains d’utilisateurs.
- 2Comment avez-vous choisi le modèle ou les composants utilisés ?
- 3Comment évaluiez-vous les réponses du système ?
- 4Comment gériez-vous les erreurs ou comportements inattendus ?
- 5Quels compromis avez-vous faits entre qualité, latence et coût ?
À observer
- Software engineering
- Architecture
- Évaluation
- LLM / modèles
- Production
- Coûts
Machine Learning Engineer
- 1Comment un modèle passait-il de l’expérimentation à la production ?
- 2Comment gériez-vous les versions ?
- 3Que monitoriez-vous ?
- 4Comment détectiez-vous une dégradation ?
- 5Qui intervenait lorsqu’un problème apparaissait ?
À observer
- Industrialisation
- Pipelines ML
- Monitoring
- Infrastructure
- Reliability
- Ownership
Data / GenAI Product Manager
- 1Comment avez-vous choisi les cas d’usage à prioriser ?
- 2Quel problème utilisateur cherchiez-vous à résoudre ?
- 3Comment mesuriez-vous la valeur créée ?
- 4Quel projet avez-vous décidé de ne pas lancer ou d’arrêter ?
- 5Comment arbitriez-vous entre possibilités techniques et besoins utilisateurs ?
À observer
- Discovery
- Priorisation
- Usage
- Mesure
- Arbitrage
- Impact
Leadership
Un Head of Data ou un Chief AI Officer ne s’évalue pas comme un expert individuel
Plus le rôle devient senior, moins l’évaluation doit porter uniquement sur ce que la personne sait produire elle-même.
Pour les fonctions de management et de direction, évaluer également :
- Capacité à construire une organisation
- Recrutement et développement des équipes
- Priorisation
- Arbitrage budgétaire
- Gouvernance
- Relation avec les dirigeants
- Capacité à faire travailler Technologie et métiers ensemble
- Transformation
- Capacité à dire non
- Mesure de la valeur créée
Head of Data / Head of AI
Question centrale
« Comment faites-vous fonctionner une organisation experte ? »
- Quelle équipe avez-vous réellement construite ?
- Quels rôles avez-vous choisi de recruter en premier ?
- Comment priorisiez-vous les demandes ?
- Comment mesuriez-vous la performance de l’équipe ?
- Quelle décision impopulaire avez-vous dû prendre ?
CDO / Chief AI Officer
Question centrale
« Comment transformez-vous une expertise en capacité stratégique d’entreprise ? »
- Quel problème stratégique deviez-vous résoudre ?
- Comment avez-vous obtenu l’adhésion du COMEX ?
- Quels investissements avez-vous priorisés ?
- Quelle gouvernance avez-vous mise en place ?
- Comment avez-vous mesuré la valeur créée ?
- Qu’avez-vous décidé de ne pas faire ?
Évaluation technique
Faut-il faire passer un test technique ?
Oui, lorsqu’il mesure ce que le poste exige réellement.
Un exercice technique peut être utile pour observer le raisonnement, les fondamentaux et la manière de résoudre un problème.
Mais un test artificiellement complexe ou très éloigné du quotidien du poste risque de mesurer autre chose que la capacité du candidat à réussir dans la fonction.
Utile
- Cas proche du contexte réel
- Problème ouvert
- Discussion des choix
- Possibilité de poser des questions
- Plusieurs solutions acceptables
- Débrief avec un expert
- Évaluation du raisonnement
À éviter
- Énigme sans rapport avec le poste
- Mémorisation d’une syntaxe
- Exercice excessivement long
- Pièges techniques
- Recherche d’une seule « bonne » réponse
- Évaluation sans critères définis
Pour certains profils expérimentés, discuter en profondeur d’un projet réellement réalisé peut fournir davantage d’informations qu’un exercice standardisé. Cela dépend du poste et du contexte : ce n’est pas une règle absolue.
IA générative
Faut-il autoriser ChatGPT, Copilot ou d’autres outils pendant un exercice ?
Cela dépend de ce que l’on cherche à mesurer.
Si l’objectif est d’évaluer des fondamentaux
Il peut être pertinent de limiter certains outils afin d’observer les connaissances et le raisonnement propres au candidat.
Si l’objectif est d’évaluer sa manière de travailler
Autoriser les outils IA peut au contraire permettre d’observer :
- Comment il formule un problème
- Comment il utilise l’outil
- Comment il vérifie le résultat
- Comment il détecte une erreur
- Comment il améliore une proposition
- Ce qu’il choisit de ne pas déléguer
En 2026, savoir utiliser l’IA ne remplace pas les fondamentaux. Mais ignorer la manière dont un candidat l’utilise peut aussi donner une image incomplète de sa façon de travailler.
Signaux
Ce qu’une bonne réponse permet d’observer
Signaux positifs
Le candidat :
- Distingue clairement ce qu’il a fait personnellement
- Explique pourquoi une décision a été prise
- Parle des alternatives envisagées
- Connaît les limites de son approche
- Peut parler d’un échec
- Quantifie lorsque c’est pertinent
- Relie la technologie à un usage
- Explique les compromis
- Adapte son niveau de langage
- Sait dire « je ne sais pas »
Points à creuser
Le candidat :
- Reste constamment au niveau du « nous »
- Récite les technologies utilisées sans expliquer pourquoi
- Ne peut pas décrire de difficultés
- Présente tous ses projets comme des succès
- Ne connaît pas le devenir du projet
- Confond activité et résultat
- Ne peut pas expliquer simplement un sujet complexe
- Attribue systématiquement les problèmes aux autres équipes
Un signal n’est pas une conclusion. C’est une invitation à poser une question supplémentaire.
Outil
Une grille simple pour comparer les candidats
Expertise
Ce que nous attendons
Preuve observée
Niveau requis
Commentaire
Delivery
Ce que nous attendons
Preuve observée
Niveau requis
Commentaire
Business
Ce que nous attendons
Preuve observée
Niveau requis
Commentaire
Collaboration
Ce que nous attendons
Preuve observée
Niveau requis
Commentaire
Impact
Ce que nous attendons
Preuve observée
Niveau requis
Commentaire
Cette grille n’attribue aucune note automatique. Elle sert à structurer la discussion entre évaluateurs à partir d’observations comparables.
Ressource pratique
Utiliser la scorecard d’entretien
Préparez vos critères, consignez les preuves observées et imprimez une grille commune.
Avant les entretiens
Définir pour chaque dimension :
- Ce qui est indispensable
- Ce qui est souhaitable
- Ce qui peut être appris
- Le niveau attendu
Poste : AI Engineer
Expertise
Attendu : Comprendre les architectures LLM et les patterns d’intégration.
Delivery
Attendu : Avoir déjà mis une application en production.
Business
Attendu : Savoir challenger un cas d’usage.
Collaboration
Attendu : Travailler avec Product et Software Engineering.
Impact
Attendu : Mesurer qualité, usage et coût.
Exemple illustratif · À adapter au contexte du poste
Biais
6 raccourcis qui peuvent fausser l’évaluation
01
Le prestige
Confondre la réputation d’une entreprise ou d’une école avec le niveau réel de responsabilité du candidat.
02
Les années
Considérer automatiquement qu’un candidat avec davantage d’ancienneté possède davantage d’autonomie.
03
La stack
Survaloriser la correspondance exacte entre les technologies du CV et celles de l’entreprise.
04
Le jargon
Confondre aisance à employer le vocabulaire technique et profondeur d’expertise.
05
Le test
Faire d’une performance dans un exercice unique la mesure complète du candidat.
06
Le feeling
Transformer une impression générale en décision sans revenir à des critères définis à l’avance.
Une évaluation structurée ne supprime pas le jugement. Elle oblige à expliquer sur quoi il repose.
Checklist
Avant de prendre une décision
- 01Avons-nous défini les capacités réellement nécessaires au poste ?
- 02Avons-nous évalué tous les candidats sur les mêmes dimensions principales ?
- 03Avons-nous identifié précisément ce que le candidat a réalisé lui-même ?
- 04Avons-nous obtenu au moins un exemple concret par compétence critique ?
- 05Avons-nous compris son niveau d’autonomie ?
- 06Avons-nous parlé d’un projet qui n’a pas fonctionné comme prévu ?
- 07Avons-nous évalué sa capacité à expliquer ses choix ?
- 08Avons-nous distingué expertise technique et impact ?
- 09Avons-nous testé sa compréhension du contexte métier ?
- 10Les évaluateurs peuvent-ils justifier leur avis par des observations concrètes ?
Remplacer
« Je l’ai trouvé très bon. »
Par
« Voici ce que nous avons observé. »
À retenir
Évaluer un profil Data ou IA en 5 principes
01
Définir le problème et le niveau attendu avant l’entretien.
02
Évaluer l’expertise à travers des situations réellement vécues.
03
Mesurer l’autonomie et la capacité d’arbitrage, pas seulement l’ancienneté.
04
Observer la capacité à transformer la technique en usage et en impact.
05
Prendre la décision à partir de preuves comparables plutôt que d’une impression générale.
À utiliser en entretien
La grille des 10 questions
- 01Quel problème deviez-vous résoudre ?
- 02Quel était précisément votre rôle ?
- 03Quelle décision importante avez-vous prise ?
- 04Quelles autres options avez-vous envisagées ?
- 05Quelle difficulté n’aviez-vous pas anticipée ?
- 06Comment avez-vous mesuré la qualité de votre solution ?
- 07Le projet est-il arrivé en production ?
- 08Quel résultat a-t-il produit ?
- 09Qu’auriez-vous fait différemment aujourd’hui ?
- 10Qu’avez-vous personnellement appris ?
Ces questions ne remplacent pas une évaluation technique. Elles permettent de comprendre ce qui se cache derrière une ligne de CV.
Adapter l’évaluation au métier
Chaque fonction exige une combinaison différente de compétences
Data · Stratégie & gouvernance
Chief Data Officer
Voir la fiche métierData · Management
Head of Data
Voir la fiche métierData · Analyse & modélisation
Data Scientist
Voir la fiche métierData · Infrastructure
Data Engineer
Voir la fiche métierData · Produit & usages
Data Product Manager
Voir la fiche métierIA · Stratégie & transformation
Chief AI Officer
Voir la fiche métierIA · Leadership & delivery
Head of AI
Voir la fiche métierIA · Applications & systèmes
AI Engineer
Voir la fiche métierIA · Industrialisation
Machine Learning Engineer
Voir la fiche métierIA · Produit & usages
GenAI Product Manager
Fiche à venirLes repères de rémunération complètent utilement la préparation d’un recrutement.
Salaires Data & IA en 2026Questions fréquentes sur l’évaluation des profils Data & IA
Comment évaluer un profil Data ou IA quand on n’est pas expert technique ?
Commencez par évaluer le contexte, les responsabilités, les décisions et les résultats obtenus. L’expertise technique approfondie peut ensuite être évaluée par un interlocuteur spécialiste, mais un non-technicien peut déjà mesurer l’autonomie, la compréhension du problème, la capacité d’explication et l’impact.
Comment vérifier le niveau technique d’un candidat ?
Combinez plusieurs éléments : discussion approfondie de réalisations passées, questions sur les choix et compromis, exercice technique lorsqu’il est pertinent et échange avec un expert du domaine.
Faut-il faire passer un test technique ?
Un test peut être utile s’il reproduit suffisamment les compétences réellement nécessaires au poste. Il doit permettre d’observer le raisonnement et les choix plutôt que chercher uniquement une réponse prédéterminée.
Comment reconnaître un profil senior ?
L’ancienneté seule ne suffit pas. Un profil senior se distingue généralement par son autonomie, sa capacité à arbitrer des situations ambiguës, à anticiper les conséquences de ses décisions et à améliorer le fonctionnement collectif.
Quelles soft skills évaluer chez un Data Scientist ou un AI Engineer ?
La communication, la pédagogie, la collaboration et la compréhension du contexte sont importantes, mais il est préférable de les observer dans des situations concrètes plutôt que de demander au candidat de s’autoévaluer.
Comment évaluer l’impact d’un candidat ?
Demandez quels critères de succès avaient été définis, ce qui a réellement changé après le projet, comment ce changement a été mesuré et quelle était la contribution personnelle du candidat.
Peut-on autoriser l’IA pendant un test technique ?
Oui si l’objectif est d’observer une manière de travailler proche des conditions réelles. Si l’on souhaite vérifier certains fondamentaux sans assistance, l’usage peut être limité sur une partie de l’exercice. L’important est de définir à l’avance ce que l’on cherche à mesurer.
Comment comparer deux candidats issus d’environnements très différents ?
Comparez-les sur les capacités requises pour le poste plutôt que sur la similarité de leurs parcours. Une scorecard commune permet de distinguer le contexte dans lequel chacun a travaillé du niveau de compétence démontré.
Quelle différence entre évaluer un expert et un manager Data ou IA ?
L’expert est davantage évalué sur sa capacité à résoudre et industrialiser des problèmes dans son domaine. Pour un manager ou un dirigeant, il faut également évaluer la construction d’équipe, la priorisation, la gouvernance, l’influence et la capacité à produire des résultats à travers d’autres personnes.
Quels sont les principaux biais à éviter ?
Le prestige du parcours, le nombre d’années d’expérience, la correspondance exacte de la stack technique et le ressenti personnel peuvent influencer excessivement une décision. Des critères définis avant l’entretien permettent de mieux structurer l’évaluation.
Sources & méthodologie
Ce guide propose un framework éditorial d’évaluation.
Les cinq dimensions Expertise / Delivery / Business / Collaboration / Impact ne constituent pas une norme officielle. Elles servent à structurer une évaluation à partir des capacités attendues et de preuves observables.
Pour les principes généraux de recrutement structuré et d’évaluation, ce guide renvoie vers des sources institutionnelles ou de référence, sans leur attribuer ce cadre éditorial.
Sources principales
Apec
Ressources sur le recrutement des cadres, les compétences et les métiers Data & IA
France Travail
Fiches et ressources sur les métiers Data et IA et l’évaluation des compétences
NIST
AI Risk Management Framework — évaluation, déploiement et monitoring des systèmes IA
CNIL
Ressources sur les responsabilités et la gouvernance associées aux systèmes d’IA