Les modèles d'IA n'ont jamais été aussi performants. Pourtant, la plupart des projets peinent encore à dépasser le stade du pilote. Entre les benchmarks et la production s'est creusé un nouveau fossé. Pour le franchir, les laboratoires d'IA recrutent désormais un profil inédit : le Forward Deployed Engineer.
Pendant près de trois ans, la compétition autour de l'intelligence artificielle s'est résumée à une question presque obsessionnelle : quel est le meilleur modèle ?
GPT-4, Claude, Gemini, Mistral, DeepSeek, GLM, Qwen… Chaque nouvelle génération promettait quelques points supplémentaires sur les benchmarks, une fenêtre de contexte plus large ou un raisonnement plus sophistiqué.
Charlotte Ryssen (Coumont)
Pourtant, sur le terrain, les entreprises ont rapidement découvert une réalité bien moins spectaculaire.
Le meilleur modèle n'est pas forcément celui qui crée le plus de valeur.
Le véritable défi commence lorsqu'il faut connecter cette intelligence aux systèmes d'information existants, aux bases documentaires, aux contraintes réglementaires, aux infrastructures cloud ou on-premise, et surtout aux métiers. Autrement dit, lorsque l'IA quitte la scène de démonstration pour entrer dans la chaîne de production.
C'est précisément à cet endroit qu'émerge un nouveau métier : le Forward Deployed Engineer (FDE).
Et si son nom reste encore confidentiel en Europe, les plus grands laboratoires d'IA ont déjà fait de cette fonction un pilier de leur stratégie.
Quand Palantir invente un métier
Le concept n'est pas né avec ChatGPT. Il trouve son origine chez Palantir, au début des années 2010.
À l'époque, les ingénieurs ne se limitaient pas à la simple livraison d'un logiciel. Ils s'immergeaient directement au sein des équipes de leurs clients — qu'il s'agisse d'industriels, d'agences gouvernementales, du secteur de la santé ou de la défense. Sur place, ils analysaient les processus et codaient dans l'environnement même du client pour adapter parfaitement Foundry à ses exigences. Cette plateforme cloud sécurisée permettait ainsi de centraliser, d'extraire et d'intégrer l'ensemble des données, tout en offrant une grande flexibilité de stockage.
Chez Palantir, ces ingénieurs sont appelés Forward Deployed Software Engineers (FDSE). Leur mission est simple en apparence : faire fonctionner un produit dans un contexte où rien n'est standard. En pratique, ils deviennent des architectes, des développeurs, des intégrateurs et des traducteurs entre les besoins métier et la technologie. Pendant longtemps, ce modèle est resté une singularité de Palantir. Aujourd'hui, il est en train de devenir la norme.
OpenAI et Anthropic suivent la même trajectoire
Lorsque les premiers grands contrats d'IA générative arrivent, OpenAI et Anthropic constatent rapidement la même chose.
Le problème n'est plus d'entraîner un modèle. Le problème est de l'intégrer.
OpenAI a ainsi créé une organisation entière dédiée au Forward Deployed Engineering, située à l'intersection de la recherche, du produit, de l'ingénierie et des équipes clients. Sa mission officielle est révélatrice : transformer les retours des entreprises en logiciels déployés et en fonctionnalités réutilisables à grande échelle.
Anthropic suit une logique comparable en renforçant ses équipes d'intégration auprès des grandes entreprises et en nouant des partenariats avec des cabinets de transformation pour accélérer les déploiements de Claude dans les organisations.
Autrement dit, les laboratoires d'IA ne vendent plus seulement des modèles. Ils vendent leur capacité à les faire fonctionner.
Pourquoi les pilotes échouent
Les études se succèdent, mais le constat reste le même : beaucoup de projets d'IA générative ne dépassent jamais le stade du Proof of Concept.
La raison est rarement liée au modèle lui-même. Elle provient presque toujours de l'environnement.
Les documents internes sont mal structurés. Les systèmes d'information communiquent difficilement entre eux. Les contraintes de sécurité empêchent certaines architectures. Les utilisateurs ne font pas confiance aux réponses. Les coûts d'inférence explosent. La latence devient incompatible avec les usages.
En résumé, le problème n'est plus algorithmique, mais bien systémique. Et le rôle du Forward Deployed Engineer consiste précisément à résoudre cette complexité.
L'ingénieur qui relie deux mondes
Le FDE n'est ni un consultant, ni un commercial technique, ni un simple développeur.
Il écrit du code en production, conçoit des architectures, échange avec les équipes métiers, construit des jeux d'évaluation, mesure les performances, remonte les besoins aux équipes produit et accompagne parfois les utilisateurs jusqu'à l'adoption.
Une journée type peut ainsi alterner entre :
- une revue d'architecture avec la DSI ;
- la mise en place d'un pipeline RAG ;
- l'optimisation d'une latence GPU ;
- une session avec les experts métier pour qualifier les hallucinations ;
- une réunion avec les équipes produit afin d'améliorer le comportement du modèle.
Cette hybridation explique pourquoi le recrutement de ces profils est particulièrement difficile. Ils doivent comprendre aussi bien Kubernetes qu'un processus métier bancaire. Aussi bien les embeddings qu'une gouvernance documentaire. Aussi bien les LLM que les enjeux humains de leur adoption.
Les benchmarks ne sont plus le juge de paix
Pendant longtemps, choisir un modèle consistait à comparer quelques scores publics. Cette époque touche à sa fin.
Les entreprises construisent désormais leurs propres évaluations, adaptées à leurs cas d'usage et les questions deviennent beaucoup plus concrètes.
Le modèle respecte-t-il les procédures internes ?
Répond-il correctement sur notre documentation ?
Quelle est sa précision après une mise à jour des données ?
Quel est son coût réel par requête ?
Quelle est sa latence au 95ᵉ percentile ?
Peut-il fonctionner sans envoyer d'informations sensibles hors de l'entreprise ?
Autant de questions auxquelles aucun benchmark public ne répond.
Le FDE construit ces métriques et les transforme en indicateurs de décision.
La souveraineté devient un sujet d'architecture
L'émergence des modèles open-weights change également la donne.
Des acteurs comme Mistral AI, Kyutai, Qwen ou Z.ai permettent aujourd'hui d'exécuter des modèles directement dans des infrastructures privées.
Encore faut-il savoir les intégrer.
Le rôle du Forward Deployed Engineer ne consiste donc pas seulement à choisir un modèle performant. Il doit déterminer où celui-ci sera exécuté, quelles données pourront être indexées, comment les secrets seront protégés, quelles contraintes réglementaires devront être respectées et comment optimiser les coûts GPU.
La souveraineté n'est pas une propriété d'un LLM. C'est une propriété de l'architecture.
Un métier appelé à devenir incontournable
Selon Reuters, la demande pour les profils de Forward Deployed Engineer a explosé depuis 2025, portée par les laboratoires d'IA et les grandes entreprises cherchant à industrialiser leurs usages. Le métier, popularisé par Palantir, est désormais considéré comme l'un des plus recherchés de l'écosystème IA.
Cette évolution est logique. Les modèles progressent à un rythme spectaculaire, mais ils tendent aussi à se rapprocher en matière de performances.
Le véritable avantage concurrentiel ne résidera bientôt plus dans le choix entre Claude, GPT, Gemini ou Mistral. Il résidera dans la capacité à intégrer ces modèles au cœur des processus de l'entreprise, à les gouverner, à les mesurer et à les faire évoluer en continu.
C'est précisément ce que fait un Forward Deployed Engineer.
Dans quelques années, nous nous souviendrons peut-être que l'innovation décisive de l'ère de l'IA n'aura pas été un modèle de plus. Elle aura été l'apparition de celles et ceux capables de transformer cette intelligence en systèmes réellement utiles, robustes et industrialisés.
