Data & IA : « L’IA ne remplace pas les ingénieurs, elle remplace ceux qui ne comprennent pas ce qu'ils font »
1. Parcours & légitimité
"Votre parcours est à la croisée de la technique et de la pédagogie. Qu’est-ce qui vous a convaincu de former les talents en Data & IA aujourd’hui ?”
J’ai passé plus de trente ans à développer des modèles mathématiques, des méthodes numériques et bon nombres d’approches statistiques que l’on retrouve aujourd’hui au cœur de la Data Science et de l’IA. Très tôt, j’ai compris que la puissance de calcul et la rigueur scientifique seraient des compétences clés. En parallèle, j’ai toujours enseigné, créé des formations (a été classé n°1 par Eduniversal durant trois années consécutives), encadré des étudiants et développé des programmes internationaux en IA et en Data. J’ai mesuré l’impact concret que peut avoir une formation exigeante et structurée. • Former les talents aujourd’hui, c’est pour moi une évidence : c’est transmettre une vision solide, responsable et scientifique de l’IA, et préparer les ingénieurs dont nos entreprises ont réellement besoin. • Former aujourd’hui, c’est transmettre cette profondeur scientifique qui manque cruellement dans le monde de l’IA.
2. Vision du métier
“Comment avez-vous vu évoluer les métiers de la data et de l’IA ces dernières années, et qu’est-ce qui a le plus changé selon vous ?”
J’ai vu la Data passer d’un domaine réservé à quelques chercheurs à un besoin transversal dans toutes les entreprises et les organisations. La demande a explosé beaucoup plus vite que la capacité du marché à former des profils solides. • J’ai vu la montée en puissance du HPC, devenu le socle de l’IA moderne. L’IA moderne n’existe pas sans HPC. J’ai vu cette convergence se construire, et aujourd’hui elle est au cœur des métiers de la data. • La demande en IA a explosé, mais les compétences réellement solides mathématiques, statistiques, modélisation, optimisation restent rares. C’est peut être ca le plus profond changement : l’écart entre les besoins et les talents disponibles. Les métiers se sont spécialisés. On ne peut plus se contenter d’être “généraliste IA” : il faut des compétences profondes. • L’IA générative a accéléré la demande, mais elle a aussi montré l’importance de comprendre les modèles, leurs limites, leurs biais et leurs incertitudes.
3. Différenciation du cursus
“Beaucoup de formations en IA existent aujourd’hui. Qu’est-ce qui, selon vous, fait réellement la différence entre une formation ‘théorique’ et une formation qui prépare au terrain ?”
• Une formation théorique transmet des concepts. Une formation qui prépare réellement au terrain confronte l’étudiant à la réalité : données imparfaites, modèles instables, contraintes de calcul, choix d’architecture, reproductibilité, optimisation. La différence se joue dans les use cases construits à partir de problématiques réelles : entraîner des modèles, diagnostiquer leurs limites, gérer les erreurs numériques, optimiser les performances, structurer et déployer des pipelines. Les « use cases » permettent de passer de l’abstraction à l’action. On y apprend à résoudre de vrais problèmes, pas à réciter des algorithmes. • Une formation professionnalisante doit couvrir le cycle complet. Le terrain ne demande pas seulement de savoir entraîner un modèle, mais de comprendre ses limites, ses biais, son incertitude et son comportement numérique. • Le marché manque de talents capables d’aller au-delà des notebooks académiques. Un notebook, c’est un laboratoire d’expérimentation. La production, c’est une usine. On ne confond pas les deux. Former des ingénieurs, c’est justement leur apprendre à franchir ce fossé. Les entreprises cherchent des profils opérationnels, capables de comprendre les modèles, mais aussi de les implémenter, les optimiser et les industrialiser.
4. Approche pédagogique
“Vous insistez sur une approche très concrète de l’IA. Pourquoi est-ce essentiel aujourd’hui pour former des profils opérationnels ?”
Mon parcours, fondamentalement mathématique , m’a amené à travailler pendant des années sur la modélisation, l’incertitude, l’optimisation, les erreurs numériques. Et c’est précisément cette expérience qui m’a convaincu que l’IA ne peut pas être enseignée uniquement comme un ensemble de recettes pratiques. Le terrain impose des contraintes que la théorie seule ne met pas en évidence : bruit, biais, instabilité numérique, limites des modèles, choix d’architecture, reproductibilité. Une approche concrète est indispensable pour apprendre à gérer ces situations • Mais attention : les « use cases » ne sont pas là pour remplacer la théorie, mais pour en révéler l’importance. Quand un étudiant voit un modèle diverger, un gradient exploser, une matrice mal conditionnée ou une erreur numérique se propager, il comprend immédiatement pourquoi les mathématiques sont essentielles. On n’oppose pas théorie et application : on les relie. La théorie structure, l’application confronte, et c’est dans cet aller-retour que l’apprentissage devient solide.
5. Lien avec les entreprises
“Quel est aujourd’hui le plus grand décalage entre ce que les entreprises attendent et ce que les candidats maîtrisent réellement en data/IA ?”
Beaucoup de candidats savent entraîner un modèle, mais très peu comprennent ce qu’ils font réellement : les biais, les limites, les instabilités numériques, les choix d’architecture, la qualité des données, la reproductibilité. Aujourd’hui, les entreprises ne cherchent pas seulement des profils capables d’utiliser des bibliothèques. Elles cherchent des ingénieurs capables de comprendre ce qu’ils font, d’expliquer un résultat, de diagnostiquer un modèle, d’évaluer une incertitude. Cette maturité ne s’acquiert qu’en combinant théorie solide et pratique exigeante. « Le marché manque de profils capables de combiner rigueur scientifique et capacité opérationnelle. C’est le décalage le plus important : beaucoup de formations restent trop théoriques, et beaucoup de candidats trop superficiels. » En tant qu’école du groupe ACENSI, nous avons une vision directe du terrain : les besoins réels, les projets, les compétences attendues. Cela nous permet d’ajuster la formation au plus près des attentes des entreprises. En fait, elles attendent des profils capables de couvrir le cycle complet : comprendre le problème, manipuler les données, choisir un modèle, l’entraîner, l’optimiser, évaluer les incertitudes, et le déployer. Très peu de candidats maîtrisent cette chaîne de bout en bout.
6. Soft skills & posture
“On parle beaucoup de compétences techniques, mais quelles sont les qualités humaines qui font vraiment la différence chez un expert en IA ?”
Les compétences techniques sont indispensables, mais ce qui fait vraiment la différence aujourd’hui, ce sont les qualités humaines : la capacité à raisonner, à exercer un esprit critique, à dialoguer avec le métier et à s’aligner sur la stratégie de l’entreprise. L’IA n’est plus un sujet purement technique : c’est un levier stratégique. Dans notre formation nous travaillons des compétences comme : - le raisonnement : comprendre avant d’appliquer - l’esprit critique : ne jamais prendre un résultat pour acquis - la communication : expliquer un modèle à un décideur non technique - la maturité intellectuelle : assumer un choix, justifier une approche, poser des limites - la collaboration : travailler avec les métiers, les devs, les ops, la direction Les experts qui réussiront sont ceux qui combinent rigueur scientifique, maturité intellectuelle et capacité à apprendre en continu. C’est exactement cet état d’esprit que nous développons dans notre formation
7. IA générative & hype
“Depuis l’explosion de l’IA générative, beaucoup pensent que ‘tout est automatisé’. Qu’est-ce que les étudiants doivent vraiment comprendre derrière ces outils ?”
L’idée du « tout automatisé » est une idée séduisante, mais profondément trompeuse. Une étude Snowflake/Omdia publiée en 2026 montre que 52 % des organisations françaises utilisent déjà l’IA générative, et que 32 % déclarent un ROI positif. L’adoption est réelle, mais la maturité reste limitée. Ce que les étudiants doivent comprendre, c’est que derrière ces outils se trouvent des modèles statistiques extrêmement puissants… mais aussi profondément imparfaits. Utiliser une IA, c’est être passager d’un avion : on profite de l’outil pour accomplir une tâche. Être ingénieur IA, c’est être pilote : comprendre les systèmes, les limites, les risques et les conditions de fiabilité. On ne confond pas les deux. • L’IA générative ne “comprend” pas : elle prédit. Elle produit des réponses plausibles, pas nécessairement correctes. C’est pourquoi les entreprises qui l’adoptent sans expertise interne s’exposent à des risques opérationnels, juridiques et éthiques. Les chiffres confirment cette tension : 31 % des TPE/PME utilisent l’IA générative, mais plus des deux tiers peinent à identifier des cas d’usage concrets . L’outil est là, mais la maturité manque. Et c’est précisément là que réside l’enjeu pédagogique. Les étudiants doivent apprendre à analyser, vérifier, diagnostiquer et encadrer ces modèles. Ils doivent comprendre les biais, les limites, les erreurs numériques, les phénomènes d’instabilité, les hallucinations et les conditions dans lesquelles un modèle devient non fiable. L’IA générative n’automatise pas la pensée : elle amplifie les erreurs si on ne les maîtrise pas. • Les étudiants doivent vraiment intégrer que ces outils ne remplacent pas les compétences fondamentales mathématiques, statistiques, optimisation, modélisation — mais les rendent encore plus indispensables. Plus un modèle est puissant, plus il faut comprendre ce qu’il fait, comment il le fait, et pourquoi il peut se tromper. • L’IA générative est un formidable accélérateur, mais elle exige une maturité scientifique. Les ingénieurs de demain ne seront pas ceux qui “utilisent” ces outils, mais ceux qui savent les contrôler, les évaluer, les fiabiliser et les intégrer dans des systèmes robustes. »
8. Question “challenge” – techno émergente
“On parle aujourd’hui d’IA quantique ou post-quantique. Est-ce un sujet déjà concret pour les étudiants ou encore trop prospectif ?”
• L’IA quantique n’est pas encore un outil opérationnel pour les étudiants. Les machines actuelles sont encore limitées, bruitées, et les algorithmes réellement exploitables restent rares. Mais c’est un sujet stratégique, car il redéfinit les limites du calcul, de l’optimisation et de la simulation • Ce qui est concret pour les étudiants, ce sont les fondements : complexité, optimisation, algorithmes variationnels méthodes hybrides, limites du calcul classique. Ces notions sont déjà enseignables et utiles, même sans machine quantique opérationnelle. • Le post-quantique, c’est-à-dire la capacité à sécuriser les systèmes face aux futurs ordinateurs quantiques, est déjà un sujet concret. Les entreprises commencent à anticiper ces enjeux. Les étudiants doivent comprendre les implications, même s’ils ne manipulent pas encore les outils. • L’intérêt pédagogique de l’IA quantique aujourd’hui, ce n’est pas la pratique, mais la capacité à penser autrement : nouveaux espaces de calcul, nouvelles formes d’optimisation, nouvelles architectures. Cela développe une maturité scientifique rare. • L’IA quantique n’est plus un sujet purement prospectif. Nous voyons déjà tourner des algorithmes sur des machines NISQ, et des centres comme le CEA disposent de processeurs de l’ordre de 100 qubits. Nous entrons dans une phase pré-applicative : les premières démonstrations fonctionnent, mais nous ne connaissons pas encore les limites réelles, ni les conditions de passage à l’échelle. C’est un terrain idéal pour former des ingénieurs capables de penser le futur plutôt que de simplement suivre les outils existants. »
9. Éthique & responsabilité
“Former des experts en IA, c’est aussi former des décideurs. Comment intégrez-vous les enjeux éthiques dans le cursus ?”
« Former des experts en IA, c’est effectivement former des décideurs. Et un décideur en IA doit comprendre que chaque modèle, chaque donnée, chaque choix d’architecture a un impact concret : sur les utilisateurs, sur les entreprises, sur la société. L’éthique n’est donc pas un module isolé dans notre cursus : elle est intégrée au cœur même de la formation. Mon parcours m’a appris que l’incertitude, les biais, les erreurs numériques et les limites des modèles ne sont jamais des détails techniques. Ce sont des enjeux de responsabilité. Nous formons les étudiants à identifier ces limites, à les quantifier, à les expliquer et à prendre des décisions éclairées. L’éthique commence par la rigueur scientifique. Nous abordons l’éthique de manière opérationnelle : – comment un modèle peut discriminer sans que personne ne s’en rende compte – comment une erreur numérique peut fausser une décision critique – comment un biais dans les données peut amplifier une injustice – comment documenter, auditer et justifier un choix algorithmique – comment aligner un système IA avec les objectifs et les valeurs de l’entreprise L’objectif n’est pas de moraliser, mais de responsabiliser. Un ingénieur IA doit être capable de dire non, de poser des limites, d’expliquer un risque, de proposer une alternative. Il doit comprendre que la performance brute ne suffit pas : il faut de la transparence, de la robustesse, de l’équité et de la maîtrise de l’incertitude. Former à l’IA responsable, c’est former des professionnels capables de concevoir des systèmes fiables, explicables et alignés avec les enjeux humains. C’est cette maturité scientifique, technique et éthique que nous développons chez nos étudiants. »
10. Projection & ambition
“Dans 5 ans, à quoi ressemblera selon vous un ‘bon’ profil data & IA, et comment une formation doit évoluer pour y répondre ?”
Dans 5 ans, un bon profil IA sera quelqu’un qui comprend les modèles en profondeur, qui sait les mettre en œuvre efficacement, et qui est capable d’en évaluer les limites, les biais et les incertitudes. Les entreprises ne chercheront plus des profils qui savent seulement entraîner un modèle. Elles chercheront des ingénieurs capables de couvrir le cycle complet : formulation du problème, préparation des données, choix du modèle, optimisation, robustesse numérique, évaluation des incertitudes, déploiement. Avec l’IA générative, la question ne sera plus seulement de produire un résultat, mais de comprendre sa fiabilité. Les profils capables d’expliquer, diagnostiquer et quantifier l’incertitude seront les plus recherchés. L’IA ne sera plus un prototype dans un notebook. Elle sera un produit. Les bons profils sauront industrialiser : MLOps, pipelines, monitoring, reproductibilité, performance. En tant qu’école du groupe ACENSI, nous avons une vision directe de ces besoins, car ce sont les projets que les entreprises nous confient. Les technologies évolueront trop vite pour se reposer sur un socle figé. Le bon profil sera celui qui sait apprendre, expérimenter, remettre en question et s’adapter. Le bon profil IA ne se contente plus d’appliquer un modèle. Il doit comprendre la stratégie de l’entreprise, identifier les leviers IA pertinents, évaluer les risques, et proposer des solutions alignées avec les objectifs business. »
Autres questions :
• “Est-ce qu’on forme encore trop de ‘data scientists PowerPoint’ et pas assez de builders ?”
« Oui, clairement. Le marché a longtemps produit des profils très théoriques, capables de commenter des modèles mais pas de les implémenter, les optimiser ou les industrialiser. On a formé beaucoup de “data scientists PowerPoint”, et très peu de builders capables de faire tourner un modèle dans un environnement réel. Mon expérience dans la modélisation, l’incertitude, les erreurs numériques et le HPC m’a appris une chose : un modèle n’a de valeur que lorsqu’il fonctionne, qu’il est robuste, reproductible et maîtrisé. C’est exactement ce que nous développons dans notre formation : des ingénieurs capables de comprendre les modèles, mais aussi de les construire, de les diagnostiquer, de les optimiser et de les déployer. Le marché ne manque pas de gens qui savent expliquer l’IA. Il manque des gens qui savent la faire. »
• “L’IA va-t-elle remplacer une partie des développeurs juniors dans les prochaines années ?”
« L’IA ne va pas remplacer les développeurs juniors, elle va remplacer les tâches juniors. C’est très différent. Les outils génératifs automatisent déjà une partie du code standard, des tests simples, de la documentation. Mais ils ne remplacent ni la compréhension, ni la conception, ni la capacité à diagnostiquer un problème, ni la maîtrise des architectures, ni la gestion des erreurs numériques ou des contraintes de performance. Ce que l’IA change réellement, c’est le niveau d’exigence : un développeur junior devra monter en compétence plus vite, comprendre ce qu’il fait, et être capable de contrôler les outils plutôt que de les subir. Les profils qui réussiront seront ceux qui comprennent les modèles, leurs limites, leurs biais, leurs incertitudes — pas ceux qui se contentent d’appuyer sur un bouton. L’IA ne remplace pas les ingénieurs. Elle remplace les ingénieurs qui ne comprennent pas ce qu’ils font. »
• “Les écoles suivent-elles vraiment le rythme des innovations, ou sont-elles déjà en retard ?”
La plupart des écoles sont déjà en retard, parce qu’elles enseignent encore l’IA comme un ensemble de recettes ou de bibliothèques. L’innovation va trop vite pour se contenter d’un programme figé. Ce qui compte aujourd’hui, ce n’est pas de courir derrière les outils, mais de former des étudiants capables de comprendre les fondements : optimisation, modélisation, incertitude, erreurs numériques, reproductibilité, HPC. Ce sont ces compétences qui permettent de s’adapter à n’importe quelle innovation. En tant qu’école du groupe ACENSI, nous avons un avantage unique : nous voyons les besoins du terrain en temps réel. Les projets, les contraintes, les architectures, les attentes des entreprises. Cela nous permet d’ajuster la formation en continu, pas tous les cinq ans. Les écoles qui réussiront ne seront pas celles qui enseignent les outils du moment, mais celles qui forment des ingénieurs capables d’apprendre, d’expérimenter, de diagnostiquer et d’innover.