Préparation entretien AI Engineer, ce qui vous attend

Ça suffit pour décrocher le screen, et pour l'offre tout dépend de ce que vous savez dire de ce chatbot au-delà du fait qu'il existe. Les intervieweurs demanderont ce qu'en ont fait les utilisateurs, comment vous saviez que les réponses étaient justes, ce que coûtait une conversation et ce qui a cassé. Si vos réponses honnêtes sont « quelques collègues l'ont utilisé », « on a lu quelques sorties » et « on n'a jamais mesuré le coût », passez quatre semaines à en faire une vraie histoire avant d'interviewer : ajoutez un jeu de référence de cinquante questions avec réponses labellisées, une eval nocturne, un tableau de bord des coûts et une sortie structurée avec validation. Le même projet devient alors la preuve de tout le process. Votre profondeur backend est un atout au round de build et au round de design, là où la plupart des candidats venus de la data sont plus faibles sur les services, les files d'attente et l'observabilité. Menez avec ça. Ne revendiquez pas une expérience de fine-tuning tirée d'un tutoriel ; le screen technique la trouvera.

Le travail passe de l'entraînement à la composition. En 2026, la plupart des équipes produit n'entraînent pas de modèles ; elles construisent sur des modèles hébergés, et les problèmes difficiles ont migré vers le retrieval, l'évaluation, l'orchestration, le coût et les garde-fous. En entretien, votre profondeur en modélisation compte encore au screen technique, mais le round de design ne vous demandera pas un pipeline d'entraînement ; il demande un système de retrieval ou un agent et note les arbitrages. La discussion d'évaluation est celle où vous pouvez briller, parce que vous pensez déjà en jeux de test et en métriques, à condition de traduire ça en termes LLM : jeux de référence, juges, seuils de non-régression sur les changements de prompt. Le round de build peut surprendre les ML engineers qui vivent dans les notebooks ; il veut un petit service avec validation, tests et un chemin de repli, écrit comme un ingénieur backend l'écrit. Entraînez-vous à ça. Côté rémunération, le titre AI Engineer en boîte produit se situe près du MLE de même niveau, et les labs paient bien au-dessus des deux.

Trois choses, dans cet ordre. D'abord, est-ce que ça tourne et répond juste sur leurs documents, avec un README qui permet à un relecteur de le reproduire en cinq minutes. Ensuite, comment vous avez géré le modèle qui se trompe : sorties structurées avec validation, citations vers les passages sources, une réponse sensée quand le retrieval ne trouve rien, et des tests qui rejouent de mauvaises sorties. Enfin, votre jugement sur les arbitrages, écrit dans le README : pourquoi cette taille de découpage, pourquoi une recherche hybride ou pourquoi pas, ce que coûte une requête, ce que vous construiriez ensuite avec une semaine de plus. Les candidats perdent le take-home en passant le week-end sur une belle interface et zéro évaluation. Un petit script d'eval avec vingt questions labellisées et un score vaut plus que n'importe quelle interface. Gardez une stack sobre et du code testé ; l'entretien de restitution qui suit sert à vérifier que vous comprenez chaque ligne, y compris celles écrites par un assistant de code.

Moins que vous ne le pensez, tant que vous savez expliquer le comportement d'un modèle par son mécanisme. Le screen technique demande ce qu'est un token, pourquoi la fenêtre de contexte compte, pourquoi la température change les réponses, à quoi sert un embedding. C'est quelques semaines de lecture, et « AI Engineering » de Chip Huyen le couvre dans l'ordre où les intervieweurs le demandent. Personne en boîte produit ne vous demandera de dériver l'attention. Ce qu'on vous demandera, c'est si vous avez livré quelque chose sur un modèle, donc construisez une vraie fonctionnalité avant de postuler et mesurez-la. Votre bagage full-stack est un atout au round de build, noté sur un service qui tourne avec validation et tests, et dans les conversations produit, où vous savez parler de ce que font les utilisateurs. L'écart à combler, c'est l'évaluation : apprenez ce que sont un jeu de référence, un LLM juge et un seuil de non-régression, et utilisez-les sur votre propre projet pour que l'histoire soit la vôtre.

Le process de la startup est en général plus court et plus concret : un fondateur ou un lead au screen, un round de build sur leur vrai problème, parfois un essai rémunéré, et une conversation de design qui creuse un seul système plutôt que d'en survoler plusieurs. Ils notent la vitesse, le goût et le fait d'avoir vraiment utilisé les outils du moment. Le process du grand groupe est plus long et plus standardisé : un screen de coding qui peut encore contenir un exercice d'algorithmique, un round de design tiré d'une rotation de sujets, un round comportemental à part avec une grille de niveau, et un comité de recrutement. Ils notent la constance et l'adéquation à un niveau. Préparez les deux avec une fonctionnalité livrée que vous savez démonter sous tous les angles, trois designs canoniques que vous savez dessiner à froid, et une histoire d'évaluation avec des chiffres. Pour le grand groupe, ajoutez deux semaines d'algorithmique ; pour la startup, utilisez leur produit pendant une semaine et arrivez avec deux choses précises que vous changeriez.

Non. Le process ML Engineer note l'entraînement, le serving et le ML system design à échelle modérée, avec une barre coding proche de celle d'un software engineer. Le process AI Engineer note la construction sur des modèles de fondation hébergés : retrieval, sorties structurées, agents, évaluation et coût. Si l'offre parle d'entraîner, de fine-tuner ou de servir des modèles, lisez le guide ML Engineer. Si elle parle de fonctionnalités sur des API de LLM, de RAG, d'agents ou d'evals, c'est celui-ci. Beaucoup d'équipes emploient les deux titres de façon lâche, donc lisez les responsabilités de l'offre plutôt que le titre.

Le process prend 3 à 5 semaines. Avant qu'il commence, livrez une petite fonctionnalité LLM de bout en bout avec un script d'évaluation et des tests, et travaillez trois designs canoniques : questions-réponses sur un gros corpus, un agent qui appelle des outils, et un pipeline d'évaluation qui bloque une mise en production. La discussion d'évaluation est le round que la plupart des candidats n'ont jamais préparé.

Décrire des composants au lieu des pannes. Les candidats énumèrent bases vectorielles et re-rankers sans jamais dire ce qui casse, comment ils le détectent ni ce que ça coûte. Les intervieweurs notent les arbitrages et l'histoire d'évaluation, et un design sans les deux passe pour un tutoriel.

L'essentiel de la variation est marginal. Les grandes boîtes tech (FAANG, scale-ups, SaaS mid-size) suivent un process à 1–2 rounds près de ce qui est décrit. Les petites startups tournent souvent sur moins de rounds (3 à 4) mais la barre par round reste similaire ; les boîtes moins matures tech sautent parfois system design ou comportemental. Lisez l'offre et demandez au recruteur lors du pré-screen, il vous dira ce qui vient.

Ce guide couvre la barre générale au niveau L4 / IC3 à IC4. Le scan gratuit lit votre offre d'emploi spécifique et renvoie les questions prédites pour ce poste + cette entreprise, un benchmark de salaire ajusté au poste et, avec votre CV, une lecture de vos écarts d'expérience et un passage ATS de CV, envoyés en PDF.