Recrutement · August 2, 2026 · 10 min de lecture

Modèle de description de poste d'ingénieur prompt (gratuit, 2026)

Un modèle de description de poste d'ingénieur prompt pour 2026, avec la section sur la maîtrise de l'IA que chaque autre modèle passe, et les exigences que vous pouvez réellement évaluer.

← Fait partie de Les cinq piliers du recrutement : ce que les évaluations mesurent

Cette page s'adresse au responsable du recrutement, au fondateur ou au partenaire talent qui a décidé de rédiger une description de poste d'ingénieur prompt et en veut une qui résiste au contact avec de vrais candidats. Le poste possède la couche d'instructions entre votre produit et le modèle — les invites, les messages système et les instructions d'agents — plus les ensembles d'évaluation qui prouvent que ces instructions fonctionnent. Rédiger la description est difficile pour trois raisons. L'intitulé est assez jeune pour que deux entreprises n'entendent pas la même chose par lui. Le boilerplate de marché est mince, daté, et se copie lui-même. Et les candidatures arriveront bourrées de collections d'invites et de certificats de cours qui semblent impressionnants et ne prédisent presque rien. Ce poste se situe là où la qualité des invites est genuinement le produit — automatisation du support, systèmes de contenu, instructions d'agents tournant à grande échelle — généralement au sein de l'ingénierie ou de l'IA appliquée. Ci-dessous se trouve un modèle à copier-coller, plus les deux sections que chaque concurrent omet : ce qu'évaluer, et ce que signifie réellement la maîtrise de l'IA ici.

Le modèle de description de poste d'ingénieur prompt

Copiez les sections ci-dessous et remplacez les espaces réservés entre crochets. Conservez la section sur la maîtrise de l'IA — c'est la partie qui distingue une description que les candidats respectent d'une qu'ils peuvent contourner.

À propos du poste

[Entreprise] recrute un ingénieur prompt pour posséder la couche d'instructions de [produit ou système] — les invites, les messages système et les instructions d'agents qui façonnent le comportement de nos modèles en production. Vous traiterez les invites comme du code : versionnées, testées contre des ensembles d'évaluation, et mesurées plutôt qu'appréciées à l'œil. Ce poste se situe au sein de [équipe] et travaille en étroite collaboration avec [ingénierie / produit / opérations] pour transformer « la sortie semble décalée » en améliorations mesurées et reproductibles.

Responsabilités

• Posséder les invites, les messages système et les instructions d'agents pour [périmètre produit], et les ensembles d'évaluation qui les maintiennent honnêtes.
• Diagnostiquer les défaillances de sortie de manière systématique : reproduire le problème, regrouper les échecs par type, former une hypothèse, changer une variable, et mesurer le résultat contre un ensemble de cas.
• Construire et maintenir des ensembles d'évaluation avec les sorties attendues, afin que chaque changement soit un chiffre plutôt qu'une impression.
• Versionner les invites comme du code — avec l'historique des changements, la possibilité de rollback, et un enregistrement de quel changement a déplacé quelle métrique.
• Détecter et diagnostiquer les régressions de comportement du modèle quand une version ou une famille de modèle change, et mettre en place des garde-fous pour que la prochaine soit détectée automatiquement.
• Décider quand un problème réside dans la couche d'instructions plutôt que dans la récupération d'information, les données, ou le modèle lui-même, et le router en conséquence.
• Collaborer avec l'ingénierie sur la conception de la récupération d'information et des appels d'outils là où ces décisions façonnent le comportement du modèle.
• Rapporter la qualité des sorties par rapport à des métriques définies aux [parties prenantes], en langage clair qu'un propriétaire non technique peut exploiter.

Exigences

• Itération systématique démontrée : vous pouvez montrer un cas où vous avez transformé une plainte de qualité vague en une amélioration mesurée et reproductible.
• Expérience de la construction d'ensembles d'évaluation et du raisonnement sur la qualité des sorties comme un chiffre, non une impression.
• Maîtrise des modes de défaillance courants — hallucination, dérive de format, refus excessif — et du correctif différent que chacun nécessite.
• Jugement sur les limites de la couche d'instructions : vous dites « c'est un problème de récupération d'information, non un problème d'invite » quand c'est vrai.
• Aisance à travailler sur au moins deux familles de modèles et compréhension de la façon dont le comportement diffère entre elles.
• Communication écrite claire — vous pouvez expliquer un compromis à un propriétaire non technique sans vous cacher derrière le jargon.
• Culture d'ingénierie suffisante pour travailler dans une base de code versionnée et raisonner sur le système autour du modèle.

Atouts supplémentaires

• Expérience de la possession d'invites pour un produit en production à grande échelle, où la dérive avait un vrai coût.
• Formation en machine learning appliqué, analyse de données, ou une discipline numérique.
• Connaissance des systèmes à récupération augmentée et des frameworks d'agents.
• Expérience de la construction ou de la maintenance d'un harnais d'évaluation qui fonctionnait de manière autonome.

Attentes en matière de maîtrise de l'IA

C'est la section qu'aucun modèle bien classé sur le marché n'inclut, et pour un ingénieur prompt c'est la plus profonde de cette série — le travail est la maîtrise de l'IA. Collez ces points verbatim :

• Évalue les sorties du modèle de manière systématique, contre un ensemble de cas avec les résultats attendus, plutôt que de déclarer une invite « meilleure » parce qu'elle se lit mieux.
• Versionne les invites comme du code — avec l'historique, le rollback, et un enregistrement clair de quel changement a déplacé quelle métrique.
• Connaît les modes de défaillance d'au moins deux familles de modèles et comment la même invite se comporte différemment entre elles.
• Détecte les régressions subtiles de comportement du modèle après un changement de version, et vérifie qu'un correctif a tenu sur l'ensemble complet avant de déclarer victoire.
• Utilise les outils d'IA pour avancer rapidement tout en vérifiant leurs sorties par rapport au système réel — en déléguant ce qui est sûr à déléguer, et en détectant une réponse confiante qui est discrètement erronée.

Ce que nous offrons

[Fourchette de rémunération], [équité le cas échéant], et [avantages]. Vous posséderez un levier qui déplace visiblement [la métrique qui compte], avec l'infrastructure d'évaluation et l'autonomie pour le déplacer. [Modalités de travail — à distance, hybride, lieu]. [Une ligne honnête sur l'équipe et votre façon de travailler.]

Comment adapter ce modèle ?

Ajustez le niveau de séniorité par le périmètre, non par une liste d'exigences plus longue. Quelqu'un qui possède les invites pour une seule fonctionnalité est un recrutement différent de quelqu'un qui possède la stratégie d'instructions d'agents pour une ligne de produits — définissez le périmètre et la rémunération en conséquence. Coupez fortement pour une startup ; développez les lignes de gouvernance et de reporting pour une entreprise. Puis supprimez les trois choses que les gens copient à tort depuis les anciens descriptifs de poste.

• Une exigence de diplôme. Les ingénieurs prompt les plus solides sont souvent des praticiens autodidactes et des reconvertis de disciplines numériques ; une porte de diplôme les filtre et ne prédit rien.
• « X années de prompt engineering ». La discipline a au plus quelques années. Quiconque revendique une décennie arrondit à la hausse, et l'exigence récompense discrètement les premiers adoptants plutôt que les meilleurs praticiens.
• Un certificat ou cours nommé. Les certificats mesurent la présence, non la discipline de mesure sur laquelle ce poste fonctionne. Demandez plutôt à voir une amélioration mesurée.
• Une liste fixe d'outils ou de versions de modèles spécifiques. Les familles de modèles changent vite ; recrutez pour un jugement transférable entre elles, non la maîtrise de la stack de ce trimestre.

Pour une startup, réduisez les responsabilités à la boucle centrale — posséder la couche d'instructions, construire les ensembles d'évaluation, détecter les régressions — et laissez une personne le porter parallèlement à un travail adjacent. Pour une entreprise, ajoutez les lignes de reporting, de revue et de documentation que le modèle suggère, et soyez explicite sur les familles de modèles et les périmètres dans la portée. Le guide comment rédiger une description de poste couvre la mécanique générale de la rédaction autour de comportements observables.

Que faut-il évaluer plutôt que de se fier au CV ?

Faites correspondre chaque point d'exigence à quelque chose que vous pouvez observer, car pour ce poste le CV est proche du bruit. Le CV d'un ingénieur prompt est une bibliothèque soignée d'invites qui ont fonctionné une fois, pour quelque chose, quelque part — et un modèle qui a produit une belle sortie de démo ne vous dit rien sur s'il résiste à cent vrais cas ou à la prochaine version du modèle. Évaluez la boucle, non le lexique. Les exigences ci-dessus s'inscrivent dans les cinq piliers publics de l'évaluation des candidats de cette façon — niveau de capacité uniquement, sans scores :

• Cognitif : la boucle de diagnostic elle-même — lire les échecs, isoler une variable, raisonner sur la cause. C'est le signal unique le plus fort pour le poste.
• Domaine : conception de l'évaluation, culture de la récupération d'information, et connaissance des limites de la couche d'instructions.
• Jugement situationnel : décider si un problème est un problème d'invite du tout, et quoi escalader versus corriger.
• Comportemental : discipline de mesure plutôt que la tentation de déclarer victoire sur une sortie chanceuse.
• Maîtrise de l'IA : versionnage des invites, culture des modes de défaillance entre familles, et vérification du travail rédigé par assistant par rapport au système réel.

La façon d'évaluer les cinq en même temps est un échantillon de travail fidèle au poste : remettez au candidat une invite médiocre et un ensemble de cas sur lesquels elle échoue, puis observez-le diagnostiquer et itérer. C'est le travail compressé en une heure, et c'est un test d'échantillon de travail plutôt qu'un quiz. Parce que le poste est intrinsèquement natif de l'IA, observez comment il travaille avec le modèle directement — le cadre 4D de la maîtrise de l'IA (Délégation, Description, Discernement, Diligence) vous donne une grille, et comment évaluer la maîtrise de l'IA guide la lecture des signaux forts et faibles pendant que vous observez. Effectuer l'exercice dans un AI Sandbox réaliste, où le modèle est genuinement disponible et vous observez le processus plutôt que seulement l'artefact, est là où se situe notre point de vue de plateforme d'évaluation de compétences native de l'IA. Pour calibrer ce à quoi ressemble la couche d'instructions sur d'autres postes, le prompt engineering par poste et le prompt engineering pour les ingénieurs logiciels sont des compagnons utiles ; la logique de décider-si-recruter vit dans comment recruter un ingénieur prompt, et si ce dont vous avez réellement besoin est de l'architecture d'agents, la description de poste d'ingénieur en agents IA est le poste voisin.

Comment repérer un ingénieur prompt qui ne peut pas réellement faire le travail ?

C'est le pire problème d'imposteur dans tout le paysage du recrutement IA, et la position honnête vaut la peine d'être énoncée clairement. Parce que le poste a eu autrefois un cycle de hype, il attire deux types de prétendants. Le collectionneur de certificats, qui a suivi plusieurs cours de « prompt engineering » et peut réciter des frameworks avec des acronymes. Et le revendeur de modèles, dont tout le portfolio est une bibliothèque de copier-coller. Les deux s'entretiennent avec aisance. Ni l'un ni l'autre ne peut transformer « la sortie semble décalée » en une amélioration mesurée. Nous vendons l'évaluation de candidats pour gagner notre vie, donc pondérez mon cadrage en conséquence — mais le signal révélateur tient quelle que soit la personne qui le dit : demandez comment ils savent qu'une invite s'est améliorée, et écoutez un chiffre contre un ensemble de cas plutôt que « elle se lit mieux ». Les signaux d'alerte dans une candidature :

• Un CV qui liste des collections d'invites et des frameworks mais aucune amélioration de sortie mesurée nulle part.
• Des invites de portfolio sans ensemble d'évaluation derrière elles — des sorties qui avaient l'air bien une fois, sans preuve qu'elles tiennent sur des cas ou des versions de modèle.
• Un vocabulaire fluent (« few-shot », « chaîne de pensée ») et aucune histoire sur une mise à jour de modèle qui a cassé leurs invites et ce qu'ils ont fait ensuite.
• Des certificats à la place du jugement démontré, et un malaise quand on leur demande de travailler sur un ensemble de cas en échec en direct.
• Des affirmations qu'une invite peut tout corriger, sans instinct pour savoir quand un problème relève vraiment de la récupération d'information ou des données.

Le seuil n'est pas « utilisons-nous l'IA » — tout le monde le fait maintenant. C'est « une seule personne qui déplace la qualité des sorties de quelques points change-t-elle une métrique commerciale qui nous tient à cœur ». L'automatisation du support où une petite baisse de la qualité de résolution se manifeste dans le taux de désabonnement ; un système de contenu générant à volume où la dérive est un risque de marque ; des instructions d'agents tournant sans surveillance où un cas limite défaillant coûte de l'argent. Si la qualité des invites est genuinement le produit, recrutez le spécialiste et évaluez pour la boucle. Si c'est une compétence partagée, recrutez pour la maîtrise de l'IA dans toute l'équipe à la place — le guide de recrutement basé sur les compétences et une boucle d'entretiens structurés vous serviront mieux qu'un intitulé de spécialiste dont vous n'avez pas besoin.

Une description de poste d'ingénieur prompt qui se lit comme un cahier des charges que vous pouvez tester recruttera mieux que dix modèles soignés qui se lisent comme une liste de souhaits. Rédigez-la autour de résultats mesurés, conservez la section sur la maîtrise de l'IA que chaque concurrent passe, et évaluez la boucle — non le lexique — ou vous continuerez à confondre un bon vocabulaire avec une vraie compétence.