Vous ne viendrez pas à bout de la pénurie d'ingénieurs IA/ML à coups de salaire. Chez Google, la fourchette publiée pour un ingénieur en apprentissage automatique culmine autour de 743 000 $, d'après les données déclarées sur Levels.fyi. En revanche, vous pouvez l'emporter par l'exécution. Établissez une référence salariale avant même de rédiger l'offre d'emploi, allez chercher les candidats passifs au lieu de publier une annonce, et raccourcissez votre délai jusqu'à l'offre. La rareté sanctionne bien plus durement les processus lents que les budgets modestes.

## La statistique du déficit de talents IA que tout le monde cite ne tient pas

Si vous avez cherché des conseils sur le recrutement en IA cette dernière année, vous êtes tombé dessus : 1,6 million de postes IA ouverts pour 518 000 candidats qualifiés, soit un déficit de 3,2 pour 1. Le chiffre ne survit pas à une vérification des sources.

Remontez la chaîne. Un blog de recrutement cite un autre blog de recrutement, qui cite un prestataire de portage salarial et de mise à disposition de personnel, lequel attribue les chiffres à un « LinkedIn Global Talent Insights Report » sans URL, sans date de publication, et dont personne ne trouve trace publiquement. Les chiffres qui l'accompagnent ne valent pas mieux. Le fameux « les offres d'emploi en IA ont progressé de 163 % » est attribué à une analyse de Gloat qui ne contient pas ce chiffre. La formule « les meilleurs candidats sont partis en 10 jours » remonte à un billet de blog sans méthodologie ni échantillon déclarés. Quant aux délais de recrutement propres à l'IA, ils vont de 25 à 114 jours selon le prestataire consulté, et aucun ne concorde avec un autre.

La pénurie, elle, est bien réelle. Ces chiffres, non. Passons à ce qui résiste à l'examen.

## Ce que disent réellement les données sur le recrutement IA/ML

La demande de compétences en IA croît plusieurs fois plus vite que le nombre de personnes qui les possèdent, et des sources dont la méthodologie est publiée le documentent.

L'enquête Global Talent Shortage 2026 de ManpowerGroup a interrogé 39 000 employeurs dans 41 pays. Son constat principal : pour la première fois, **les compétences en IA sont devenues les plus difficiles à trouver au monde**, devant l'ingénierie traditionnelle et l'informatique. Le développement de modèles et d'applications d'IA arrive en tête des postes difficiles à pourvoir, à 20 %, suivi de près par la culture de l'IA, à 19 %. (Le « 72 % » souvent mal cité provient de la même enquête, mais désigne la part d'employeurs peinant à pourvoir leurs postes *toutes catégories confondues* ; il est d'ailleurs en baisse par rapport aux 74 % de l'année précédente. Ce n'est pas un chiffre propre à l'IA.)

Les données d'offres d'emploi vont dans le même sens. Le Stanford AI Index 2026, construit sur le jeu de données Lightcast de milliards d'offres américaines depuis 2010, relève :

| Indicateur | Chiffre |
|---|---|
| Offres américaines mentionnant des compétences en IA | 2,5 % de l'ensemble des offres, en hausse de 55 % sur un an |
| Croissance sur la décennie | environ 300 % |
| Compétence IA spécialisée la plus demandée | Python, dans 258 674 offres |
| Compétences en IA agentique | de 0,06 % à 0,23 % des offres en un an, soit environ 90 000 offres |

Le découplage d'avec l'ingénierie logicielle généraliste est ce qui compte le plus pour votre poste à pourvoir. The Pragmatic Engineer, à partir des données de TrueUp, rapporte que **les postes ouverts en ingénierie IA dans les grandes entreprises ont progressé d'environ 60 % sur un an, contre environ 7 % pour l'ingénierie logicielle généraliste**. Le classement Jobs on the Rise 2026 de LinkedIn place « AI Engineer » en tête des intitulés de poste à la croissance la plus rapide aux États-Unis.

### Ce que dit honnêtement le côté offre

Puisque le chiffre des « 518 000 candidats qualifiés » relève de la fiction, appuyez-vous plutôt sur le meilleur signal primaire disponible : le nombre de nouveaux doctorats en IA décernés aux États-Unis et au Canada a augmenté de **22 % entre 2022 et 2024**, selon le Stanford AI Index. Dans le même temps, la part de ces diplômés qui rejoignent l'industrie plutôt que le monde universitaire a *baissé*, d'un pic proche de 77 % à environ 63 %.

Deux horloges qui tournent à des vitesses très différentes. Dans les offres d'emploi, la demande de compétences en IA a progressé de 55 % en une seule année. L'indicateur le plus proche de l'offre de spécialistes a progressé de 22 % en deux ans, avec une part décroissante qui se dirige vers l'industrie.

Nous nous gardons volontairement d'en tirer un ratio. Les deux chiffres mesurent des choses différentes sur des périodes différentes, et c'est précisément en fabriquant une décimale à partir de là que le 3,2 pour 1 a été inventé. Le profil des chiffres suffit : vous recrutez sur un marché où la demande s'accroît environ cinq fois plus vite que le vivier.

## Publier une annonce en espérant que ça marche : pourquoi la méthode échoue sur les postes rares

Une annonce touche les gens qui cherchent. Les spécialistes que vous visez ne cherchent pas, et leur employeur actuel dépense de l'argent bien réel pour que cela dure.

Lightcast a analysé plus de 1,3 milliard d'offres d'emploi et constaté que **les offres exigeant des compétences en IA s'accompagnent d'une prime salariale de 28 %, soit environ 18 000 $ de plus par an**. Inversez la perspective : cette prime, c'est le budget de fidélisation de votre candidat cible, déjà provisionné, déjà versé. Structurellement, voilà pourquoi la personne que vous voulez ne verra jamais votre annonce.

Cela explique ce qui déroute la plupart des fondateurs. Votre poste de développeur back-end se pourvoit sans difficulté. Votre poste ML, lui, ne produit que du silence ou un déluge de candidatures hors sujet. Même site d'emploi, même page entreprise, même recruteur. La différence ne tient pas à votre offre d'emploi : le marché du back-end dispose d'un vivier sain de personnes entre deux postes, celui des spécialistes de l'IA, presque pas.

Vous trouverez quantité d'articles citant des pourcentages précis de candidats passifs : 70 %, 75 %, 87 %, 95 %. Ils se citent entre eux, se contredisent, et changent de définition d'une citation à l'autre. Laissez tomber le chiffre. L'argument structurel tient déjà debout avec les seules données sur la demande et sur la prime salariale.

## Impossible de surenchérir sur les géants de la tech : ce que vous pouvez gagner à la place

Disons la mauvaise nouvelle sans détour, parce que se raconter le contraire fait perdre du temps. Les rémunérations globales déclarées sur Levels.fyi situent les ingénieurs en apprentissage automatique de Google entre 199 000 $ (L3) et 743 000 $ (L7), avec une médiane proche de 302 000 $. Chez Apple, la fourchette va de 171 000 $ à 528 000 $, pour une médiane autour de 386 000 $. Les laboratoires de pointe montent encore plus haut.

Une startup en amorçage ou en série A ne remportera pas cette comparaison. Actez-le et cessez d'y dépenser votre énergie.

Trois choses restent réellement à votre portée, et toutes trois relèvent du processus, pas du budget :

1. **Arriver le premier.** La personne qui ignore 40 messages de recruteurs par mois lira celui qui montre une compréhension réelle de ce qu'elle a construit. Un premier contact crédible vaut mieux qu'un quarantième message générique.
2. **Avoir le chiffre prêt.** Les offres s'enlisent quand personne, chez vous, ne sait ce que vaut le poste. C'est dans cet enlisement qu'un candidat rare signe ailleurs.
3. **Décider en quelques jours.** Une startup de cinq personnes peut passer du dernier entretien à l'offre signée en 72 heures. Une entreprise dotée d'un comité de recrutement et d'un cycle trimestriel de calibrage des rémunérations en est structurellement incapable. Ce processus est le prix que les géants de la tech acceptent de payer. La plupart des startups se l'imposent par inadvertance au lieu d'en tirer parti.

Le reste de cet article décline cela en quatre étapes.

## Étape 1 : repérer les postes réellement rares

Tous les postes techniques n'appellent pas ce traitement, et l'appliquer à tous épuisera une petite équipe dès la troisième semaine.

Un poste est rare dès qu'au moins deux de ces signes sont réunis :

- **Les candidatures spontanées qualifiées sont quasi nulles** après quatre à six semaines, alors que vos autres postes ouverts se pourvoient normalement.
- **Chaque bon candidat a des offres concurrentes en main**, au lieu d'arbitrer entre vous et le statu quo.
- **La rémunération arrive dès le premier échange**, sans que vous l'ayez amenée, et le chiffre annoncé dépasse la fourchette que vous avez publiée.
- **Vos meilleurs candidats se retirent en cours de processus** plutôt que d'être écartés.

Si rien de tout cela ne se produit, votre entonnoir fonctionne et le problème est ailleurs, probablement dans l'offre d'emploi ou dans votre parcours d'évaluation. Corrigez plutôt cela. Ce mode opératoire coûte des heures bien réelles : réservez-le au poste, ou aux deux postes, qui en ont vraiment besoin.

## Étape 2 : établir la référence salariale avant de rédiger l'offre d'emploi

Si vous ne connaissez pas le chiffre avant la mise en ligne du poste, vous le découvrirez pendant la négociation, c'est-à-dire au moment le plus coûteux possible.

La preuve causale la plus solide sur le sujet est le document de travail NBER 34480 (Arnold, Quach et Taska, novembre 2025), une étude en doubles différences portant sur les obligations de transparence salariale adoptées par plusieurs États américains, à partir de trois jeux de données. Les employeurs ont augmenté de **30 points de pourcentage** la part des offres affichant une information salariale, et les salaires ont progressé de **1,3 % à 3,6 %**, le mécanisme identifié étant l'intensification de la concurrence sur le marché du travail.

Passons à ce que la plupart des articles omettent, parce que c'est gênant : la même étude ne relève **aucun effet sur le nombre d'offres, le niveau d'emploi, la dispersion des salaires, ni les exigences de compétences et de diplôme**. Afficher une fourchette ne vous apporte pas plus de candidatures. Quiconque vous annonce une hausse de 44 % du volume de candidatures cite une enquête de prestataire, pas une étude.

L'argument en faveur d'une référence salariale établie en amont n'est donc pas « les fourchettes attirent les candidats ». Il est plus étroit, et plus utile :

- Publier une fourchette est devenu le minimum attendu. Indeed Hiring Lab chiffrait à **57,8 %** la part des offres américaines affichant une rémunération en septembre 2024, contre 52,2 % un an plus tôt.
- Un chiffre défendable met fin aux blocages de négociation. « Voilà la médiane du marché et voilà où vous vous situez » conclut les discussions que « laissez-moi en parler à mon cofondateur » rouvre.
- Se tromper de fourchette gaspille la ressource la plus rare dont vous disposez. Six semaines de tunnel de recrutement bâti sur une fourchette inférieure de 20 % au marché, ce sont six semaines perdues.

Les données publiques de rémunération dans l'IA s'étalent de 150 000 $ à plus de 1 000 000 $, et aucune ne vous dit quelle fourchette s'applique à une entreprise en série A sur votre marché. Les enquêtes salariales accusent six mois de retard, voire davantage — dans ce secteur, six mois, c'est un autre marché.

C'est là que la [recherche de rémunération de Kit](/blog/compensation-intelligence-embedded-recruiting-workflow) entre en jeu. Elle extrait en direct les données des sites d'emploi plutôt que de mener des enquêtes, et elle couvre un groupe de rôles Machine Learning Engineer aux côtés de Data Scientist, Data Engineer et une vingtaine d'autres. Vous obtenez le minimum, le maximum, la médiane, le 25ᵉ et le 75ᵉ centile, filtrables par région, niveau d'expérience, type de contrat et technologie principale : de quoi extraire la fourchette senior pondérée par Python plutôt qu'une moyenne tous profils confondus.

Une précision d'honnêteté, plus importante que l'argumentaire : les sites suivis sont aujourd'hui JustJoin, NoFluffJobs, BulldogJob, TheProtocol, SolidJobs, Skillshot.pl et BuiltInLA. Soit une couverture européenne, orientée vers la Pologne, plus un site américain. Ce sont des données en direct pour les rôles et les régions suivis, pas une référence à l'échelle des États-Unis ou du monde. Si vous avez besoin de sites que nous ne suivons pas encore, les abonnés peuvent en faire la demande. Les chiffres américains de cet article proviennent de Levels.fyi et de Lightcast : ce sont les leurs, pas les nôtres.

<div class="blog-inline-cta">
  <p><strong>Fixez le chiffre avant la mise en ligne du poste.</strong> Extrayez la médiane, le 25ᵉ et le 75ᵉ centile du groupe Machine Learning Engineer, filtrés par région et par niveau d'expérience, à partir de données de sites d'emploi en direct plutôt que d'une enquête vieille de six mois. Le module complémentaire de rémunération est à 29 $ par mois, avec 24 heures d'essai gratuit.</p>
  <p><a href="/users/sign_up">Démarrez votre essai gratuit</a></p>
</div>

## Étape 3 : pratiquer l'approche directe plutôt que la publication d'annonces

La prospection sortante est le seul canal qui atteint les personnes qui ne cherchent pas, et ses mécanismes vérifiés privilégient la précision au volume.

Les chiffres sur lesquels s'appuyer :

- **Le ciblage l'emporte sur le volume.** Belkins a étudié 16,5 millions d'e-mails sur 93 domaines : un seul contact par entreprise obtient **7,8 % de réponses**, contre **3,8 %** lorsqu'on écrit à dix personnes ou plus dans la même entreprise. En 2024, l'e-mail à froid a obtenu **5,8 %** de réponses en moyenne, contre 6,8 % l'année précédente.
- **Le court l'emporte sur le long.** L'analyse par LinkedIn de dizaines de millions d'InMails de recruteurs montre que les messages envoyés individuellement récoltent **15 % de réponses en plus** que les envois groupés, que les messages de moins de 400 caractères dépassent la moyenne de **22 %**, et que ceux de plus de 1 200 caractères se situent **11 % en dessous**.
- **Une relance, pas trois.** Une première relance a fait grimper les réponses des meilleurs émetteurs de **49 %** au maximum. Le troisième e-mail, lui, obtient environ **20 % de réponses en moins** que le premier.

C'est la personnalisation qui achète la réponse, et c'est aussi la première chose qui saute vers le vingtième message, quand un fondateur s'en occupe entre deux appels clients. Les [campagnes de prospection](/blog/personalized-recruiter-outreach-reply-rates) de Kit lancent une étape de recherche sur chaque prospect avant la rédaction du brouillon : la version personnalisée devient le chemin par défaut, et non celui qui exige de la discipline. Les séquences se chargent de l'unique relance. Rien ne part sans validation humaine. Et quand le taux de réponse tombe sous 1 %, les diagnostics de campagne le signalent comme un problème de ciblage ou de message, au lieu de vous laisser deviner pendant deux semaines de plus.

### Commencez par les candidats que vous avez déjà écartés

Avant d'acheter la moindre nouvelle liste de prospects, regardez le vivier le plus chaud que vous possédiez déjà sur ces postes rares : les personnes qui ont candidaté chez vous, franchi votre barre d'exigence, puis été écartées pour des raisons sans rapport avec leurs compétences. Le moment était mal choisi. Un gel des embauches. Un finaliste légèrement plus solide a pris la place.

Elles connaissent déjà votre entreprise, ce qui fait disparaître tout le haut de l'entonnoir. La plupart des équipes n'y ont jamais jeté un œil, parce que ces données dorment dans un ATS que plus personne n'interroge une fois le poste pourvu. Nous avons décrit ce schéma dans notre article sur la [redécouverte des talents](/blog/talent-rediscovery-silver-medalists-ats-mining).

Kit en fait une simple recherche transversale. `outreach_find_silver_medalist_matches` compare la liste de prospects d'une campagne aux candidatures que votre compte a déjà écartées, et fait ressortir les recoupements. Cela fonctionne parce que prospects et candidats chiffrent et normalisent l'e-mail de façon identique : l'appariement se fait sans rien exposer d'un compte à l'autre. C'est la seule démarche d'approche directe de cet article qui ne coûte rien et prend quelques minutes, et aucun outil concurrent ne croise les deux jeux de données pour y parvenir.

Disons-le franchement : cette fonction expose des données personnelles issues de vos registres de recrutement à la personne qui mène la prospection. Traitez ces registres avec le soin que vous voudriez qu'on applique aux vôtres.

## Étape 4 : raccourcir le délai jusqu'à l'offre

Vous ne pouvez pas savoir combien de temps le marché vous accorde. Vous pouvez mesurer vos propres délais d'une étape à l'autre, et c'est le seul chiffre de cet article que vous maîtrisez.

À titre de repère général, l'étude comparative 2025 de la SHRM situe le délai moyen de recrutement entre 42 et 47 jours, dont 8 à 9 jours en moyenne pour la présélection et autant pour les entretiens. Il n'existe aucun chiffre fiable propre à l'IA, et tout article qui en cite un cite un prestataire. Reste qu'un processus de six semaines face à un candidat qui mène trois discussions en parallèle n'est pas au niveau du marché, quelle que soit la moyenne.

Mesurez quatre intervalles dans votre propre entonnoir :

1. De la candidature ou de la réponse jusqu'à votre première réaction
2. De votre première réaction au premier entretien
3. Du dernier entretien à la décision
4. De la décision à la remise de l'offre

Le troisième intervalle est presque toujours la fuite, et ce n'est presque jamais un problème de décision. Ce sont deux évaluateurs qui n'ont pas rendu leurs retours. Les pipelines à progression par étapes de Kit exposent précisément cela : décisions en attente et revues manquantes sont interrogeables, si bien qu'« on attend Sam » devient visible dès le premier jour au lieu du neuvième. Les modèles de processus permettent de bâtir une seule fois le pipeline d'un poste rare, puis de le réutiliser : le deuxième poste n'est pas reconstruit de zéro.

Raccourcir, c'est supprimer les étapes redondantes et les créneaux perdus dans les emplois du temps. Ce n'est pas escamoter l'évaluation. Si votre parcours comporte deux discussions distinctes de conception de systèmes qui couvrent le même terrain, supprimez-en une. S'il comporte un exercice à réaliser chez soi que la moitié de vos évaluateurs ne lisent jamais, supprimez-le ou lisez-le. Nous avons longuement écrit sur les [grilles d'évaluation structurées](/blog/skills-based-hiring-structured-scorecards) : rapidité et rigueur ne s'opposent pas, et les processus les plus rapides sont en général ceux qui ont décidé à l'avance de ce qu'ils mesuraient.

## Quand ne pas appliquer ce mode opératoire

Trois réserves honnêtes, parce qu'une stratégie qui ne fonctionne que lorsque tout coopère n'est pas une stratégie.

**La prospection sortante est un travail de fond.** Bien chercher des candidats relève de l'habitude, pas du sprint. Les équipes qui s'y engagent à moitié obtiennent moins de 1 % de réponses, en concluent que « la prospection sortante ne fonctionne pas » et retournent publier des annonces. Budgétez honnêtement les heures, ou ne commencez pas.

**Certains postes ne devraient pas être pourvus au prix du marché.** Si le tarif réel du marché pour ce poste rare fait exploser votre grille de rémunération, l'aligner risque de déformer la structure salariale de toute l'équipe pour un seul recrutement. Restructurer le poste est souvent la meilleure réponse : un prestataire pour la construction initiale, un spécialiste à temps partagé, ou un bon généraliste bien outillé. Cette décision est bien plus facile à prendre quand la référence salariale a été établie à l'étape 2 — un argument de plus pour commencer par là.

**Rapidité ne veut pas dire négligence.** Si raccourcir votre parcours d'entretiens revient à ne plus prendre de notes, à ne plus comparer les candidats aux mêmes critères, ou à ne plus impliquer les personnes qui travailleront avec la recrue, vous n'êtes pas allé plus vite. Vous avez simplement reporté la facture au quatrième mois.

## Construire un pipeline adapté à la rareté avec Kit

La pénurie d'ingénieurs IA/ML est bien réelle ; les chiffres que la plupart des gens citent à son sujet ne le sont pas. Ce qui résiste à l'examen : les compétences en IA sont désormais les plus difficiles à trouver au monde, les offres qui les exigent ont progressé de 55 % en un an quand le vivier de spécialistes gagnait 22 % en deux ans, et les postes ouverts en ingénierie IA dans les grandes entreprises ont progressé d'environ 60 % sur un an, contre 7 % pour l'ingénierie logicielle généraliste. Vous perdrez la plupart des comparaisons de rémunération en face-à-face avec des entreprises dont la médiane est à 300 000 $.

Vous pouvez néanmoins gagner, sur le terrain où le processus l'emporte sur le budget : connaître votre chiffre avant la mise en ligne du poste, contacter des personnes qui ne cherchent pas, commencer par celles qui ont déjà franchi votre barre d'exigence, et décider en quelques jours.

Kit réunit ces quatre volets au même endroit. Des données de rémunération en direct pour le groupe Machine Learning Engineer, avec médianes et centiles par région et par niveau d'expérience. Des campagnes de prospection documentées, validées par un humain, assorties de diagnostics qui signalent un ciblage mal calibré. L'appariement des finalistes malheureux avec vos propres candidatures écartées. Des pipelines à progression par étapes qui rendent visibles les retards de relecture avant qu'ils ne vous coûtent le candidat.

Si vous recrutez sur l'un de ces postes en ce moment, deux articles complémentaires valent d'être lus dans la foulée : [comment recruter un ingénieur en apprentissage automatique](/blog/how-to-hire-machine-learning-engineer) et [comment recruter un ingénieur IA](/blog/how-to-hire-ai-engineer). Pour l'argument plus large des équipes réduites, voyez [recruter des spécialistes plutôt que des généralistes](/blog/hire-specialists-not-generalists-lean-teams-2026) ; et pour le volet participation au capital de la question salariale, [salaire et participation au capital d'un ingénieur fondateur en 2026](/blog/founding-engineer-salary-equity-2026).

[Démarrez votre essai gratuit](/users/sign_up) et extrayez votre première fourchette salariale avant de rédiger la prochaine offre d'emploi.