En France, le marché de l’emploi IA s’est stratifié ces dernières années. Pour un LLMOps Engineer à Paris, Silkhom indique 85 à 105 k€ pour un profil confirmé et 105 à 125 k€ pour un senior. La formation de masse a développé les compétences liées aux usages de l’IA, tandis qu’une partie des sortants de bootcamps accède à des postes de conception ou de pilotage des systèmes. Le clivage est déjà dessiné, et sa pérennisation n’est pas un accident technique.

L’essentiel

  • La hiérarchie salariale IA s’est cristallisée en France : LLM Engineers à 85-100 k€ contre exécutants augmentés à 32-50 k€, soit un différentiel de un à trois (Baromètre Silkhom 2026).
  • Seuls 5 à 8 % des sortants de bootcamps IA atteignent des postes de gouvernance des modèles ; la formation de masse alimente structurellement le bas de la hiérarchie.
  • La complémentarité entre humains et machines existe techniquement, mais la redistribution des gains échoue faute de régulation du pouvoir algorithmique, un déficit que les chercheurs travaillant sur la gouvernance de l’IA qualifient de choix politique, non de contrainte technique.
  • Sans intervention institutionnelle, la concentration des gains devrait s’accentuer d’ici 2030-2035 ; l’enjeu immédiat est de décider qui accède aux niveaux où se prennent les décisions sur les modèles.

Deux marchés du travail dans la même phrase de recrutement

Une annonce LinkedIn mentionnant « profil IA recherché » peut désigner deux réalités très différentes. La première est celle de l’ingénieur LLMOps, qui calibre les pipelines de données, ajuste les paramètres d’entraînement et conçoit les garde-fous d’un modèle déployé à l’échelle d’une organisation. La seconde est celle de l’exécutant augmenté, consultant, analyste ou chargé de contenu, dont le métier a été reconfiguré par l’IA sans que sa position dans la chaîne de valeur ait fondamentalement changé. Pour un LLMOps Engineer confirmé à Paris, Silkhom indique 85 à 105 k€ brut fixe annuel. Le plancher de 32 k€ concerne un Prompt Engineer junior en régions ; les salaires varient selon la zone géographique et l’ancienneté.

Ce différentiel d’un facteur trois n’est pas nouveau dans l’histoire des révolutions technologiques. Ce qui frappe ici, c’est la vitesse à laquelle la ligne de démarcation s’est tracée, et la façon dont les dispositifs de formation l’ont consolidée plutôt que traversée. Les bootcamps IA se sont développés en France ces dernières années : quelques semaines, parfois quelques mois, pour apprendre à utiliser des outils, à formuler des prompts, à intégrer des API dans des flux de travail existants. Ces formations répondent à une demande réelle. Elles équipent des salariés dont les métiers évoluent vite.

Mais elles ne garantissent pas l’accès aux postes où se prennent les décisions sur les modèles.

Les formations courtes peuvent développer des compétences d’usage sans préparer systématiquement aux postes de conception des systèmes. L’écart entre les deux est à la fois technique et institutionnel.

Les limites de la complémentarité

L’économiste Axelle Arquié, qui travaille sur la régulation politique de l’IA, pose un cadre utile pour lire cette stratification. La complémentarité entre humains et machines, le fait que l’IA augmente la productivité d’un travailleur sans le remplacer entièrement, est réelle et documentée. La complémentarité technique ne détermine pas à elle seule qui capte les gains de productivité. Deux travailleurs également augmentés par l’IA peuvent se retrouver dans des positions de marché radicalement différentes selon leur accès aux leviers de décision sur les modèles. La redistribution des gains dépend aussi des rapports de pouvoir et des choix institutionnels.

Les données françaises de 2026 illustrent précisément ce mécanisme. Un chargé de communication qui utilise ChatGPT pour produire trois fois plus de contenu qu’il y a deux ans est techniquement augmenté. Sa productivité a progressé. Mais si son salaire est resté à 38 000 euros pendant que l’entreprise qui capte sa production augmentée a vu ses marges progresser, la complémentarité a bien eu lieu, et le gain a été redistribué différemment. L’ingénieur qui a conçu le déploiement interne du modèle, lui, touche 90 000 euros.

Daron Acemoglu et Simon Johnson, dans leurs travaux sur les institutions et la technologie, avaient formulé l’hypothèse que la direction du progrès technique n’est pas neutre : les technologies peuvent être orientées vers l’augmentation des travailleurs ou vers leur substitution, selon les capacités techniques, les tâches, les coûts, l’organisation des entreprises et le cadre institutionnel. Appliqué à la France de 2026, leur cadre invite à examiner le rôle des institutions dans la stratification salariale. L’article L’IA s’installe partout mais reste invisible dans les comptes avait documenté cette invisibilité statistique du phénomène, le fait que les gains de productivité liés à l’IA peinent à se matérialiser dans les indicateurs agrégés. La stratification salariale est peut-être le premier endroit où ils deviennent visibles, concentrés sur un petit nombre de postes.

La formation de masse dans une impasse structurelle

Il faudrait éviter de conclure trop vite que les bootcamps IA sont inutiles. Ils ne le sont pas. Pour un comptable, un juriste, un responsable marketing qui doit intégrer des outils d’IA dans son quotidien professionnel, une formation intensive de quelques mois représente un gain réel de compétences et, souvent, une sécurisation de l’emploi. France Stratégie analyse les transformations des tâches et recommande d’anticiper les besoins de formation. Les bootcamps comblent partiellement ce gap.

Ces postes peuvent offrir des perspectives d’évolution limitées.

Ces postes requièrent généralement des compétences techniques avancées et, dans les profils étudiés par Silkhom, un niveau Bac+5. Ces compétences s’acquièrent sur plusieurs années, dans des formations longues, masters, écoles d’ingénieurs, doctorats, dont l’accès reste fortement corrélé aux déterminants sociaux classiques : origine scolaire, capital économique familial, réseau. Le marché de l’IA peut reproduire des inégalités d’accès aux qualifications et aux rémunérations. Il s’agit d’un problème ancien porté à une nouvelle échelle de rémunération.

L’enjeu pour les politiques de formation n’est donc pas de multiplier les bootcamps, l’offre est déjà abondante, parfois excessive, avec une qualité très hétérogène. C’est de financer des parcours longs pour des publics qui n’y ont pas accès spontanément : reconversions profondes pour des salariés expérimentés, voies parallèles vers les niveaux master pour des profils autodidactes, renforcement des licences professionnelles en informatique dans les universités publiques. Quelques expérimentations existent, le programme Grande École du Numérique, certaines initiatives de l’AFPA, mais leur échelle reste marginale face aux besoins.

La gouvernance algorithmique comme enjeu de régulation

Derrière la question salariale, une question plus large se profile. Les postes de gouvernance des modèles, ceux que les baromètres salariaux nomment LLMOps, MLOps, AI Safety Engineers, ou encore responsables d’IA d’entreprise, ne se contentent pas de produire des gains techniques. Ils décident, en pratique, des règles que l’IA applique à grande échelle dans une organisation : quels biais sont filtrés ou non, quels types de décisions sont automatisées, quels garde-fous sont mis en place pour les cas limites.

Ces décisions ont des effets distributifs. Un algorithme de scoring RH qui pénalise les candidats avec des trous de carrière prend une décision qui touche des millions de candidatures. Un modèle de pricing dynamique calibré par un LLM Engineer oriente des flux économiques considérables. La composition de ces équipes et le cadre réglementaire peuvent influencer la distribution des gains liés à l’IA.

Les décisions sur les modèles peuvent avoir des effets politiques et appellent un cadre de responsabilité. La concentration des compétences de gouvernance dans une partie du marché du travail soulève la question de la répartition du pouvoir sur les systèmes d’IA. Le règlement européen sur l’IA tente d’encadrer cette situation par des obligations de transparence et d’audit pour les systèmes à haut risque, sans traiter pour autant la répartition des compétences humaines qui permettraient d’exercer ce contrôle.

Trois cadres pour les agents IA, aucun pour les faire converger avait pointé cette fragmentation réglementaire au niveau européen. L’AI Act encadre surtout les systèmes et impose aussi des obligations de culture de l’IA, sans organiser un accès égalitaire aux formations longues de gouvernance.

La cristallisation de 2026 et ses prolongements jusqu’en 2030-2035

Les données salariales actuelles ne sont pas une photographie stable. Elles décrivent une situation susceptible d’évoluer selon les transformations du marché du travail et les politiques publiques.

Un premier scénario, dit de la complémentarité inégale, prolonge la tendance actuelle. Les écarts de rémunération entre spécialités pourraient se maintenir ou évoluer selon les qualifications, les entreprises et les politiques de formation. Dans ce scénario, les écarts salariaux et les possibilités de mobilité vers les postes décisionnels pourraient évoluer de manière inégale. France Stratégie examine plusieurs scénarios et recommande d’anticiper les transformations liées à l’IA.

Un second scénario, plus favorable, suppose une intervention délibérée sur au moins deux leviers. Le premier est formatif : développer des parcours longs vers les métiers de l’IA pour des publics qui y accèdent peu. Le second est réglementaire : des exigences de transparence peuvent accroître les besoins de contrôle et de conformité, sans imposer en elles-mêmes l’internalisation ou une répartition particulière de ces compétences dans l’entreprise. Ce scénario n’est pas utopique. L’Allemagne, via ses structures de formation duale, et le Danemark, via ses politiques actives de reconversion, ont démontré que les transitions technologiques pouvaient être accompagnées sans laisser le marché seul dessiner la hiérarchie.

Les signaux à suivre pour distinguer les deux trajectoires sont lisibles : l’évolution du taux de sortants de formations longues en IA parmi les moins de 30 ans sans diplôme d’ingénieur ; l’effectivité des audits prévus par l’AI Act pour les systèmes RH et de scoring ; et, peut-être plus révélateur encore, l’évolution du salaire médian des postes intermédiaires, les data analysts, les consultants IA, dans les deux prochaines années. Si ce segment se comprime pendant que le haut de la hiérarchie continue de progresser, la dualisation sera confirmée. S’il progresse, c’est que la complémentarité technique se traduit enfin en redistribution réelle.

Les données de 2026 ne permettent pas d’établir une comparaison entre l’accès aux leviers de gouvernance de l’IA et l’accès aux grandes écoles. Comme l’expose La même interface pour tous, le pouvoir pour un seul, l’uniformisation de la surface d’usage masque des asymétries de pouvoir profondes. L’enjeu est de décider qui participe à la conception des règles, et non de former davantage de prompts engineers.

Sources

  1. Baromètre Silkhom 2026, Salaires IA et ML en France : https://www.silkhom.com/les-salaires-ia-et-ml/
  2. Axelle Arquié, Analyses IA et régulation politique : https://www.axellearquie.fr/
  3. Baromètre Factoriel 2026, Rémunérations et métiers numériques (Factoriel, sans lien garanti)
  4. INSEE-DARES 2026, Enquête emploi, métiers du numérique (INSEE, sans lien garanti)
  5. France Stratégie, Intelligence artificielle et marché du travail (France Stratégie, sans lien garanti)
  6. Daron Acemoglu et Simon Johnson, Power and Progress (2023), Basic Books