Tristan Vanrullen, Docteur en informatique et linguistique, ingénieur en IA, responsable data/IA et expert projets Lab à La Plateforme_
Ton métier, simplement
Mon métier, c’est de concevoir et d’accompagner le développement de solutions numériques qui intègrent l’intelligence artificielle. Pour cela, j’évolue en permanence entre trois mondes : celui des besoins métiers, souvent exprimés de façon informelle ; celui des contraintes techniques et réglementaires, qui fixent ce qu’on peut réellement faire avec les données, les modèles et l’infrastructure ; et celui des équipes de production, où l’on transforme des idées en logiciels, désormais avec des compagnons d’IA générative.
Concrètement, je fais dialoguer ces trois mondes. Je travaille comme un traducteur: je détermine et reformule les attentes métiers en spécifications compréhensibles par les ingénieurs, je transforme les contraintes en arbitrages lisibles pour les décideurs, et j’aide les équipes de production à intégrer l’IA dans leurs pratiques sans perdre de vue la qualité de la donnée, la gouvernance et le sens de l’usage.
Transmettre une solution, c’est aussi transmettre sa maîtrise. Mon métier est donc aussi celui de la transmission. J’ai enseigné l’informatique pendant une dizaine d’années, et je continue à présent à La Plateforme_ en encadrant les parcours de Bachelor et Mastère data/IA, ou en accompagnant des parcours de formation pour les entreprises.
Qu’est-ce qui te passionne le plus dans ton métier ?
Ce qui me stimule le plus, et qui est sans doute ancré dans une posture de chercheur, c’est de résoudre des problèmes, parfois théoriques ou complexes, pour un usage très pratique, en accompagnant simultanément la compréhension et la maîtrise des interlocuteurs – clients, étudiants, collègues ou confrères. Un étudiant doit apprendre à mettre en oeuvre une démarche de conception-transmission, tout comme un utilisateur d’applications doit pouvoir décider et agir en se libérant des entraves techniques des outils. .
Je sors d’une journée en me disant que j’ai vraiment fait mon métier soit après un bon cours ou atelier, soit après avoir correctement cadré une solution applicative d’intelligence artificielle. L’indice de succès, je le trouve dans la mise en œuvre d’une vraie gouvernance de la donnée et de l’IA. Quand on développe des solutions sur mesure, il y a une forme d’ergonomie de l’évidence qui se dessine, quelque chose qui fait immédiatement sens pour les usagers. Je considère que j’ai réussi lorsque cette évidence s’incarne, lorsque les étudiants ou les clients s’approprient les propositions, les plient à leur façon de travailler, en comprennent les limites et les prolongements.
Je suis heureux quand je constate qu’un étudiant ou un client s’est emparé des outils pour décupler et épanouir sa créativité ou sa puissance de travail.
Pour moi, il est essentiel de garder – autant que possible – les mains dans le code et l’infrastructure. Une solution informatique, un savoir‑faire d’ingénierie, une conception d’applications data ou IA ne passent à l’échelle que lorsqu’ils sont frontalement confrontés à la réalité de l’implémentation. Cette tension entre terrain et idéation est un peu mon électricité.
Une grande part de mon métier touche à l’incorporation de la donnée dans les processus décisionnels. Ce type d’objectif n’est pas seulement atteignable par des applications numériques : il demande une évolution des pratiques dans la durée et l’acquisition d’une culture de la donnée avant même celle de l’IA. J’aime aider les organisations à cultiver ce terreau de la donnée pour que les décisions et les actions soient pondérées, dimensionnées à la hauteur des ambitions. Pour cela, il faut souvent être communiquant et pédagogue, impactant et structurant : ce sont ces facettes humaines de mon métier qui le rendent vraiment stimulant.
Pourquoi se lancer dans le domaine du développement aujourd’hui ?
Parce que l’IA est en train de devenir une infrastructure intellectuelle de base, au même titre que l’électricité l’a été pour l’industrie. Ne pas comprendre comment elle fonctionne, comment elle s’intègre et où sont ses limites, c’est prendre le risque de la subir. À l’inverse, se former sérieusement – en data, en IA, en génie logiciel – permet de transformer cette vague en levier de métier, pas seulement en gadget.
C’est aussi un domaine où l’on peut encore façonner les bonnes pratiques : gouvernance de la donnée, place de l’humain, articulation entre automatisation et responsabilité. Pour quelqu’un qui aime à la fois comprendre en profondeur, construire et transmettre, c’est un terrain d’expérimentation, d’innovation et de travail qui restera riche pendant de longues années.
Ce qui a changé avec l’IA
Ce qui a vraiment changé avec l’arrivée des LLMs et de l’IA générative, ce n’est pas tant la friction sur la gouvernance de la donnée – elle reste la même – que la traction vers la généralisation de l’IA dans les usages. Là où les solutions de data science et de machine learning sur lesquelles je travaillais auparavant touchaient des périmètres souvent ciblés (étroits), les solutions actuelles ouvrent beaucoup plus de cas d’usage, beaucoup plus proches du métier et du quotidien des utilisateurs.
Il reste difficile, dans beaucoup d’organisations, de faire comprendre la nécessité de bonnes pratiques sur la donnée ; cela n’a pas changé. En revanche, la demande s’est déplacée vers des usages applicatifs métier, formulés de manière très simple dans l’expression du besoin, mais souvent complexes dans l’implémentation. Depuis l’arrivée de l’IA générative, il faut être à la fois ambassadeur d’approches data‑driven et conseiller pragmatique dans l’élaboration des spécifications.
On est passé d’un logiciel ciblé, avec des fonctionnalités mécaniques bien délimitées et une mesure objective de la tâche à effectuer, à des applications multipotentes, dotées de compétences informelles et une mesure subjective de la qualité. Cela impacte toute la chaîne de conception des systèmes d’information, avec des frontières beaucoup moins nettes entre les approches classiques de génie logiciel et les nouvelles pratiques de co‑développement avec l’IA et d’orchestration agentique. Ce qui a changé, c’est qu’il faut redoubler d’efforts pour que les usagers intègrent de nouveaux risques et ne s’illusionnent pas sur les promesses de retour sur investissement.
Les nouvelles approches de développement – travail en co‑création avec l’IA, orchestration d’agents, systèmes de “skills” et d’outils, frameworks d’évaluation – ouvrent des champs fabuleux pour concevoir des solutions puissantes. Mais la limite n’est pas seulement l’imagination : elle est surtout la qualité de la donnée. On a l’IA que vaut notre donnée.
Les compétences qui font vraiment la différence
Il devient nécessaire de transmettre aux étudiants les qualités qui permettent aux seniors de discerner les pistes praticables dans des demandes très informelles voire magiques. Les qualités à cultiver pour s’accompagner efficacement d’outils d’IA sont en grande partie des soft skills : nuance linguistique, rigueur, recul, discernement.
Dans un paysage où les LLMs, les agents et l’IA générative deviennent des compagnons de travail, la compétence clé n’est plus seulement de savoir coder, mais de savoir orienter intelligemment ces systèmes. Les outils font beaucoup, mais ils ne savent pas choisir ce qui est pertinent, responsable et durable pour une organisation. Il est donc urgent de prendre de la hauteur.
Les compétences qui font vraiment la différence sont d’abord des qualités de fond : la nuance linguistique pour formuler précisément une demande, la rigueur pour vérifier et recadrer ce que l’IA propose, le recul pour replacer chaque solution dans un contexte plus large, et le discernement pour identifier les pistes praticables. Être compétent aujourd’hui, ce n’est pas seulement maîtriser des frameworks, c’est être capable d’accompagner une transformation : aider les organisations à construire sur ce “terreau” : gouvernance de la donnée, clarification des besoins, appropriation des outils – pour que l’IA serve réellement les décisions et les métiers.
Ce que tu dirais à un étudiant aujourd’hui
Le positionnement des étudiants dans le contexte de l’IA générative est crucial. Je leur dis souvent qu’il faut continuer à maîtriser le code et l’algorithmique, et apprendre à s’accompagner d’IA de manière informée. Un bon développeur doit être capable de debugger du code, qu’il ait été produit par un humain ou par une IA.
Il faut éviter la hype des promesses de “freelances à 10 k€ par mois grâce à l’IA-automation”: un bon développeur doit avoir une vision de bout en bout, encore plus à l’ère de l’IA générative.
Il ne faut pas bannir l’usage de l’IA dans le développement (il est important de connaître les outils et de vraiment savoir s’en servir, pas seulement d’en avoir entendu parler), mais seulement sur un socle algorithmique et une culture de la programmation solides:.
Quand on développe des solutions numériques “avec IA inside”, il faut maîtriser la donnée, comprendre les maths et l’ingénierie des modèles d’IA, et être aussi à l’aise avec les problématiques de génie logiciel que les software-engineers.
Pour ceux qui se demandent comment faire la différence, je dirais qu’il y a deux compétences à travailler et à mettre en avant: le discernement et la communication. Bien plus que Python, Spark, Kafka, TensorFlow ou Hugging Face, ce sont ces soft skills qui vous rendent indispensables. À l’horizon 2027, j’ajouterais que les fruits de la maturation actuelle se ramassent en production : savoir mettre des solutions data/IA en production et passer du proof of concept à l’échelle. Pour cela il vous faut de bonnes compétences en “ops”. En résumé, devenir peu à peu des profils “dev‑data‑IA‑ops” communicants.
Le futur du métier
À 5–7 ans, il est difficile de prédire exactement ce que sera devenu un développeur ou un expert data/IA formé aujourd’hui, mais je peux voir quelques tendances se confirmer. Si une personne a été formée avec un substrat technique et théorique solide, et si elle est suffisamment communicante et transversale côté métier, elle deviendra un “super‑développeur” ou un “super‑consultant” en data/IA et applications.
La frontière entre développement back, front et data + IA s’efface progressivement : le développeur sera de plus en plus full‑stack avec IA. Aujourd’hui, plus personne ne dit si une application est “web app” ou si elle a une “base de données inside”. Ces aspects de l’application numérique ne sont plus des arguments distinctifs en marketing. Je pense que le “IA inside” suit la même trajectoire et que les applications de demain ne seront pas séparées entre celles “avec IA” et celles “sans IA”, sauf pour identifier des caractéristiques et spécificités des applications liées à la conformité (IA Act, RGPD…). Ainsi, le développeur de demain sera back-front-data-IA-ops formant un continuum entre les spécialités du développement numérique actuelles.
Le champ des applications sera décuplé si la tendance d’amélioration des modèles se confirme (LLM ou autres successeurs). La surface des métiers touchés par l’IA ne cesse d’augmenter, et la notion d’“application” est peu à peu remplacée par celle d’“agent”. Dans cet avenir proche, il y a de la place – et un réel besoin – pour des experts polyvalents, encapacités par l’IA plutôt que remplacés par elle.
Un diplômé de Bachelor ou de Mastère avec 5 à 7 ans d’expérience de terrain sera prêt à architecturer des solutions opérationnelles. Il faudra apprendre à considérer le développeur ou l’expert IA comme un manager d’IA : orchestrateur, concepteur et garant de la cohérence entre les agents, les données, les usages et les contraintes des organisations.
Sans filtre : le métier en vrai
Ce qui m’agace le plus, ce sont les illusions entretenues autour de l’IA pour des finalités mercatiques, alors que les transferts technologiques de la R&D vers l’industrie sont encore frais : la peinture n’est pas sèche !
Alors, penser qu’on peut devenir “expert IA” en automatisant quelques tâches, même complexes, c’est un peu comme croire qu’on peut devenir meilleur coureur simplement en achetant des baskets magiques : on oublie de se demander ce que “mieux” signifie pour une application métier. Comment on mesure ce qui est meilleur, et sur quelles données on appuie cette mesure. Il y a un marché grandissant pour la généralisation des usages de l’IA, mais aussi énormément de mirages, et un marketing forcené autour de solutions bricolées – je dirais “bricodées” ou “brico‑no‑codées” – qui, à terme, est nuisible pour la profession. Le manque de sérieux et d’envergure de certaines approches retombe sur tous ceux qui s’attachent à devenir des experts métier.
Je n’apprécie pas non plus la candeur, parfois la désinvolture, avec lesquelles ces technologies sont perçues comme des solutions magiques, de surcroit comme des solutions pertinentes pour de vieux problèmes déjà résolus. On parle très peu de vendor lock‑in, de l’absence de métriques ou de vrais systèmes d’évaluation, du goulot d’étranglement autour de la maîtrise du “slop”, du survol bâclé des obligations réglementaires, de la réouverture de risques cyber qu’on croyait contenus, du coût réel et de l’effort nécessaire pour passer en production, de la dérive des modèles, de la robustesse au passage à l’échelle. Ce sont pourtant ces angles morts qui font peser un risque énorme sur les organisations qui s’engagent dans l’IA sans garde‑fous. Parfois, je me dis qu’il faudrait instituer un ordre des ingénieurs IA, comme pour les médecins ou les architectes, pour limiter les déconvenues.
Ce que je répète aux étudiants comme aux clients, c’est qu’il faut rester méthodique : mesurer le besoin et l’usage, calibrer les charges et les coûts cachés, ne pas négliger la supervision humaine, investir dans la durée dans la gouvernance des données et dans le développement. L’IA n’est pas “un outil de plus” dans la stack du SI, c’est un changement de régime qui impose de mieux connaître les règles métier et de concevoir en anticipant la défaillance ou la dépréciation des modèles. Il en va de même pour le “vibe‑coding” dans une équipe de développement que pour le déploiement d’IA agentique à large échelle dans un grand groupe.
L’IA va remplacer les jobs ?
L’IA remplace déjà des parties de jobs. Il ne faut pas se raconter d’histoires : dès qu’une activité peut être raisonnablement décrite comme un enchaînement de tâches ou de processus explicites, elle devient exposée à une automatisation, partielle ou complète.
La valeur durable du salarié (agent humain) – c’est à dire la zone de son activité la moins menacée par un remplacement – se situe dans les expertises métier et les activités difficilement reformulables en termes de checklists. L’expérience et l’expertise contiennent une part d’implicite, de contexte, de responsabilité assumée, que l’IA peine à atteindre et surtout à justifier. Donc non, l’IA ne va pas remplacer tous les jobs. En tout cas, pas encore ; mais elle va grignoter tout ce qui peut être standardisé sans trop de pertes apparentes, ce qui oblige chacun à clarifier où se situe réellement sa valeur.
L’expert de demain qui voudra rester dans le métier du développement applicatif aura besoin d’être hyper solide en algorithmique et programmation, gestion de projet et product management.
Ton outil préféré ?
Mes outils préférés restent le tableau blanc et le petit carnet. Ils couvrent toute la part d’incubation, d’expression et de transmission qui peut se passer de toute autre forme technologique. Le carnet et le tableau blanc ne tombent pas en panne et n’ont pas de latence : toute conception, idéation, prise de besoin, spécification passe par ces médiums.
Branché à une IA locale, mon carnet de notes numérique Obsidian est aussi devenu une extension de ma mémoire, une forme dynamique de support pour progresser et concevoir. C’est un bon exemple de ce que j’attends de l’IA : un compagnon de travail connecté à des pratiques très humaines, plutôt qu’un substitut magique.
L’erreur la plus fréquente ?
Une erreur fréquente consiste à prendre les sorties d’un LLM ou d’un agent comme un résultat “fini”, plutôt que comme une proposition à interroger. On délègue trop vite la formulation, la définition du problème, voire la décision, à des systèmes qui n’ont ni responsabilité, ni compréhension, ni mémoire des conséquences.
Chez les étudiants comme chez certains professionnels, je vois parfois une tendance à empiler des outils ou des frameworks sans consolider les fondamentaux : données, modèles, tests, évaluation, gouvernance. C’est un peu l’équivalent du “vibe‑coding” appliqué à l’IA : on bricole quelque chose qui semble marcher, mais on ne sait pas bien pourquoi, ni jusqu’où cela tiendra.
Une compétence sous-estimée ?
Les compétences les plus sous‑estimées, ce sont justement celles qu’on qualifie un peu trop vite de “soft skills” : la nuance linguistique, le discernement, la capacité à communiquer clairement, à reformuler un besoin ou une intention, à poser un cadre. On parle beaucoup de stacks techniques, mais trop peu de cette capacité à faire tenir ensemble un problème, des données, des outils et des humains.
Ces compétences là sont pourtant impératives pour devenir indispensable dans un environnement où l’IA amplifie tout: les bons choix comme les mauvais.
Pourquoi conseillerais-tu nos formations aujourd’hui ?
Parce qu’elles permettent d’entrer dans l’IA non pas par le buzzword, mais par la pratique, la confrontation aux vrais besoins et la compréhension des contraintes. Les formations IA & Data de La Plateforme_ mettent les étudiants en contact direct avec des entreprises, des problématiques réelles, un Lab IA et des intervenants qui vivent ces transformations au quotidien.
On y apprend à la fois à utiliser les outils de l’IA générative, à créer des solutions de machine learning, de data science et d’IA, à maîtriser la donnée et à s’inscrire dans une culture de génie logiciel. Autrement dit, à faire le lien entre ce que l’IA permet de plus en plus facilement, et ce qu’il faut continuer à bien faire soi‑même pour que les projets tiennent la route.
Avec le Bachelor, tu deviens un profil capable de prendre en charge la donnée dans une équipe de développement : data analyste, data‑ops, ml‑ops, communicant de la donnée et intégrateur d’IA dans les applications métier. Tu apprends à parler le langage du dev tout en apportant le vocabulaire et les spécificités de la donnée et du machine learning.
Grâce à l’alternance, au contact direct avec les entreprises et au Lab IA, tu es confronté très tôt aux évolutions des besoins et préparé à y répondre de façon concrète. Les masterclass animées par des professionnels te mettent au contact des nouveaux usages (MCP, agentique, RAG, etc.). Si l’IA était une chaussure, ce Bachelor t’apprendrait à fabriquer des chaussures sur mesure pour les autres, tout en étant toi‑même capable de te servir de “super‑chaussures” pour aller plus loin et plus vite.
Avec le Mastère, tu apprends à dialoguer avec tous les interlocuteurs : équipes techniques, métiers, direction, partenaires. Tu y développes la capacité à cadrer et concevoir des solutions complexes en respectant simultanément les contraintes réglementaires, budgétaires et volumétriques. Tu deviens force de conseil, capable de proposer des cadres rigoureux pour engager une entreprise sur une solution qui intègre de l’IA.
Le Mastère ne se limite pas aux solutions de data science classiques : il forme aussi aux approches sur mesure qui exploitent l’IA – vision, langage, agents, RAG, services spécialisés. Tu deviens une force de proposition et de veille technologique sur des solutions on‑premise, cloud ou virtualisées. Tu apprends à construire des architectures logicielles avec IA et à les conformer aux besoins réels des métiers, en prenant en compte les enjeux de gouvernance, de conformité, de robustesse et de passage à l’échelle.
Une dernière question…On surestime l’IA… ou on la sous-estime encore ?
On surestime l’IA chaque fois qu’on lui prête de la compréhension, de la conscience, de l’intention ou de la créativité là où il n’y a que ( à ce jour) des corrélations puissantes et bien entraînées.
Et en même temps, on la sous‑estime quand on se sent à l’abri de sa capacité à industrialiser des tâches intellectuelles qu’on croyait réservées aux humains.
Le vrai enjeu, ce n’est pas de décider si l’IA est “trop forte” ou “pas assez forte”, c’est de décider ce qu’on veut en faire : ce qu’on lui délègue, ce qu’on garde comme responsabilité humaine, et comment on mesure les effets réels – positifs et négatifs – de cette délégation.
Le fait de prendre du recul, le réalisme, la prudence, ne doivent pas être des obstacles et empêcher d’avancer. Il y a un immense territoire d’applications à concevoir, et de très belles perspectives pour des jeunes qui démarrent dans le métier.
Encadré par des experts de terrain comme Tristan Vanrullen, docteur en informatique et linguistique, ingénieur IA et responsable data/IA à La Plateforme_, vous apprendrez à concevoir des applications intelligentes, exploiter et gouverner la donnée, intégrer l’IA dans des environnements métier réels et développer des solutions robustes capables de passer du prototype à la production. Machine learning, IA générative, data science, automatisation, architectures IA, gouvernance de la donnée, cloud, MLOps et co-développement avec l’IA font partie du quotidien des projets menés dans les formations.
Ici, on ne forme pas seulement à utiliser des outils : on apprend à comprendre les modèles, à structurer les données, à cadrer les besoins et à garder une maîtrise humaine sur des technologies qui transforment déjà les organisations. Dans un monde où l’IA devient une infrastructure incontournable, savoir analyser, concevoir, orchestrer et communiquer devient une compétence essentielle et durable.
Découvrez le programme détaillé de nos formations et candidatez dès aujourd’hui pour rejoindre une nouvelle génération de professionnels capables de construire, piloter et faire évoluer les technologies IA de demain. :
