"On veut faire de l'IA, il nous faut un data scientist." C'est la phrase que nous entendons le plus souvent chez les dirigeants de PME et ETI qui veulent passer à l'action. Et dans 7 cas sur 10, ce n'est pas la bonne conclusion.
Non pas que recruter un data scientist soit une mauvaise idée. C'est souvent une excellente idée, mais au mauvais moment. Recruter trop tôt, recruter le mauvais profil, ou recruter alors qu'externaliser serait plus pertinent : voilà les trois erreurs les plus coûteuses que nous observons chez Tensoria, quand nous accompagnons des PME dans leur stratégie data et IA.
Ce guide vous aide à répondre à trois questions concrètes : avez-vous vraiment besoin d'un data scientist ? Si oui, quel type de profil ? Et comment structurer votre démarche pour ne pas brûler 6 mois de salaire sur un recrutement raté ?
En résumé (TL;DR)
- ✓ 7 PME sur 10 qui veulent recruter un data scientist n'en ont pas encore besoin (elles ont d'abord besoin de structurer leurs données ou d'intégrer des outils existants)
- ✓ Data scientist, développeur IA, intégrateur IA : trois profils très différents pour des besoins très différents
- ✓ Salaire 2026 : entre 40 k€ (junior) et 85 k€ (senior Paris), 15 à 20 % de moins en PME régionale
- ✓ Seuil de rentabilité : le recrutement interne devient pertinent à partir de 2-3 projets IA récurrents par an
- ✓ Stratégie recommandée : commencer avec un partenaire IA externe, prouver la valeur, puis internaliser progressivement
Avez-vous vraiment besoin de recruter un data scientist ?
Avant de publier une offre d'emploi, posez-vous une question simple : quel problème métier voulez-vous résoudre avec la data ou l'IA ? La réponse à cette question détermine si vous avez besoin d'un data scientist, d'un autre profil, ou tout simplement d'un outil existant bien configuré.
Voici une grille de décision que nous utilisons chez Tensoria pour aider nos clients à faire le bon choix.
| Votre situation | Ce dont vous avez besoin | Data scientist ? |
|---|---|---|
| "On veut utiliser ChatGPT pour nos emails/contenus" | Formation + prompts bien construits | Non |
| "On veut automatiser le tri de CV" | Un outil de tri IA ou un intégrateur | Non |
| "On veut un chatbot sur nos documents internes" | Un développeur IA ou un prestataire RAG | Pas forcément |
| "On veut prédire nos ventes à partir de nos historiques" | Un data scientist (modèle prédictif sur mesure) | Oui |
| "On a 3+ projets data/IA récurrents par an" | Un data scientist polyvalent en interne | Oui |
| "On veut industrialiser nos modèles en production" | Un ingénieur machine learning | ML Engineer |
Le piège classique
Beaucoup de PME recrutent un data scientist alors qu'elles ont d'abord besoin d'un data engineer pour structurer et fiabiliser leurs données. Un data scientist sans données propres et accessibles, c'est un chef cuisinier sans cuisine. La première étape est souvent un audit IA pour cartographier vos données et vos vrais besoins.
Data scientist, développeur IA, intégrateur : quel profil pour quel besoin
L'écosystème des métiers de la data et de l'IA s'est considérablement diversifié. En 2026, il existe au moins cinq profils distincts, et les confondre revient à recruter un architecte quand on a besoin d'un plombier. Voici les différences concrètes.
Le data scientist : l'explorateur et le modélisateur
Le data scientist est le profil qui explore vos données, formule des hypothèses, et construit des modèles prédictifs ou analytiques. Son terrain : l'expérimentation.
- Compétences clés : Python, R, statistiques, machine learning, visualisation de données, communication des résultats
- Ce qu'il fait : prédiction de ventes, segmentation clients, détection d'anomalies, analyse de texte, scoring
- Salaire 2026 : 40 k€ à 50 k€ (junior), 50 k€ à 65 k€ (confirmé), 65 k€ à 85 k€ (senior, Paris)
- En PME : il est souvent le profil "couteau suisse" qui fait aussi du data engineering et du déploiement
L'ingénieur machine learning : l'industrialisateur
L'ingénieur machine learning (ML engineer) prend les modèles expérimentaux du data scientist et les transforme en systèmes fiables, scalables et monitorés en production.
- Compétences clés : Python, MLOps, Docker, Kubernetes, CI/CD, cloud (AWS/GCP/Azure), monitoring
- Ce qu'il fait : déploiement de modèles, pipelines de données, retraining automatique, optimisation de performance
- Salaire 2026 : 48 k€ à 55 k€ (junior), 55 k€ à 75 k€ (confirmé), 75 k€ à 95 k€ (senior, Paris)
- En PME : rarement nécessaire sauf si vous avez déjà des modèles en production à maintenir
Le développeur IA : le constructeur d'applications
Le développeur IA code des fonctionnalités IA dans des applications. En 2026, il est souvent spécialisé dans l'intégration de LLM (GPT, Claude, Mistral) et la construction de systèmes RAG, de chatbots et d'agents IA.
- Compétences clés : Python, API LLM, frameworks (LangChain, LlamaIndex), bases vectorielles, développement web
- Ce qu'il fait : chatbots intelligents, assistants RAG, agents autonomes, intégration d'IA dans des logiciels existants
- Salaire 2026 : 42 k€ à 50 k€ (junior), 50 k€ à 70 k€ (confirmé), 70 k€ à 90 k€ (senior, Paris)
- En PME : le profil le plus souvent pertinent si vous voulez intégrer de l'IA générative dans vos processus
L'intégrateur de solutions IA : le configurateur
L'intégrateur de solutions IA ne construit pas de modèles ni d'applications sur mesure. Il configure, connecte et adapte des outils IA existants (HubSpot IA, Microsoft Copilot, n8n + LLM) à votre contexte métier.
- Compétences clés : connaissance des outils IA du marché, automatisation (n8n, Make), API, prompt engineering, conduite du changement
- Ce qu'il fait : déploiement de Copilot, automatisation n8n, configuration de CRM IA, formation des équipes
- Salaire 2026 : 35 k€ à 45 k€ (junior), 45 k€ à 60 k€ (confirmé)
- En PME : le profil le plus accessible, idéal pour une première étape
| Critère | Data Scientist | ML Engineer | Développeur IA | Intégrateur IA |
|---|---|---|---|---|
| Focus principal | Modélisation | Production | Application | Configuration |
| Coût annuel (confirmé) | 50-65 k€ | 55-75 k€ | 50-70 k€ | 45-60 k€ |
| Pertinence PME | Si données volumineuses | Si modèles en prod | Si IA générative/RAG | Pour démarrer |
| Difficulté de recrutement | Élevée | Très élevée | Élevée | Modérée |
Quand recruter en interne et quand externaliser
C'est la question qui revient le plus : faut-il recruter un data scientist en CDI ou travailler avec un prestataire spécialisé ? La réponse dépend de trois seuils concrets.
Les trois critères de décision
1. Le volume de données exploitables. Si vos données sont dispersées dans des fichiers Excel, des emails et des logiciels non connectés, vous n'avez pas encore besoin d'un data scientist. Vous avez besoin de structurer vos données. Un data scientist sans pipeline de données propre perdra 80 % de son temps à nettoyer au lieu de modéliser.
2. La récurrence du besoin. Un projet IA ponctuel (une prédiction de ventes, un assistant interne) ne justifie pas un recrutement. Deux à trois projets par an commencent à justifier un mi-temps. Au-delà de quatre projets récurrents, le poste à temps plein devient rentable.
3. Le budget disponible. Le coût total d'un data scientist ne se limite pas au salaire. Il faut ajouter les charges sociales (environ 45 % du brut), l'infrastructure (outils, cloud, GPU), la formation continue et le temps de management. Budget réaliste : 80 000 à 130 000 euros par an tout compris pour un profil confirmé.
| Critère | Externaliser | Recruter en interne |
|---|---|---|
| Nombre de projets IA/an | 1-2 projets ponctuels | 3+ projets récurrents |
| Budget annuel disponible | 10 000 - 60 000 € | 80 000 - 130 000 € |
| Maturité data | Données dispersées, pas de pipeline | Données structurées, accessibles |
| Besoin de confidentialité | Standard (NDA suffit) | Critique (données sensibles en continu) |
| Capacité de management | Pas d'encadrant technique | CTO ou responsable technique en place |
Le risque du data scientist isolé
Un piège fréquent en PME : recruter un data scientist brillant mais le laisser seul, sans encadrant technique, sans interlocuteur métier dédié, et sans infrastructure. Résultat : il produit des notebooks Jupyter que personne ne lit, des modèles que personne ne déploie, et il finit par partir au bout de 18 mois, frustré.
Pour qu'un data scientist en PME réussisse, il lui faut au minimum :
- Un sponsor métier (un directeur ou manager qui porte les projets et valide les priorités)
- Un accès aux données structuré (pas "demande à la compta de t'exporter un Excel")
- Un budget infrastructure (cloud, outils, GPU si nécessaire)
- Des objectifs métier clairs : pas "fais de l'IA", mais "réduis le taux de churn de 15 % en 6 mois"
Comment recruter un data scientist : compétences, salaires et canaux
Si après cette analyse vous concluez que le recrutement interne est la bonne option, voici comment structurer votre démarche pour maximiser vos chances de trouver le bon profil.
Les compétences à évaluer (et celles qui sont surcotées)
Le marché du recrutement data regorge de fiches de poste irréalistes. "Recherche data scientist : PhD en deep learning, 5 ans d'expérience en production, maîtrise de 15 outils, salaire 45 k€." Ce type d'offre n'attire personne.
Pour une PME, concentrez-vous sur trois blocs de compétences essentielles :
Les 3 piliers d'évaluation pour un data scientist en PME
- 1. Compétences techniques fondamentales : Python (indispensable), SQL (indispensable), au moins un framework ML (scikit-learn, PyTorch ou TensorFlow), notions de statistiques et de visualisation (matplotlib, Plotly). Ne demandez pas la maîtrise de Spark ou Kubernetes pour un premier recrutement en PME.
- 2. Capacité à résoudre des problèmes métier : donnez un cas réel tiré de votre entreprise lors de l'entretien. Le candidat doit montrer qu'il sait structurer un problème, choisir la bonne approche (parfois, un modèle simple suffit), et estimer la faisabilité avant de coder.
- 3. Communication et autonomie : en PME, un data scientist qui ne sait pas expliquer ses résultats à un non-technique est inutile. Testez sa capacité à vulgariser, à prioriser, et à travailler sans supervision constante.
Grille salariale 2026 pour les métiers data et IA
Selon les études de rémunération Hays, Robert Half et Data Recrutement pour 2026, voici les fourchettes de salaires brut annuel en France.
| Profil | Junior (0-2 ans) | Confirmé (3-5 ans) | Senior (5+ ans) |
|---|---|---|---|
| Data Scientist | 40-50 k€ | 50-65 k€ | 65-85 k€ |
| ML Engineer | 48-55 k€ | 55-75 k€ | 75-95 k€ |
| Développeur IA | 42-50 k€ | 50-70 k€ | 70-90 k€ |
| Data Engineer | 42-50 k€ | 50-65 k€ | 65-80 k€ |
| Intégrateur IA | 35-45 k€ | 45-60 k€ | 55-70 k€ |
Important pour les PME en régions : les salaires parisiens sont 15 à 20 % supérieurs. À Toulouse, Lyon ou Bordeaux, un data scientist confirmé se situe plutôt entre 45 k€ et 58 k€. C'est un atout pour les PME régionales en termes de coût, mais cela signifie aussi que les meilleurs profils sont souvent attirés par Paris ou le full-remote pour des entreprises parisiennes.
Où chercher les candidats
Le marché des data scientists reste tendu en 2026. Le World Economic Forum prévoit une augmentation de 41 % des postes data d'ici 2030, et 74 % des recruteurs se disent prêts à surpayer les profils rares. Pour une PME, il faut donc être stratégique.
- LinkedIn : incontournable, mais soyez précis dans votre approche. Les bons data scientists reçoivent 5 à 10 sollicitations par semaine. Votre message doit parler du problème métier, pas de "l'IA de demain"
- Welcome to the Jungle / WTTJ : bien positionné pour les PME tech en France, audiences data/tech solides
- Meetups et communautés : les meetups Python, ML et data locaux (à Toulouse : Toulouse Data Science, La Mêlée Numérique) permettent de rencontrer des profils avant qu'ils ne cherchent activement
- Écoles et masters : INSA, ENSEEIHT, Paul Sabatier à Toulouse, ou les formations data (Jedha, Le Wagon, DataScientest) pour des profils juniors motivés
- Cabinets spécialisés : Data Recrutement, Licorne Society, Hays IT pour des profils confirmés, mais comptez 15 à 20 % du salaire annuel en frais
Rédiger une offre qui attire les bons profils
Les meilleurs data scientists fuient les offres vagues. Voici ce que votre annonce doit contenir pour se démarquer.
- Le problème métier concret : "Nous voulons prédire la demande de nos 200 références pour optimiser nos stocks", pas "Nous cherchons un data scientist passionné par l'IA"
- L'état de vos données : les candidats veulent savoir s'ils vont modéliser ou nettoyer des Excel pendant 6 mois
- L'environnement technique : quels outils, quelle infrastructure, quel degré d'autonomie
- La fourchette salariale : les offres sans salaire sont ignorées par les profils seniors
- L'impact mesurable : quel résultat concret est attendu dans les 6 premiers mois
L'alternative : commencer avec un partenaire IA puis internaliser
Pour la majorité des PME que nous accompagnons chez Tensoria, la stratégie la plus efficace n'est ni de recruter immédiatement, ni d'externaliser indéfiniment. C'est une approche progressive en trois phases.
Phase 1 : explorer et prouver la valeur (2 à 4 mois)
Un partenaire IA externe réalise un audit de vos données et processus, identifie les cas d'usage prioritaires, et livre un premier projet pilote. L'objectif : prouver que l'IA apporte une valeur mesurable dans votre contexte, avec un investissement limité (typiquement 5 000 à 20 000 euros).
C'est exactement ce que fait notre démarche de lancement de projet IA : on commence petit, on mesure, et on décide de la suite sur des faits, pas des hypothèses.
Phase 2 : industrialiser et documenter (3 à 6 mois)
Les projets qui fonctionnent sont déployés en production, documentés, et les équipes internes sont formées. Le partenaire crée les fondations techniques (pipelines de données, infrastructure, processus) que le futur data scientist interne pourra reprendre.
Cette phase est cruciale car elle transforme un POC en système opérationnel et elle produit le cahier des charges réaliste pour votre futur recrutement. Vous savez précisément quel profil chercher, avec quelles compétences et quels objectifs.
Phase 3 : recruter et transférer (2 à 4 mois)
Vous recrutez avec un avantage décisif : vous savez ce que vous cherchez, vous avez un environnement technique prêt, et vous pouvez montrer au candidat des projets concrets qu'il va reprendre et développer. Cela change radicalement la qualité de votre recrutement.
Le partenaire externe accompagne la transition (onboarding technique, transfert de connaissances) puis passe en mode support ponctuel pour les sujets complexes.
Pourquoi cette approche fonctionne
Les PME qui suivent cette démarche progressive réduisent le risque d'erreur de recrutement de 60 à 70 %, selon notre expérience. Elles recrutent plus vite (le cahier des charges est précis), elles retiennent mieux (le data scientist arrive dans un environnement opérationnel), et elles rentabilisent le poste plus rapidement (les projets sont déjà en route).
Les erreurs à éviter quand on recrute un data scientist en PME
Après avoir accompagné plusieurs dizaines de PME dans leur stratégie data, voici les erreurs que nous voyons le plus souvent.
Erreur 1 : recruter trop senior pour le besoin réel. Un data scientist senior à 75 k€ qui passe 60 % de son temps à faire du nettoyage de données et de la BI est un gaspillage. Si vos données ne sont pas encore structurées, commencez par un profil data analyst ou data engineer.
Erreur 2 : confondre "faire de l'IA" et "utiliser des outils IA". Si votre besoin est d'utiliser ChatGPT, Copilot ou un CRM IA plus efficacement, vous avez besoin de formation IA pour vos équipes, pas d'un data scientist.
Erreur 3 : ne pas avoir d'encadrant technique. Un data scientist sans interlocuteur technique dans l'entreprise (CTO, responsable IT, ou au minimum un prestataire qui joue ce rôle) va dériver. Il a besoin de quelqu'un qui comprend ses contraintes et qui arbitre les priorités techniques.
Erreur 4 : copier la fiche de poste d'un grand groupe. Les PME n'ont pas besoin d'un spécialiste du deep learning sur GPU. Elles ont besoin d'un profil polyvalent qui sait aussi bien analyser un tableau de ventes dans Excel que déployer un modèle de prévision de ventes.
Erreur 5 : ne pas définir de critères de succès mesurables. "Développer notre stratégie IA" n'est pas un objectif. "Réduire le temps de traitement des réclamations de 30 % en 6 mois grâce à un modèle de classification" en est un. Sans objectifs clairs, impossible de savoir si le recrutement est réussi.
FAQ : recruter un data scientist en PME
Faut-il un diplôme spécifique pour être data scientist ?
Non. Les meilleurs data scientists que nous croisons en PME viennent d'horizons variés : écoles d'ingénieurs, masters en mathématiques ou statistiques, mais aussi reconversions (physiciens, économistes, développeurs). Ce qui compte, c'est la capacité à résoudre des problèmes avec des données, pas le diplôme. Testez les compétences réelles en entretien avec un cas pratique lié à votre métier.
Un data scientist peut-il travailler en full remote pour une PME ?
Oui, mais avec des réserves. En phase de cadrage et de compréhension du métier, la présence physique est précieuse. Un data scientist qui ne comprend pas le terrain de l'entreprise produira des modèles théoriquement corrects mais opérationnellement inutiles. Le format hybride (2-3 jours sur site, le reste en remote) est le bon compromis pour une PME.
Combien de temps avant de voir des résultats concrets ?
Comptez 3 mois minimum pour qu'un data scientist interne produise des résultats exploitables : 1 mois d'onboarding et de compréhension du métier, 1 mois d'exploration des données et de cadrage, 1 mois de modélisation et de premiers livrables. C'est pourquoi l'approche progressive avec un partenaire IA qui prépare le terrain est si efficace : le data scientist arrive dans un environnement déjà opérationnel.
Conclusion : la bonne question n'est pas "faut-il recruter" mais "quand et comment"
Recruter un data scientist est un investissement structurant pour une PME. Bien fait, c'est un accélérateur de croissance. Mal fait, c'est 6 à 18 mois de salaire perdus et une déception qui peut freiner toute votre stratégie IA.
La clé, c'est de ne pas mettre la charrue avant les bœufs. Avant de recruter :
- Faites un audit de vos données et besoins IA
- Identifiez le bon profil pour votre situation (data scientist, développeur IA, intégrateur)
- Prouvez la valeur de l'IA sur un premier projet concret
- Créez l'environnement dans lequel votre futur data scientist pourra réussir
C'est exactement cette approche que nous proposons chez Tensoria. De l'audit initial au recrutement en passant par les premiers projets IA, nous accompagnons les PME et ETI à chaque étape, pour que le recrutement data ne soit pas un pari mais une décision éclairée.
Besoin d'aide pour recruter un profil data ou IA ?
Évaluation technique, cadrage de fiche de poste, accompagnement au recrutement : un expert data scientist analyse vos besoins et sécurise votre recrutement.
