Faut-il recruter un profil IA en interne ou externaliser ?

Vous avez un projet IA qui tient debout, un budget voté, et une question qui bloque tout le reste : qui va le faire ? Recruter un data scientist ou un chef de projet IA demande plusieurs mois pour un profil que les grandes entreprises s'arrachent. Passer par un prestataire coûte plus cher à la journée et laisse la compétence à l'extérieur. Les deux réponses se défendent. La mauvaise consiste à choisir avant d'avoir posé le vrai problème, qui n'est presque jamais un problème de recrutement.

Key Takeaways

• Un profil IA interne coûte entre 35 et 60 k€ brut par an selon l'Apec, avant charges, outils et temps d'intégration.
• Le manque d'expertise est le frein numéro un déclaré par les entreprises françaises, utilisatrices ou non, selon l'Insee (2026).
• L'interne se justifie quand l'IA touche des données sensibles, un volume récurrent ou un futur produit maison.
• L'externalisation se justifie pour un premier projet, un périmètre encore flou ou une compétence rare et temporaire.
• Dans une PME, le montage le plus solide est presque toujours hybride : un prestataire cadre et construit, un salarié reprend l'exploitation.

Ce qu'un profil IA interne apporte, et ce qu'il ne règle pas

Un salarié qui maîtrise l'IA connaît vos données, vos process et vos contraintes. Il est là le lundi matin quand une automatisation casse, il comprend pourquoi un commercial n'utilise pas l'outil qu'on lui a livré, il peut former ses collègues au fil de l'eau. Cette proximité a une valeur réelle, difficile à chiffrer mais facile à constater : les projets qui échouent le font souvent faute de portage interne, pas faute de technique.

Le recrutement ne règle pourtant pas tout. Un data scientist sait entraîner un modèle, rarement cadrer un projet, arbitrer un budget et embarquer une équipe métier. Un profil senior qui sait faire les trois coûte cher et se trouve difficilement. L'Apec le dit sans détour : « Cette double expertise en statistiques et en développement informatique rend ce profil rare pour les entreprises. » Ajoutez la connaissance du métier de votre PME et vous comprenez pourquoi une annonce classique attire trente candidatures dont trois seulement sont pertinentes.

Autre angle mort : un salarié IA seul ne produit pas grand-chose. Il lui faut des données propres, un sponsor interne, des utilisateurs formés et un minimum de gouvernance. Sans ce socle, le recrutement devient un coût fixe qui regarde passer les projets.

Le coût complet d'un recrutement, au-delà du salaire

Le salaire est la partie visible. Pour un data scientist, l'Apec indique que « 80 % sont comprises entre 35 k€ et 60 k€ (moyenne 46 k€) » sur les offres publiées. Il faut y ajouter les charges patronales, les outils, un poste de travail, parfois un cloud de test, puis le temps de recrutement et d'intégration. Comptez plusieurs mois avant que la personne produise quelque chose d'utile, et un manager pour l'encadrer.

Le vrai coût caché est ailleurs : l'engagement. Un prestataire s'arrête quand la mission se termine. Un salarié reste, même si le projet est reporté, même si la direction change d'avis, même si l'usage ne décolle pas. Dans une entreprise de vingt ou trente personnes, cette rigidité pèse plus lourd qu'un taux journalier élevé.

Il existe enfin un coût de remplacement. Les compétences IA évoluent vite et un profil junior recruté sur un langage ou un outil précis peut être obsolète en dix-huit mois. L'interne demande donc un plan de montée en compétences continu, sinon l'investissement se dilue.

Le manque d'expertise, frein documenté

En 2025, 18 % des entreprises françaises de 10 salariés ou plus déclarent utiliser au moins une technologie d'IA, contre 6 % en 2023, selon l'Insee (2026). Le chiffre masque un écart de taille considérable : 15 % pour les entreprises de 10 à 49 salariés, 31 % pour celles de 50 à 249 salariés, 58 % au-delà de 250. Plus une structure est petite, plus l'adoption coûte cher en temps et en compétences fixes.

L'étude donne surtout la nature du blocage. Parmi les entreprises qui n'utilisent pas l'IA, 54 % évoquent un manque d'expertise. Et « plus de la moitié des entreprises utilisant l'IA déclarent être freinées dans leur utilisation par un manque d'expertise ». Autrement dit, le problème ne disparaît pas quand on commence : il change de forme. On sait faire tourner un outil, on ne sait pas l'étendre, l'auditer ou l'adapter à un nouveau service.

Cette donnée déplace le débat. La question n'est pas « interne ou externe » dans l'absolu, mais « où placer l'expertise pour qu'elle soit disponible au moment où le besoin apparaît ». Un expert à temps plein sur un besoin de deux jours par mois est un gaspillage. Aucun expert disponible pendant six mois est un blocage.

Quand l'interne s'impose

Certains contextes rendent le recrutement difficilement contournable.

• Données sensibles ou réglementées. Santé, finance, juridique, ressources humaines : plus le périmètre est contraint, plus il est rassurant d'avoir une personne identifiée, responsable des traitements et capable de répondre à un audit.
• Volume récurrent. Si l'IA traite cent dossiers par jour depuis un an, le métier est devenu une fonction de l'entreprise. Elle a besoin d'un propriétaire, pas d'un intervenant.
• Besoin transverse. Un profil IA qui outille le marketing, le support et la production crée plus de valeur qu'un projet isolé. Cette coordination se fait mal depuis l'extérieur.
• Projet qui devient un produit. Un agent conversationnel interne ou un moteur de devis utilisé par les clients demande des évolutions continues, des tests, une roadmap. C'est un métier, pas une prestation.
• Transmission. Former les équipes en continu suppose une présence. Un consultant qui passe tous les deux mois laisse des trous.

Dans ces cas, le recrutement se prépare. Un profil IA sans données propres ni sponsor ne tiendra pas six mois. Avant d'ouvrir le poste, il faut savoir quels cas d'usage seront traités, par qui les données sont fournies et comment les résultats seront mesurés. La page cas d'usage donne des exemples concrets pour cadrer ce travail en amont.

Quand externaliser est plus rationnel

À l'inverse, quatre situations plaident clairement pour un prestataire.

Le premier projet. Personne dans l'entreprise ne sait à quoi ressemble un projet IA réussi. Un prestataire apporte une méthode, des repères de délai et une vision des pièges. Il coûte cher, mais moins qu'un recrutement raté.

Le périmètre flou. Tant que le cas d'usage n'est pas stabilisé, embaucher revient à figer une hypothèse. Mieux vaut une mission courte pour explorer, puis décider.

La compétence rare et temporaire. Ingénierie de modèles, sécurité des agents, évaluation de qualité : ces expertises se louent mieux qu'elles ne s'emploient à temps plein dans une PME de trente personnes.

Le délai contraint. Un besoin qui doit produire avant la fin du trimestre ne supporte pas quatre mois de recrutement. Un audit externe permet de démarrer en quelques semaines et de décider ensuite.

Externaliser a ses propres limites. Un prestataire part avec ce qu'il a appris chez vous, et la dépendance peut devenir coûteuse à la renégociation. D'où l'importance de conditions claires : propriété du code et des modèles, accès aux données, documentation, transfert de compétences prévu au contrat. La page audit conseil décrit ce type de cadrage préalable.

Le modèle hybride qui tient dans une PME

Entre les deux, un montage fonctionne mieux que les extrêmes : faire construire par un prestataire, faire exploiter par un salarié.

Le principe est simple. Le prestataire prend la partie la plus risquée : cadrage, choix techniques, première version, documentation. L'interne prend la partie la plus durable : exploitation, amélioration, formation des collègues, relation avec les métiers. Ce salarié n'a pas besoin d'être data scientist. Un profil opérationnel formé à l'IA, qui connaît le métier et sait piloter un outil, suffit souvent, à condition d'être accompagné au démarrage.

C'est dans cette logique qu'une formation IA se place avant le recrutement, pas après. Former deux ou trois personnes clés coûte moins cher qu'un poste, et rend l'entreprise capable d'absorber une prestation sans en dépendre.

Cinq questions pour trancher

Avant d'ouvrir un poste ou de signer un devis, posez ces questions à voix haute.

1. Le besoin est-il récurrent ou ponctuel ? Ponctuel et mal connu : externalisez. Récurrent et mesuré : internalisez.
2. Les données sont-elles disponibles et propres ? Si non, aucun recrutement ne sauvera le projet. Commencez par là.
3. Qui portera le sujet dans deux ans ? S'il n'y a pas de réponse, le prestataire repartira avec la compétence.
4. Quel budget annuel pouvez-vous immobiliser ? Un salaire se paie douze mois, une mission se borne.
5. Que devez-vous savoir faire vous-même à la sortie ? La réponse définit ce qui doit être documenté et transféré, donc ce qui doit figurer au contrat.

Si trois réponses sur cinq pointent vers l'externe, un projet d'agents IA cadré par un tiers reste la voie la plus rapide. Si elles pointent vers l'interne, préparez le terrain avant l'annonce, sinon le poste restera vacant ou sera mal utilisé.

FAQ

Un data scientist est-il indispensable pour démarrer un projet IA ?

Non. Beaucoup de projets en entreprise reposent sur des outils existants, des agents configurés et de l'automatisation de processus. Un data scientist devient utile quand vous construisez vos propres modèles ou devez traiter des volumes de données importants. Pour un premier agent ou une automatisation de devis, un profil opérationnel bien formé suffit souvent.

Combien de temps faut-il pour recruter un profil IA ?

Cela dépend du niveau et de la rareté. Sur les profils expérimentés, l'Apec signale des attentes fortes, souvent au-delà de trois ans d'expérience pour un profil complet, ce qui allonge les recherches. Prévoyez plusieurs mois entre l'annonce et la prise de poste, puis un temps d'intégration avant les premiers résultats.

Peut-on externaliser un projet IA sans perdre le contrôle des données ?

Oui, à condition de l'écrire. Hébergement, durée de conservation, accès, suppression en fin de mission, sous-traitants : ces points doivent figurer au contrat. Un prestataire sérieux les documente sans qu'on le lui demande. Si la réponse reste floue, c'est un signal.

Faut-il recruter avant ou après avoir choisi les cas d'usage ?

Après. Un recrutement lancé sans cas d'usage stabilisé produit un salarié qui cherche sa mission, ou qu'on affecte à des tâches sans rapport. Commencez par une liste courte de cas d'usage, chiffrez leur intérêt, puis déduisez le profil et le mode de collaboration.

Une PME peut-elle former un salarié existant plutôt que recruter ?

C'est souvent le meilleur compromis. Un salarié qui connaît l'entreprise apprend à utiliser et à piloter l'IA plus vite qu'un expert extérieur n'apprend le métier. Encore faut-il un programme structuré et des cas d'usage réels pour pratiquer, sinon la formation reste théorique.

Conclusion

Le choix entre recrutement et externalisation n'a pas de réponse universelle, mais il a une méthode. Regardez la récurrence du besoin, l'état de vos données, la personne qui portera le sujet dans deux ans et le budget que vous pouvez immobiliser. La plupart des PME qui réussissent leur premier projet ne choisissent pas un camp : elles font cadrer par un tiers, forment un salarié et internalisent ce qui tient dans la durée.

Si vous hésitez encore sur le montage, décrivez votre situation sur la page contact : un échange de trente minutes suffit généralement à voir si le besoin appelle un poste, une mission ou une formation. Pour aller plus loin sur les usages et les coûts, l'article sur les usages de l'agent IA en entreprise détaille ce qu'un projet représente réellement. Et si vous comparez plusieurs options de prestation, la grille de questions à poser avant de signer évite les mauvaises surprises.