Prompt Engineer : le métier émergent qui n'existait pas en 2022

Personne n'était « Prompt Engineer » en 2022. En 2024, le titre fleurissait sur LinkedIn avec des salaires à 6 chiffres en dollars chez OpenAI ou Anthropic. En 2026, le métier s'est stabilisé, démystifié — et continue pourtant de recruter activement, mais sous des formes différentes de celles annoncées.

De quoi on parle vraiment

Un Prompt Engineer ne passe pas ses journées à « écrire des prompts intelligents ». Le métier englobe :

• Conception de prompts système qui guident un modèle pour une tâche précise (chatbot, agent, classification, résumé).
• Ingénierie de chaînes : décomposer une tâche complexe en sous-étapes que des appels LLM successifs peuvent traiter (chain of thought, ReAct, agentic workflows).
• Évaluation et benchmarking : mesurer la qualité des sorties de manière reproductible, identifier les régressions quand on change de modèle ou de prompt.
• Sécurité et robustesse : prévenir les jailbreaks, les injections, les hallucinations. Construire des garde-fous.
• Coûts et latence : optimiser les tokens, choisir le bon modèle (Haiku vs Sonnet vs Opus), faire du caching intelligent.

Mythe vs réalité

Mythe : « C'est un métier sans code »

Faux. Tout Prompt Engineer sérieux écrit du Python ou du TypeScript pour orchestrer ses appels, instrumenter ses tests, intégrer ses prompts dans une stack produit. La syntaxe LLM seule ne suffit pas.

Mythe : « Les salaires sont à 200K »

C'était vrai ponctuellement chez quelques labos AI en 2023. La réalité 2026 : un Prompt Engineer / AI Engineer en France gagne entre 50 et 90 K€ selon séniorité et boîte. Bien payé, mais aligné avec un dev senior.

Mythe : « N'importe qui peut s'autoformer en 3 mois »

Faux pour les bons profils. Les meilleurs Prompt Engineers sont des développeurs ou data scientists qui ont rajouté la couche LLM. Sans fondations en code et en logique, le métier plafonne vite.

Compétences clés

1. Programmation : Python (et/ou TS), API REST, gestion d'erreurs, tests unitaires.
2. Connaissance approfondie des LLM : architecture transformer, context window, tokenization, modes d'inférence (streaming, structured output, tool use).
3. Pratique des frameworks LLM : LangChain, LlamaIndex, Anthropic SDK, OpenAI SDK, observabilité (Langfuse, Helicone).
4. Évaluation et red-teaming : savoir construire des datasets d'évaluation, mesurer hallucination, biais, sécurité.
5. Compréhension produit : un prompt sans usage clair ne sert à rien. Capacité à dialoguer avec PM, designer, métier.

Comment se former

• Construire : un projet personnel non trivial qui utilise des LLM (chatbot custom, agent qui scrape, RAG perso). Indispensable pour parler vrai en entretien.
• Lire la doc : les guides Anthropic, OpenAI, les papiers de Anthropic Cookbook, les case studies de LangChain.
• Suivre les évaluations publiques : Helm, MMLU, HumanEval, et comprendre ce qu'elles mesurent vraiment.
• Contribuer à un projet open-source LLM ou écrire des blogposts. La visibilité publique compte beaucoup pour ce métier.

Conclusion

Le métier est réel et durablement installé. Il n'est plus magique mais redescendu sur un profil tech avec une expertise LLM. Si vous êtes déjà développeur, c'est un pivot très accessible (3-6 mois pour quelqu'un de motivé). Si vous partez de zéro en code, le chemin est plus long mais possible — passez d'abord par les fondations dev avant de viser le métier.