Chez aiko, l’AI Engineer occupe une place centrale : il est l’expert en conception et architecture de solutions IA, incluant des solutions agentiques, qui mettent en œuvre l’intelligence artificielle dans les processus des entreprises selon les standards les plus élevés. Son rôle consiste à transformer les ambitions AI native du cabinet en solutions concrètes et opérationnelles pour les clients. Ces métiers dédiés à l’intelligence artificielle incarnent notre positionnement unique : des experts capables de concevoir, tester et mettre en production des systèmes IA performants et adaptés aux besoins réels des clients.

Cette interview te plonge dans le quotidien de Quentin, AI Engineer chez aiko : ses défis, ses interactions avec l’équipe et les clients, ses rituels et ce qui le passionne dans son métier. Tu verras comment il transforme des idées ambitieuses en solutions IA concrètes et fiables.

1. Comment commences-tu ta journée de travail ?

Je commence souvent ma journée dans les transports en commun. C’est un moment propice à la veille technique autour des LLM et des plateformes IA (sorties de nouveaux modèles de fondation, évolution des frameworks IA, retours d’expérience sur l’usage des LLM, …).
En arrivant, je consulte d’abord mes mails, surtout lorsqu’un projet vient d’être mis en production. Je vérifie rapidement les outils de suivi (logs applicatifs, dashboards de monitoring, …) pour m’assurer que la solution fonctionne comme prévu.
Une fois ce contrôle effectué, je me plonge dans le code et je privilégie ce moment pour le travail de fond : amélioration de la logique métier, fiabilisation des traitements IA ou ajustements sur les modèles et les pipelines.

2. En quoi consiste le cœur de ton travail au quotidien ?

Mon travail se concentre sur la conception et l’itération de solutions basées sur des LLM. Une grande partie de mon temps est consacrée au context engineering, à l’architecture globale des solutions IA ou au RAG.
En ce moment, je travaille sur un projet d’automatisation utilisant un LLM pour extraire et comparer des informations issues de documents très hétérogènes, sans structure commune. Cela illustre bien mon quotidien : exploiter la flexibilité d’un LLM pour éviter une logique codée en dur, tout en posant un cadre strict pour garantir des réponses cohérentes, reproductibles et exploitables. Cela passe par le design des prompts, la structuration du contexte, la définition de formats de sortie contraints et de nombreux tests sur des cas réels.
Le passage d’une demande client à une solution fonctionnelle se fait par étapes : cadrage, prototypage rapide, tests ciblés, ajustements, puis validations intermédiaires avec le client, jusqu’à la mise en production et la surveillance en conditions réelles.
Techniquement, je travaille principalement en Python, avec des frameworks comme LangGraph pour orchestrer des agents basés sur des LLM, et des outils comme Chainlit ou Streamlit pour proposer des interfaces. Côté modèles, j’utilise majoritairement des LLM propriétaires, notamment ceux d’OpenAI et de Google, selon les contraintes de performance, de coût et d’intégration.

3. Comment se passent tes interactions avec l’équipe et les clients ?

J’interagis régulièrement avec différents interlocuteurs, en interne comme en externe. Je travaille notamment avec les membres de l’équipe, côté technique et côté projet, car les solutions que je développe s’appuient souvent sur un diagnostic Data IA mené en amont par aiko.
Les échanges avec les clients sont également centraux dans mon quotidien. Par exemple, sur un client pour lequel je travaille sur plusieurs cas d’usage distincts, les interactions répétées avec un même interlocuteur m’ont permis de mieux comprendre ses processus, ses données et ses priorités. Ces discussions ont conduit à ajuster l’architecture globale, à harmoniser les formats de sortie et à faire des choix techniques cohérents entre les différents cas d’usage, afin de proposer une solution adaptée et maintenable.

4. Quels sont les principaux challenges que tu rencontres au quotidien ?

Les challenges de mon quotidien concernent surtout l’exploitation des LLM en production : choisir le modèle le plus adapté, maîtriser les temps de réponse, les coûts et assurer la fiabilité des résultats. Un modèle performant pour de l’analyse complexe ou de la recherche n’a ni les mêmes contraintes ni les mêmes coûts qu’un modèle plus léger destiné à de l’extraction structurée. Ces choix impactent directement l’architecture des solutions.
Un challenge récent illustre bien ces enjeux : sur un projet, je devais comparer des compositions extraites par IA avec des référentiels existants. Les difficultés venaient des variations de termes (français / anglais, abréviations, synonymes) et de règles métier spécifiques, comme des tolérances différentes selon les catégories de produits.
Pour y répondre, j’ai mis en place une architecture en plusieurs niveaux de repli : d’abord une correspondance stricte avec un mapping de termes, puis un rapprochement approximatif pour absorber les variantes, et enfin le recours au LLM uniquement pour traiter les équivalences sémantiques complexes. Cette approche me permet de limiter l’usage du LLM aux situations nécessaires, de maîtriser les coûts et d’améliorer la fiabilité globale.

5. Quels rituels et quelles façons de travailler adoptes-tu chez aiko ?

Ma semaine est rythmée par des rituels simples et efficaces. Un point hebdomadaire permet de s’aligner sur les priorités et l’avancement des projets. Chaque projet inclut aussi des points réguliers avec le tech lead, souvent accompagnés d’une démo, pour valider rapidement les choix techniques.
Au-delà de ces rituels, la culture chez aiko laisse une grande autonomie. Je suis responsable de mes sujets, de l’architecture à l’implémentation, avec la liberté de tester différentes approches. La diversité des projets limite la routine et favorise la montée en compétence.
Les échanges entre collègues jouent également un rôle important pour prendre du recul et confronter les approches.

6. Comment entretiens-tu un apprentissage continu ?

Je m’appuie sur plusieurs niveaux de veille. Une veille personnelle, via des newsletters et des sources techniques spécialisées en IA, me permet de suivre les nouveautés et les retours d’expérience terrain. En parallèle, une newsletter IA interne et des points de veille d’équipe favorisent le partage des technologies et approches utilisées sur les projets.
L’objectif est surtout de confronter ces nouveautés à des cas concrets. Par exemple, j’ai récemment testé Google Workspace Studio dans le cadre d’un projet fortement intégré à l’écosystème Google, afin d’évaluer rapidement sa pertinence et ses limites.

7. Qu’est-ce qui te motive au quotidien ?

Ce qui me motive le plus, c’est la conception de l’architecture des projets IA : construire une solution cohérente de bout en bout, faire les bons choix techniques et répondre à un besoin métier réel.
Un moment marquant est la mise en production récente d’une solution sur laquelle j’avais travaillé plusieurs semaines. Voir la solution fonctionner en conditions réelles, sans incident majeur, est particulièrement satisfaisant et me donne un vrai sentiment d’aboutissement.

Si tu veux en savoir plus sur le métier d’AI Engineer, notre Tech Lead Jérémy était récemment l’invité du podcast les carnets de l’IA.