Forward-deployed engineer : les labos d'IA font du conseil

TL;DR : Un forward-deployed engineer (FDE) est un ingénieur embarqué chez le client, qui construit sur ses données et met l'IA en production. Palantir a créé le rôle au début des années 2010 ; OpenAI, Anthropic et Mistral l'ont adopté en 2025 et 2026, jusqu'à créer des structures de conseil dédiées. Le modèle ne suffit pas, le déploiement fait la valeur. Ces équipes visent les grands comptes ; pour une PME ou une ETI, la même logique passe par un cabinet indépendant.

À retenir

• Palantir revendique l'invention du rôle et comptait, jusqu'en 2016, plus de forward-deployed engineers que d'ingénieurs logiciel, selon The Pragmatic Engineer.
• OpenAI a créé le 11 mai 2026 une société de déploiement dotée de plus de 4 milliards de dollars, avec McKinsey, Capgemini et Bain & Company parmi les investisseurs.
• Anthropic et Mistral recrutent des FDE pour leurs clients « les plus stratégiques » ; Mistral affichait 12 offres « Forward Deploy » ouvertes le 23 septembre 2026.
• Selon un rapport préliminaire du projet NANDA du MIT (juillet 2025), 95 % des organisations ne tirent aucun retour de l'IA générative, et le fossé tient à l'approche, pas au modèle.
• En France, 15 % des entreprises de 10 à 49 salariés utilisent au moins une technologie d'IA, contre 58 % de celles de 250 salariés ou plus (INSEE, enquête 2025) : c'est là que l'ingénieur de déploiement manque.

Le forward-deployed engineer : un ingénieur qui construit chez le client et reste jusqu'à la production

Pendant des années, le modèle Palantir a été lu comme un échange de marge contre un avantage durable, selon le titre même de l'essai de Joe Schmidt chez Andreessen Horowitz en juin 2025 : l'effort de personnalisation « se traduit d'abord par des marges brutes plus faibles ». En 2026, les principaux laboratoires d'IA copient ce modèle, et l'inventeur affiche une croissance de 149 % sur un an de son activité commerciale américaine au deuxième trimestre 2026. Le rôle qui porte ce modèle s'appelle forward-deployed engineer.

Qu'est-ce qu'un forward-deployed engineer ?

Un forward-deployed engineer (FDE), ou ingénieur déployé chez le client, est un ingénieur logiciel qui travaille au sein de l'organisation cliente, comprend ses processus et ses données, construit la solution sur cette matière réelle et la mène jusqu'à la production. À la différence du consultant, son livrable est un système qui tourne, pas une recommandation.

Palantir a créé le rôle au début des années 2010, sous le nom interne de « Delta », et jusqu'en 2016 l'entreprise comptait plus de FDE que d'ingénieurs logiciel classiques, rappelle Gergely Orosz dans The Pragmatic Engineer (12 août 2025). Sa fiche de poste actuelle revendique la paternité du modèle, « We pioneered this unique position », des ingénieurs intégrés directement chez les clients, responsables de l'exécution de bout en bout, avec jusqu'à 25 % de déplacements sur site (offre Forward Deployed Software Engineer, New York).

Ce qui distingue le FDE des deux métiers voisins :

Pourquoi OpenAI, Anthropic et Mistral envoient maintenant leurs ingénieurs chez les clients ?

Parce que les pilotes ne passent pas en production, et que le revenu d'un laboratoire dépend de l'usage réel de ses modèles. OpenAI l'écrit dans le communiqué de ses Frontier Alliances du 23 février 2026 : le facteur limitant pour tirer de la valeur de l'IA en entreprise « n'est pas l'intelligence du modèle, c'est la façon dont les agents sont construits et exploités dans les organisations ». Quand l'éditeur du modèle le dit lui-même, la question du déploiement change de statut.

Les chiffres du fossé sont connus, avec leurs limites. Un rapport préliminaire du projet NANDA du MIT (juillet 2025, 300 initiatives publiques, 52 organisations, 153 dirigeants interrogés) conclut que 95 % des organisations ne tirent aucun retour de leurs investissements en IA générative et que seulement 5 % des pilotes intégrés dégagent une valeur mesurable ; ses auteurs écrivent que le fossé « ne semble pas dû à la qualité des modèles ni à la réglementation, mais déterminé par l'approche ». Le chiffre a été contesté et repose sur une enquête restreinte, mais la direction est la même chez Gartner, qui prévoyait dès juillet 2024 qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025, pour cause de données de mauvaise qualité, de contrôles des risques insuffisants, de coûts croissants ou de valeur métier floue.

La réponse des laboratoires s'est construite en dix-huit mois. OpenAI a créé son équipe de FDE en 2025 ; en juin 2025, Andreessen Horowitz comptait déjà 22 postes de ce type sur les 311 ouverts sur sa page carrières. Le 23 février 2026, OpenAI a noué des alliances pluriannuelles avec BCG, McKinsey, Accenture et Capgemini, qui travaillent « aux côtés de l'équipe Forward Deployed Engineering d'OpenAI ». Le 11 mai 2026, l'entreprise a franchi le pas : l'OpenAI Deployment Company, société majoritairement détenue par OpenAI, lancée avec plus de 4 milliards de dollars, l'acquisition annoncée d'environ 150 ingénieurs de déploiement du cabinet Tomoro, et Bain & Company, Capgemini et McKinsey au capital. Sa mission type se lit comme une offre de conseil : un diagnostic ciblé, quelques flux de travail prioritaires choisis avec la direction, puis des ingénieurs qui construisent et déploient dans l'organisation.

Anthropic suit la même route avec d'autres mots. Son équipe Applied AI recrute des forward-deployed engineers « intégrés directement chez nos clients les plus stratégiques », et l'entreprise distribue Claude par les grands cabinets. Deloitte le déploie auprès de plus de 470 000 collaborateurs depuis le 6 octobre 2025, avec un centre d'excellence et 15 000 professionnels à certifier. Accenture a créé le 9 décembre 2025 un Accenture Anthropic Business Group, avec environ 30 000 professionnels à former, pour « faire passer les entreprises des pilotes d'IA à la production », selon le titre même du communiqué. Le revenu annualisé d'Anthropic atteignait 65 milliards de dollars fin juillet 2026, un chiffre non audité rapporté par CNBC.

Mistral, le champion français, ne fait pas exception. Son équipe Applied AI se décrit comme « l'organisation technique de Mistral tournée vers les clients », de l'avant-vente à la mise en œuvre, avec des ingénieurs qui opèrent « comme des CTO de start-up » (offre Forward Deployed Machine Learning Engineer, Paris) ; le 23 septembre 2026, 12 offres ouvertes portaient la mention « Forward Deploy ». Le modèle était déjà à l'œuvre chez CMA CGM : partenariat de cinq ans et 100 millions d'euros annoncé le 6 avril 2025, avec une équipe dédiée de Mistral basée au siège du groupe à Marseille. Le 8 septembre 2026, Mistral a levé 3 milliards d'euros à plus de 21 milliards de valorisation, en mettant en avant sa capacité à déployer une IA de pointe « dans des environnements réels complexes ».

Les dispositifs de déploiement des principaux acteurs, avec leur date et leur cible affichée :

Ce que ce virage prouve, et ce qu'il ne prouve pas

Trois leçons, et une limite. Première leçon : le modèle devient interchangeable. C'est le diagnostic d'Andreessen Horowitz dès juin 2025 : « à mesure que les modèles de fondation deviennent plus interchangeables et que la maîtrise de la couche applicative gagne en importance », même les fournisseurs de modèles recrutent des ingénieurs de déploiement. Un laboratoire qui vend des ingénieurs admet que la fidélité du client se gagne dans son système d'information, pas dans le classement des modèles.

Deuxième leçon : la valeur est dans le déploiement. Dario Amodei le formule dans le communiqué Accenture du 9 décembre 2025 : les entreprises ont besoin « à la fois d'une IA de pointe et d'une expertise de confiance pour la déployer à grande échelle ». Troisième leçon : l'ingénieur embarqué bat la présentation. La mission type de l'OpenAI Deployment Company commence par un diagnostic et se termine par des systèmes en production, connectés aux données, aux outils et aux processus du client. Personne n'y vend un rapport.

Ce que le virage ne prouve pas : que ce modèle vaut pour tous. Chez le même fonds, Marc Andrusko doutait en janvier 2026 que la « palantirisation » soit une recette universelle : Palantir fonctionne parce qu'une vraie plateforme soutient le sur-mesure, et « l'ingénierie intégrée passe bien mieux à l'échelle avec une base de clients concentrée à forte valeur contractuelle annuelle ». Joe Schmidt notait déjà que l'effort de personnalisation « se traduit d'abord par des marges brutes plus faibles ». Conséquence directe : les laboratoires réservent leurs ingénieurs à leurs clients « les plus stratégiques », selon les mots de leurs propres offres d'emploi, et à des partenariats de l'ampleur de celui de CMA CGM, 100 millions d'euros sur cinq ans.

Le point Koïno : pour une PME ou une ETI, la leçon n'est pas d'attendre l'ingénieur d'un laboratoire, c'est d'acheter la même chose à sa taille : de la capacité d'exécution, pas de l'accès au modèle. Un ingénieur embarqué sur un premier cas d'usage, un modèle choisi pour ce cas, une mise en production en semaines et une équipe qui sait ensuite le faire vivre. C'est la définition du forward-deployed engineer, sans le ticket d'entrée d'un grand compte.

Et pour une PME ou une ETI française ?

Ces équipes ne viendront pas chez vous, et ce n'est pas un jugement : c'est écrit dans leurs offres d'emploi. Les FDE d'OpenAI et d'Anthropic servent « les clients les plus stratégiques » ; ceux de Mistral, des clients grands comptes de la finance, de l'industrie, de la défense, de la santé et du secteur public. Le communiqué de l'OpenAI Deployment Company ne mentionne pas les PME. Le partenariat CMA CGM porte sur 100 millions d'euros et un groupe de plus de 155 000 salariés.

Le besoin, lui, est le plus fort là où ces équipes ne vont pas. Selon l'INSEE (Insee Première n° 2120, juillet 2026), 18 % des entreprises françaises de 10 salariés ou plus utilisaient au moins une technologie d'IA en 2025 : 15 % des 10 à 49 salariés, 31 % des 50 à 249, 58 % des 250 salariés ou plus, et 71 % des non-utilisatrices n'en voient pas l'utilité. Bpifrance Le Lab (juin 2025, mis à jour en mars 2026) ajoute que seul un tiers des PME et ETI interrogées utilisent l'IA au quotidien, que la moitié privilégient des solutions gratuites ou prêtes à l'emploi, « des outils génériques, peu personnalisés », et que dans 73 % des cas l'impulsion vient du dirigeant. La PME française a donc le fossé de déploiement décrit par le MIT, sans l'ingénieur qui le comble.

Cinq façons d'obtenir un ingénieur de déploiement, selon la taille et le budget. Grille établie par Koïno, qui y figure ; ses limites sont dites plus bas. Légende : ✓ oui, ◐ partiel ou selon les cas, ✗ non.

Le verdict dépend de votre profil. Un groupe de plusieurs milliers de salariés, avec une plateforme d'IA à construire sur douze mois, a intérêt à parler aux laboratoires et à leurs alliés : c'est pour lui qu'ils ont bâti ces équipes. Une ETI qui a une DSI, des données structurées et un budget à six chiffres peut mettre en concurrence une ESN et un cabinet indépendant sur un premier lot en production. Une PME qui veut un premier cas d'usage dans le trimestre choisit entre un freelance, un cabinet indépendant et, si elle a de quoi l'occuper à l'année, un recrutement, selon la durée de vie attendue du système ; le comparatif Koïno entre agence IA, ESN et freelance détaille les critères, et les questions à poser à une agence IA avant de signer servent dans les deux cas.

Comment Koïno applique le modèle du forward-deployed engineer aux PME et aux ETI

Koïno travaille en mode forward-deployed depuis sa création, à l'échelle des PME et des ETI françaises : un ingénieur ou un binôme embarqué chez le client, sur ses données réelles, avec une méthode en quatre semaines qui va de l'audit à un premier agent en production, puis le transfert à l'équipe. Le modèle de langage est choisi pour chaque cas, jamais imposé par un éditeur.

La méthode Sx4 tient en quatre étapes sur quatre semaines : Scan la première semaine (diagnostic des cas d'usage et des données), Shape la deuxième (cadrage du cas retenu), Ship les semaines trois et quatre (construction et mise en production), puis Scale à partir du deuxième mois. Elle demande au client un référent métier disponible, un accès aux données et deux à trois heures par semaine de son chef de projet. Koïno écrit aussi ce qu'elle n'est pas : ni un audit théorique de quatre-vingts pages, ni un projet de transformation du système d'information sur douze mois.

Là où l'ingénieur déployé d'un laboratoire déploie le modèle de son employeur, Koïno choisit le modèle pour chaque cas : Mistral, OpenAI, Anthropic ou un modèle à poids ouverts hébergé en France, selon la sensibilité des données, le coût par requête et le lieu d'hébergement. Le comparatif Koïno des trois éditeurs pour les entreprises françaises et le guide de l'IA souveraine hébergée en Europe détaillent ces critères. Ce que Koïno construit est documenté pour être repris par l'équipe du client : code, prompts et guides.

Les résultats publiés donnent la mesure du modèle. Voici ce que des ingénieurs embarqués ont construit chez des clients de Koïno, avec les chiffres tels qu'ils sont publiés :

Le coût suit la grille Koïno 2026 du prix d'un agent IA : cadrage ou audit 3 000 à 10 000 € sur une à deux semaines, preuve de concept 3 000 à 10 000 €, pilote 15 000 à 50 000 € sur quatre à huit semaines, mise en production d'un cas d'usage 30 000 à 80 000 € sur deux à quatre mois. Koïno est partenaire d'accompagnement du Diag Data IA de Bpifrance : selon la fiche Bpifrance consultée le 23 septembre 2026, le Diag Data IA couvre 8 jours d'intervention d'un expert sur 3 mois maximum, pour un devis plafonné à 10 000 € HT et un reste à charge de 6 000 € HT après subvention de 40 %. Ce taux a varié au cours de l'année 2026 : vérifiez-le sur la fiche officielle avant de vous engager, comme le rappelle le guide Koïno du prix d'un audit IA et de son financement. Pour situer votre projet, demandez un cadrage sur votre premier cas d'usage.

Ce modèle a ses limites, autant les dire. Koïno n'a pas la taille pour déployer cinquante ingénieurs sur une plateforme mondiale, n'a aucun accès privilégié aux feuilles de route des laboratoires et n'entraîne pas de modèles de fondation. Un groupe qui veut une plateforme d'IA intégrée à tout son système d'information sur douze mois, avec des contraintes réglementaires lourdes, relève d'un autre format que la Sx4 : un laboratoire, un grand intégrateur ou une offre dédiée à ces programmes. Une PME ou une ETI qui veut un premier cas d'usage en production dans le trimestre, avec une équipe qui sait ensuite le faire vivre, est le client pour lequel ce modèle est fait.

Les pièges à éviter

• Acheter l'accès au modèle et croire le déploiement acquis. Une licence ne branche rien sur vos données ni sur vos processus. Parade : exigez un premier cas en production avant d'étendre les licences, et budgétez l'ingénierie de déploiement au moins autant que les abonnements.
• Prendre l'ingénieur de son fournisseur de modèle sans clause de sortie. Il déploiera le modèle de son employeur, et l'architecture suivra. Parade : le code, les prompts et la documentation vous appartiennent, et l'architecture permet de changer de modèle.
• Empiler les pilotes. Un pilote sans date de mise en production devient une étude. Parade : chaque pilote a une date de production ou une date de fin, décidée au cadrage.
• Oublier le transfert. Un agent que personne ne sait modifier meurt au premier changement de procédure. Parade : le référent métier construit avec l'ingénieur, et la formation fait partie du projet, comme dans le cas Squareness.
• Traiter l'hébergement et le RGPD après coup. Changer de modèle ou de région après la mise en production coûte un second projet. Parade : décidez au cadrage où tournent le modèle et les données, avec votre DPO.

Vous voulez un ingénieur embarqué sur votre premier cas d'usage, sans attendre qu'un laboratoire s'intéresse à une entreprise de votre taille ? Koïno commence par un diagnostic gratuit de trente minutes, qui dit honnêtement si la méthode Sx4 convient à votre situation ou si une autre approche vaut mieux. Réservez cet échange, ou lisez d'abord comment choisir un cabinet de conseil IA quand on est une PME ou une ETI.

Questions complémentaires

Combien coûte un ingénieur IA embarqué pour une PME ?

Selon la grille Koïno 2026, un cadrage coûte 3 000 à 10 000 € sur une à deux semaines, un pilote 15 000 à 50 000 € sur quatre à huit semaines, et la mise en production d'un cas d'usage 30 000 à 80 000 € sur deux à quatre mois. Le Diag Data IA de Bpifrance, dont Koïno est partenaire d'accompagnement, couvre huit jours d'expert sur trois mois maximum et laisse 6 000 € HT à charge après subvention de 40 %, selon la fiche Bpifrance consultée le 23 septembre 2026 ; ce taux a varié en 2026, vérifiez-le avant de vous engager.

Combien gagne un forward-deployed engineer ?

Aux États-Unis, les fourchettes publiées vont de 135 000 à 200 000 dollars par an chez Palantir à New York, de 185 000 à 300 000 dollars plus des actions chez OpenAI à San Francisco, et de 280 000 à 320 000 dollars chez Anthropic, selon leurs offres consultées le 23 septembre 2026. Le salaire médian affiché dépassait 188 000 dollars, contre environ 145 000 pour un ingénieur logiciel classique, selon Lightcast cité par Fortune. Aucun chiffre public équivalent n'existe pour la France.

Koïno est-il un forward-deployed engineer ?

Koïno n'emploie pas le titre, mais travaille selon ce modèle depuis sa création : un ingénieur embarqué chez le client, sur ses données réelles, un premier agent en production en quatre semaines avec la méthode Sx4, puis le transfert à l'équipe. La différence avec l'ingénieur d'un laboratoire tient au choix du modèle, décidé par cas et non par l'employeur de l'ingénieur.

À propos de l'auteur

Maxence Morin est co-fondateur (Tech & Ops) de Koïno, cabinet français d'IA et de data. Il dirige des équipes d'ingénieurs embarqués chez des PME et des ETI, de l'audit à la mise en production, et suit de près la façon dont les laboratoires d'IA réorganisent leur offre autour du déploiement. Retrouvez-le sur LinkedIn.