ML Engineer vs Data Scientist : métiers, compétences et salaires en France
Le Data Scientist cherche le bon modèle ; le ML Engineer le rend fiable en production. La frontière est moins nette qu’elle en a l’air — et les salaires aussi.
Dans une présentation simplifiée, le Data Scientist transforme des données en modèle ou en décision ; le Machine Learning Engineer transforme ce modèle en système fiable. Dans la réalité, surtout dans une petite entreprise, les deux postes peuvent se chevaucher largement.
Le titre ne suffit donc pas pour comparer deux offres. Lisez la proportion d’exploration, de développement logiciel, de cloud et de mise en production.
Les missions d’un Data Scientist
Le Data Scientist part généralement d’un problème métier et de données imparfaites. Il explore, formule des hypothèses, construit des variables, entraîne des modèles, les évalue et présente les résultats. Selon l’organisation, il peut aussi mener des tests, produire des tableaux de bord ou accompagner la décision sans déployer un modèle complexe.
Les compétences centrales sont les statistiques, Python ou R, SQL, l’évaluation des modèles et la capacité à expliquer les limites. Une excellente métrique hors ligne n’a aucune valeur si la cible est mal définie ou si le modèle crée un biais inacceptable.
La fiche métier Apec souligne l’évolution technologique continue du poste et l’importance des contraintes réglementaires comme le RGPD.
Les missions d’un ML Engineer
Le ML Engineer travaille davantage sur l’industrialisation : pipelines de données et d’entraînement, API, tests, déploiement, observabilité, coût et latence. Il doit détecter lorsqu’un modèle se dégrade et organiser sa mise à jour sans interrompre le produit.
Son socle ressemble à celui d’un software engineer spécialisé : Python, architecture, Git, tests, conteneurs, cloud et CI/CD, auxquels s’ajoutent machine learning et MLOps. Dans certaines équipes, il entraîne lui-même les modèles ; dans d’autres, il reçoit un prototype produit par les Data Scientists.
Tableau de comparaison
| Critère | Data Scientist | ML Engineer |
|---|---|---|
| Question principale | Quel signal exploiter et quel modèle choisir ? | Comment rendre ce modèle fiable à l’échelle ? |
| Temps dominant | Exploration, expérimentation, analyse | Développement, déploiement, exploitation |
| Fondamentaux | Statistiques, SQL, modélisation, communication | Software engineering, systèmes, cloud, ML |
| Livrable type | Analyse, expérimentation, modèle validé | Service de prédiction, pipeline, monitoring |
| Risque fréquent | Modèle pertinent mais inutilisable | Système robuste autour d’un mauvais objectif |
Une équipe mature fait travailler ces profils ensemble. Opposer « science » et « ingénierie » masque le plus important : la qualité de l’interface entre expérimentation et production.
Quel salaire en France en 2026 ?
Les chiffres varient fortement selon l’expérience, Paris ou région, le secteur, le niveau logiciel et la rareté technique. France Travail présente pour les métiers de la data une fourchette moyenne indicative autour de 43 000 à 55 000 € brut par an, avec des niveaux pouvant monter davantage pour les experts. Indeed indiquait en juillet 2026 une moyenne déclarée d’environ 51 951 € pour le titre Data Scientist en France.
Ces valeurs ne constituent pas une grille. Un premier poste en région peut être sensiblement plus bas ; un ML Engineer expérimenté en infrastructure, LLM ou plateforme cloud peut dépasser la moyenne. À l’inverse, certaines entreprises utilisent « ML Engineer » pour un poste de Data Scientist junior sans responsabilité de production.
Pour comparer deux offres, regardez le fixe, le variable, les actions éventuelles, le télétravail, la localisation et surtout le contenu du poste. Le simulateur de salaire Apec permet d’intégrer plusieurs de ces critères plutôt que de raisonner sur une moyenne nationale.
Quelle voie choisir ?
Choisissez Data Scientist si vous aimez comprendre les données, tester des hypothèses, discuter de métriques et traduire un résultat pour un métier. Choisissez ML Engineer si vous aimez transformer un prototype en service, déboguer les interfaces et construire des systèmes durables.
Si vous hésitez, réalisez un projet de bout en bout : jeu de données, modèle, API, conteneur, déploiement et monitoring minimal. Vous verrez rapidement quelle phase vous attire. Ce projet sera aussi plus convaincant qu’une certification isolée.
Notre panorama des métiers de la data et notre guide des compétences data recherchées permettent de situer ces deux rôles dans l’écosystème. Vous pouvez aussi consulter les offres ML et data actuellement centralisées.
Les compétences qui augmentent la valeur d’un profil
Pour un Data Scientist : compréhension causale, expérimentation, qualité des données, communication et connaissance sectorielle. Pour un ML Engineer : systèmes distribués, cloud, observabilité, optimisation et pratiques de développement.
Dans les deux cas, savoir formuler le problème est décisif. L’IA générative n’a pas supprimé ce besoin ; elle a ajouté de nouvelles questions de coût, évaluation, sécurité et fiabilité.
Sources et prudence
Les chiffres sont une photographie d’août 2026. Vérifiez une source récente avant une négociation.
Questions fréquentes
Le ML Engineer gagne-t-il toujours plus ?
Non. Il peut bénéficier d’une prime liée à des compétences logicielles rares, mais l’expérience, le secteur et l’entreprise pèsent davantage que le titre seul.
Faut-il un doctorat pour devenir Data Scientist ?
Pas dans la majorité des postes appliqués. Un Bac+5 quantitatif et des projets solides peuvent suffire. La recherche avancée peut en revanche privilégier un doctorat.
Peut-on passer de Data Scientist à ML Engineer ?
Oui, en renforçant développement logiciel, cloud, tests et déploiement. Le chemin inverse demande souvent de consolider statistiques, expérimentation et compréhension métier.
Passer à l’action
Trouvez votre prochaine opportunité.
Parcourez les offres et préparez une candidature personnalisée au bon contact.
