CV pour l'emploi en intelligence artificielle (2026)

Longueur : 1 page (junior à 3 ans) ou 2 pages max (senior avec impact chiffré).

Ordre recommandé :

1. En-tête — Nom, titre précis, ville / remote, email, LinkedIn, GitHub ou portfolio.

2. Accroche (2–3 lignes) — Stack + spécialité + résultat mesurable.

3. Expériences — Du plus récent au plus ancien, 3–5 puces par poste orientées impact.

4. Projets IA — Section dédiée si peu d'exp pro (reconversion, bootcamp).

5. Compétences — Tags groupés (ML, LLM, MLOps, cloud, data).

6. Formation & certifications — Diplôme, RNCP, Qualiopi si bootcamp.

7. Langues — Anglais indispensable pour la plupart des postes IA.

Évitez photo obligatoire, graphiques décoratifs et colonnes multiples qui cassent le parsing ATS.

« Data scientist » seul est trop vague en 2026. Préférez des titres alignés sur le marché Expira :

• Ingénieur LLM · RAG & agents
• MLOps Engineer · Kubernetes / MLflow
• Data Scientist · NLP & évaluation
• Ingénieur Machine Learning · Computer Vision
• Data Engineer · pipelines analytics & feature store

Adaptez le titre à chaque candidature : reprenez l'intitulé de l'offre si vous avez l'expérience correspondante. Les recruteurs filtrent souvent par mot-clé exact dans l'ATS.

Chaque puce d'expérience doit répondre à : Quoi + Comment + Résultat.

Exemples efficaces :

• « Déployé un pipeline RAG (LangChain, pgvector) réduisant le temps de réponse support de 40 % pour 12k tickets/mois. »
• « Industrialisé 8 modèles scikit-learn via MLflow + Kubernetes ; drift monitoring hebdomadaire, SLA 99,5 %. »
• « Fine-tuning Mistral 7B pour classification documentaire : F1 +12 pts vs baseline, coût inférence −30 %. »

Verbes d'action : concevoir, déployer, optimiser, évaluer, automatiser, monitorer. Évitez « participé à », « assisté » sans détail technique.

Si vous sortez d'un bootcamp (Le Wagon, DataScientest…) ou d'une reconversion, une section Projets compense le manque d'expérience pro.

Pour chaque projet (2 à 4 max) :

• Titre du projet + lien GitHub / démo
• Problème métier en 1 phrase
• Stack (Python, PyTorch, API OpenAI, Docker…)
• Métrique ou learning clé
• Durée et contexte (solo, équipe, Kaggle, freelance)

Les recruteurs IA préfèrent un POC documenté avec README clair qu'un certificat sans code public.

Alignez 5 à 8 compétences prouvées sur l'offre. Référentiel Expira par profil :

Data scientist — Python, pandas, scikit-learn, SQL, statistiques, A/B testing, Jupyter, Spark (bonus).

Ingénieur LLM — Python, LangChain/LlamaIndex, RAG, embeddings, prompt engineering, evaluation (RAGAS), APIs OpenAI/Mistral, vector DB.

MLOps — Kubernetes, Docker, MLflow, CI/CD, Airflow, Terraform, monitoring drift, feature store.

Ingénieur data — SQL, dbt, Spark, Airflow, Snowflake/BigQuery, modélisation, data quality.

Computer vision — PyTorch, OpenCV, détection/segmentation, ONNX, TensorRT.

Ne listez pas 30 technologies : l'ATS et le recruteur vérifient la cohérence avec vos projets.

• Mur de buzzwords sans GitHub ni métrique.
• Toy datasets uniquement (Iris, Titanic) sans projet réaliste.
• CV identique pour LLM engineer et data analyst.
• PDF scanné ou Canva illisible par l'ATS.
• Omission du télétravail alors que vous cherchez du remote.
• Salaire ou photo — inutiles et parfois contre-productifs.
• Anglais absent alors que la doc technique et les équipes sont souvent en English-first.

[Prénom Nom]

Ingénieur LLM · RAG production | Paris / Remote France

email@exemple.fr · linkedin.com/in/… · github.com/…

Profil

Ingénieur IA avec 4 ans d'expérience en NLP et déploiement LLM. Spécialisé RAG, evaluation et réduction coûts inférence. 3 modèles en production (B2B SaaS).

Expérience

*Entreprise · Ingénieur LLM · 2023–2026*

• Architecture RAG multi-tenant (Mistral, pgvector) — latence p95 < 800 ms
• Pipeline d'evaluation automatisé (faithfulness, citation rate)
• …

Projets

*Agent support client* — LangGraph, FastAPI, Docker — github.com/…

Compétences

LLM : RAG, fine-tuning, prompt engineering · MLOps : MLflow, K8s · Data : Python, SQL, Spark

Formation

Master Data Science · École / Université · 2022

1. Analysez votre CV avec l'outil IA Expira (score marché + recommandations).

2. Ciblez 5–10 offres alignées sur votre stack via les pages métier (/emploi/ingenieur-llm, /emploi/data-scientist…).

3. Activez une alerte emploi pour ne pas rater les nouvelles annonces.

4. Préparez l'entretien avec le guide entretien IA et les fiches métier correspondantes.