Dans l’automobile, comme dans bien d’autres secteurs, l’essor de l’intelligence artificielle produit un effet paradoxal : il crée des postes, mais en fait aussi disparaître. La bataille actuelle ne porte pas seulement sur la technologie, mais sur les compétences nécessaires pour la concevoir, l’entraîner et l’intégrer à grande échelle.

Le “recrutement d’IA” entraîne des bascules de compétences

Le cas de General Motors illustre cette tendance. Le constructeur a réduit une partie des effectifs informatiques pour réallouer ses besoins vers des profils jugés plus adaptés à l’ère de l’IA. L’objectif affiché est de remplacer des compétences “traditionnelles” par des compétences davantage orientées vers des tâches liées à l’intelligence artificielle.

Concrètement, les aptitudes les plus recherchées se situent autour de l’IA “native” (capacité à développer des solutions de zéro), de l’ingénierie des données et de l’analytique, mais aussi du développement dans des environnements cloud. La tendance va également vers des expertises centrées sur les agents et le développement de modèles, ainsi que sur la conception de nouveaux workflows automatisés.

L’enjeu pour les entreprises est clair : passer du simple usage d’outils à une maîtrise complète de la chaîne technique, depuis la conception des systèmes jusqu’à l’entraînement des modèles et la construction des pipelines de données.

Automobile : des coupes liées aux transformations technologiques

Les ajustements de l’emploi ne concernent pas seulement les services informatiques. Des estimations présentées dans la presse indiquent que Ford, GM et Stellantis ont réduit, au total, plus de 20 000 postes de cadres aux États-Unis par rapport à des niveaux plus élevés observés plus tôt dans la décennie. Plusieurs facteurs peuvent expliquer ces décisions, mais l’IA figure parmi les transformations qui reconfigurent les priorités et les organisations.

En parallèle, certaines entreprises affirment tirer davantage de valeur de l’IA dans leurs activités, même si des retours d’ingénieurs et de fondateurs laissent penser que toutes n’en maîtrisent pas encore les usages de façon optimale.

Quand l’IA devient un produit : l’exemple de l’optimisation à partir de données terrain

Parmi les cas les plus parlés, Samsara s’appuie sur des données collectées pendant des années via des caméras installées dans des véhicules. La société utilise cette masse de données pour entraîner des modèles capables de détecter des anomalies et de quantifier leur évolution dans le temps, par exemple pour aider à identifier l’état de dégradation des chaussées.

Le modèle économique mis en avant consiste à transformer des données liées à l’exploitation (contrôle, prévention, analyse) en services à valeur ajoutée pour des tiers, notamment des administrations locales. Le point notable est la logique industrielle : l’IA n’est pas présentée comme un simple “outil de productivité”, mais comme un système entraîné sur le réel, dont la sortie est directement monétisée.

Ce que révèle la “course aux compétences”

Au-delà des annonces de recrutements et des réorganisations, la dynamique suggère une recomposition du travail : les organisations veulent des profils capables de concevoir des systèmes d’IA et d’assurer leur déploiement dans la durée. Cela implique de solides bases en data engineering, en intégration cloud et en développement de modèles, mais aussi une capacité à orchestrer des flux de travail concrets (ingestion, traitement, validation et exploitation).

En toile de fond, une question demeure : les entreprises qui accélèrent le plus vite sur l’IA seront-elles celles qui savent aussi construire les compétences techniques pour rendre ces systèmes fiables, maintenables et rentables ? L’exemple de certaines applications réussies laisse penser que oui—à condition d’un passage effectif de l’expérimentation à l’industrialisation.

Pour les équipes techniques qui cherchent à consolider leurs bases en data et en infrastructure, certains professionnels complètent leurs environnements de travail avec des solutions de stockage et de sauvegarde fiables. Par exemple, un NAS pour organiser un stockage de données local peut faciliter la gestion et l’archivage des jeux de données avant traitement.

Du côté du développement et du prototypage, beaucoup d’équipes s’appuient aussi sur des outils de calcul accéléré. Un PC de bureau orienté GPU peut aider à exécuter des tests et entraînements plus rapidement, selon les besoins et les contraintes de l’organisation.

Un signal plus large : l’IA recompose toute la chaîne automobile

La rivalité ne se limite pas aux effectifs des directions informatiques. Elle touche progressivement la conception logicielle, la gestion des données, les systèmes embarqués, et même la façon de valider les comportements en conditions réelles. Dans un secteur où la fiabilité, la sécurité et la conformité comptent autant que la performance, la valeur de l’IA dépendra aussi de la qualité des ingénieries mises derrière les modèles.