Une étude du MIT a fait les gros titres avec un chiffre brutal : environ 95 % des pilotes d’IA générative en entreprise n’ont aucun impact mesurable sur le résultat financier. Les chercheurs n’ont pas mis en cause les modèles. Ils ont attribué la plupart des échecs à l’écart entre une démo qui impressionne un comité de pilotage et un système qui doit survivre au contact d’un vrai ERP ou d’une vraie base de sinistres.
Cet écart porte désormais un nom et, de plus en plus souvent, un intitulé de poste chargé de le combler. Cet intitulé, c’est forward deployed engineer, souvent abrégé en FDE. En termes simples, un forward deployed engineer est un ingénieur logiciel qui s’intègre à votre équipe, développe dans vos propres systèmes plutôt qu’en environnement de démo isolé, et reste jusqu’à ce qu’un résultat business précis fonctionne. Vous achetez un résultat plutôt qu’un outil ou un jeu de slides, et l’ingénieur reste responsable jusqu’à ce que ce résultat existe.
Ce guide retrace l’origine du rôle, pourquoi OpenAI, Anthropic, AWS et Salesforce se précipitent pour construire ce qui était une spécialité de niche de Palantir, ce qu’un FDE fait concrètement dans une semaine donnée, et à quoi ressemble le modèle quand une entreprise de 40 personnes l’achète plutôt qu’un contractant de la défense.
Ce que « forward deployed engineer » veut vraiment dire
La plupart des logiciels se vendent comme des produits. Vous achetez une licence, vous l’installez et vous adaptez votre processus pour qu’il s’y conforme. Un forward deployed engineer travaille dans l’autre sens : le logiciel est construit, ou fortement personnalisé, pour épouser votre processus et vos données, cas limites compris, et l’ingénieur ne remet pas une spécification avant de s’en aller.
C’est la forme de ce qui se vend aujourd’hui comme un service d’ingénierie IA intégrée. Au lieu de contracter pour un livrable, comme un document technique ou un ensemble d’intégrations API, vous contractez pour un résultat : des sinistres traités plus vite, par exemple, ou un planning qui cesse de réserver deux fois les mêmes équipes. L’ingénieur est évalué sur la présence effective de ce résultat en production. Un document d’étape signé en cours de route n’est qu’un point de contrôle sur le chemin.
Visualisez la différence dans les termes du contrat. Un contrat classique avec un éditeur de logiciels liste des livrables, comme une intégration fonctionnelle ou un tableau de bord configuré, et le paiement est lié à ces livrables, que le résultat soit utilisé au quotidien ou non. Une mission FDE définit au contraire un résultat, du type « le temps moyen de traitement des sinistres passe de six jours à deux » ou « le backlog du support reste sous les 50 tickets ouverts », et le travail de l’ingénieur n’est pas terminé tant que ce chiffre ne tient pas en conditions réelles.
Ce modèle est bien antérieur à la vague actuelle de l’IA. Palantir a construit toute une entreprise autour de lui il y a deux décennies, à une époque où personne ne parlait de déploiement d’IA, ni d’autre chose que de « notre façon de livrer ».
D’où vient le terme : Palantir, 2006
Shyam Sankar a rejoint Palantir en 2006 comme treizième employé et en est devenu le premier forward deployed engineer. Le rôle est né d’un problème pratique : les clients du renseignement avaient des processus classifiés trop spécifiques pour n’importe quel produit d’analyse standard, et ces processus changeaient sans cesse. Personne ne pensait encore au branding.
Palantir a donc envoyé des ingénieurs s’installer dans les locaux du client, écrire du code sur ses données réelles et ajuster en continu jusqu’à ce que les analystes s’en servent pour leur vrai travail. Palantir a plus tard formalisé cela dans une répartition des rôles qu’elle appelle Dev et Delta. Comme le formule le blog d’ingénierie de l’entreprise, les Devs et les Deltas regardent dans des directions opposées : le focus d’un Dev, c’est une capacité au service de nombreux clients, tandis que celui d’un Delta, ce sont de nombreuses capacités au service d’un seul client. Un troisième rôle, Echo, travaille aux côtés des Deltas comme stratège de déploiement qui connaît le secteur du client et fait le lien entre l’ingénierie et les personnes qui font le travail.
Jusque vers 2016, Palantir employait plus de forward deployed engineers que d’ingénieurs produit. Ce que les équipes de terrain apprenaient, encore et encore, en étant intégrées sur des dizaines de déploiements finissait par être généralisé dans ce qui est devenu la plateforme Foundry. C’est ce schéma, selon le récit de Nabeel Qureshi sur ses huit années chez Palantir, qui a permis à l’entreprise d’afficher 80 % de marge brute en 2023, plus proche d’un éditeur de logiciels que d’une société de services comme Accenture, qui tourne autour de 32 %. Intégrer des ingénieurs coûte cher. Industrialiser ce qu’ils apprennent est ce qui rend le modèle rentable à grande échelle.
Pourquoi « FDE » désigne soudain un métier de l’IA
Les grands modèles de langage sont entraînés sur une quantité énorme de texte et de code génériques. Les données de votre entreprise ne figurent pas dans ce corpus d’entraînement, pas plus que la façon dont votre équipe travaille dans ses propres systèmes. Et cela ne changera pas tout seul. Obtenir d’un modèle généraliste qu’il fasse de manière fiable un travail spécifique, connecté à un ERP ou à un système de sinistres précis, avec de vrais utilisateurs et personne pour superviser chaque sortie, c’est ce qu’on appelle souvent le problème du dernier kilomètre du déploiement de l’IA.
Ce dernier kilomètre ressemble beaucoup au travail classique d’un FDE. Quelqu’un doit s’asseoir avec l’équipe qui fait le travail aujourd’hui et apprendre les exceptions qui n’ont jamais été documentées, puis continuer à régler les garde-fous et les critères d’évaluation du système jusqu’à ce que tout tienne sous un volume réel. Le modèle, lui, est générique. Le déploiement ne l’est jamais : il doit gérer vos factures et vos règles de conformité, jusqu’aux bizarreries du schéma de votre base de données héritée.
C’est la raison structurelle pour laquelle le terme est passé d’une spécialité Palantir à un intitulé répandu dans toute l’industrie en deux ans environ. Le travail d’intégration n’a pas disparu avec l’arrivée de l’IA généraliste. La capacité générique est devenue bon marché, et le dernier kilomètre est devenu la partie rare et précieuse du travail.
L’argent derrière l’intitulé de poste
Les intitulés de poste vont et viennent. Ce qui rend celui-ci digne d’attention, c’est le capital que les plus grandes entreprises d’IA ont mis derrière depuis début 2025.
OpenAI a formalisé sa fonction de forward deployed engineering en janvier 2025 sous la direction de Colin Jarvis. En un an, l’équipe est passée de deux personnes à une présence dans plusieurs villes, avec des clients comme Morgan Stanley, Klarna et T-Mobile. En mai 2026, OpenAI et Anthropic ont tous deux lancé des coentreprises construites autour de la même idée. La Deployment Company d’OpenAI (DeployCo) est une coentreprise de services détenue majoritairement, capitalisée à plusieurs milliards de dollars, qui a racheté le cabinet Tomoro pour disposer dès le premier jour d’environ 150 forward deployed engineers et spécialistes du déploiement expérimentés. La coentreprise de services IA d’Anthropic, soutenue par Blackstone, Hellman & Friedman et Goldman Sachs à hauteur d’environ 1,5 milliard de dollars, vise explicitement les entreprises de taille moyenne plutôt que les seuls très grands comptes.
Le même pari se retrouve en dehors des laboratoires de pointe. AWS a engagé 1 milliard de dollars dans un programme de forward deployed engineering étendu à son réseau de partenaires, et les partenaires conservent ce qu’ils construisent en chemin : actifs de livraison réutilisables, frameworks d’évaluation, outillage. Salesforce s’est engagée à constituer 1 000 FDE Agentforce. Sur Indeed, les annonces de postes de forward deployed engineer sont passées de 643 en avril 2025 à plus de 5 300 en avril 2026, soit un bond de 729 % en un an.
Rien de tout cela ne prouve qu’intégrer un ingénieur garantit un retour pour chaque entreprise. Cela montre en revanche où les entreprises qui voient le mieux pourquoi les projets d’IA réussissent ou s’enlisent placent leur argent : sur la capacité de déploiement avant la capacité brute des modèles, laquelle est, mi-2026, bon marché et de moins en moins chère chez tous les grands fournisseurs.
Ce qu’un FDE fait concrètement, au quotidien
Le métier ressemble moins à de l’architecture logicielle traditionnelle qu’à du travail de terrain avec un ordinateur portable. Quelques constantes reviennent dans presque toutes les missions FDE :
- Développement piloté par les évaluations. Avant ou pendant la construction, l’ingénieur écrit une suite de tests spécifique à cette tâche et aux données de cette entreprise, pour qu’un changement qui casse discrètement un comportement soit détecté en interne avant qu’un client ne le voie.
- Ingénierie de contexte. Alimenter le modèle avec les vrais documents, schémas de données, terminologies et cas limites de votre entreprise, plutôt que de compter sur un prompt générique qui se trouve fonctionner en démo.
- Intégration aux systèmes hérités. Se connecter à l’ERP on-premise, à l’outil de ticketing sans API moderne ou au schéma de base de données que personne n’a documenté complètement depuis dix ans, parce que c’est là que vit le processus.
- S’asseoir avec les personnes qui font le travail. Physiquement ou en visio, observer comment les gestionnaires de sinistres ou les planificateurs gèrent les exceptions aujourd’hui, parce que ces contournements sont les exigences que personne n’a écrites.
- Itérer face à un résultat en conditions réelles. Livrer vite une version qui fonctionne, la regarder tourner sur du volume réel et ajuster, plutôt que de passer des mois sur une spécification avant que quoi que ce soit ne touche la production.
La répartition de l’effort diffère de la plupart des travaux de développement logiciel. Moins de temps passe à concevoir un système propre et réutilisable, et davantage à déboguer pourquoi le modèle gère mal le format de facture que les clients de ce client précis se trouvent envoyer.
En quoi cela diffère d’un consultant, d’un solutions engineer ou d’un freelance
La version courte : un consultant est payé pour un conseil, un solutions engineer est payé pour gagner une vente, un freelance est payé à l’heure sur un cahier des charges figé, et un forward deployed engineer est payé pour atteindre un résultat fonctionnel dans vos propres systèmes et reste jusqu’à ce qu’il soit là.
| Rôle | Payé pour | Où il se trouve | Porte le résultat |
|---|---|---|---|
| Forward deployed engineer | Un résultat fonctionnel dans vos systèmes | Intégré à votre équipe opérationnelle | Oui, reste jusqu’à la mise en production |
| Consultant | Un conseil, une stratégie, une recommandation | Sur site ponctuellement, en ateliers | Remet un rapport |
| Solutions engineer | Gagner la vente pour le produit d’un éditeur | Avant-vente, part après la signature | Passe au prospect suivant |
| Freelance | Des heures ou une tâche définie | À distance, à la tâche | Seulement pour la tâche cadrée |
Cette comparaison mérite plus de nuances qu’une section n’en contient, notamment quand chaque option est le choix le moins cher ou le meilleur pour un problème donné. L’analyse complète se trouve dans Ingénieur IA intégré vs freelance vs agence.
Ce que cela signifie si vous n’avez pas la taille de Palantir
Un forward deployed engineer senior coûte environ 220 000 à 400 000 dollars par an en coût complet sur le marché américain, avec des salaires médians affichés plus proches de 174 000 dollars. C’est avant toute marge qu’une société de services ajoute si vous achetez la capacité au lieu de recruter en direct. Pour la plupart des PME en Europe ou aux États-Unis, embaucher un FDE à plein temps n’est pas réaliste, et ce ne devrait probablement pas être l’objectif.
Ce qui est réaliste, c’est le même modèle sous-jacent, en version réduite : quelqu’un s’intègre à votre équipe pour une période définie, apprend vos systèmes et livre du logiciel fonctionnel face à un résultat précis, sans exiger un budget à la Palantir ni un contrat entreprise pluriannuel. C’est ce qui se vend le plus souvent aujourd’hui comme une mission d’ingénieur IA intégré, cadrée sur un processus ou un département plutôt que sur toute l’entreprise. Le programme partenaires d’AWS, qui laisse les cabinets de conseil conserver les actifs de livraison réutilisables construits pendant une mission, montre que ce modèle est désormais packagé précisément pour ce segment du marché, au lieu de rester réservé à trois laboratoires d’IA et à une poignée de contractants de la défense.
Ce n’est pas non plus le bon choix dans toutes les situations. Si l’objectif est un simple widget de chatbot étroit ou une automatisation déjà standardisée, un freelance ou une agence travaillant sur un cahier des charges figé sera généralement moins cher et plus rapide. L’intégration justifie son coût quand le problème d’intégration est réellement épineux : des systèmes sans API propres, des processus qui vivent surtout dans la tête de quelques personnes, plus les cas limites qui n’apparaissent qu’une fois le volume réel arrivé. N’importe quel fournisseur peut rendre une démo impressionnante. Savoir si elle vaut l’argent dépend du désordre que révèle votre problème d’intégration une fois qu’on regarde sous la surface.
Questions fréquentes
Que fait un forward deployed engineer ?
Un forward deployed engineer s'intègre à l'équipe d'une entreprise et écrit du logiciel dans les systèmes, les données et les processus de cette entreprise jusqu'à ce qu'un résultat précis fonctionne de manière fiable. Au quotidien, cela veut dire construire des tests d'évaluation pour la tâche exacte à traiter et s'intégrer à des systèmes hérités sans API propre. Cela veut dire aussi s'asseoir avec les personnes qui font le travail pour apprendre les exceptions qu'aucune documentation ne capture.
Que signifie forward deployed engineer ?
Le terme désigne un ingénieur déployé en avant, dans l'environnement du client, plutôt qu'au bureau d'un éditeur sur un produit générique. Palantir a créé le rôle en 2006 pour des clients du renseignement dont les processus étaient trop spécifiques et trop sensibles pour un logiciel standard, et le terme s'est depuis répandu dans toute l'industrie de l'IA pour décrire ce même travail d'ingénierie intégré et orienté résultat.
Qu'est-ce qu'un FDE en IA ?
Dans l'IA, FDE désigne généralement un ingénieur qui s'intègre à une entreprise pour faire fonctionner de manière fiable un modèle généraliste sur la tâche spécifique de cette entreprise. Cela passe par l'écriture de suites d'évaluation et par l'ingénierie de contexte à partir des données de l'entreprise, puis par l'intégration du résultat dans les systèmes existants. OpenAI a formalisé cette fonction en janvier 2025, et mi-2026 Anthropic, AWS et Salesforce avaient tous créé ou annoncé des fonctions similaires.
Quelle est la différence entre un forward deployed engineer et un consultant ?
Un consultant est généralement payé pour un conseil ou un document de stratégie, et la mission se termine le plus souvent à la remise de ce livrable. Un forward deployed engineer est payé pour livrer du code fonctionnel dans les systèmes du client et reste engagé jusqu'à ce qu'un résultat défini soit en production : ses incitations sont donc plus proches du résultat réel du client que d'un rapport.
Une PME peut-elle s'offrir un forward deployed engineer ?
Oui, mais rarement en l'embauchant à plein temps au coût complet d'environ 220 000 à 400 000 dollars qu'exige un FDE senior sur le marché américain. La plupart des PME achètent plutôt une version réduite du même modèle, souvent vendue comme une mission d'ingénieur IA intégré, cadrée sur un processus ou un département plutôt que sur toute l'entreprise.