Pendant longtemps, la technologie et la linguistique semblaient appartenir à deux mondes différents.

D’un côté, les programmeurs, ingénieurs et spécialistes des données.

De l’autre, les linguistes, traducteurs, rédacteurs, philologues et professionnels de la communication.

L’intelligence artificielle rend aujourd’hui cette frontière beaucoup moins nette.

Une machine peut résumer un document juridique, traduire une conversation, analyser des milliers de commentaires clients, générer du code à partir d’une instruction écrite ou tenir une conversation presque naturelle.

Et plus la technologie comprend le langage humain, plus il devient important de comprendre comment ce langage fonctionne réellement.

La véritable nouveauté n’est peut-être donc pas uniquement l’apparition de nouvelles professions.

Ce sont aussi les nouvelles intersections entre des disciplines qui travaillaient auparavant séparément.

La linguistique computationnelle n’est pas née avec ChatGPT.

C’est un domaine établi depuis plusieurs décennies, qui combine linguistique, informatique, statistiques, intelligence artificielle et traitement automatique du langage.

Ses applications comprennent l’analyse et la génération du langage, la traduction automatique, les systèmes vocaux, la recherche d’information, la classification de textes, l’extraction d’information et l’évaluation des modèles.

L’Association for Computational Linguistics entretient une communauté scientifique et professionnelle internationale dédiée à ce domaine et étudie en 2026 la manière dont les grands modèles de langage transforment le travail et les professions.

Un bon système linguistique ne nécessite donc pas seulement de bons programmeurs.

Il a aussi besoin de personnes qui comprennent le fonctionnement du langage, le sens d’une expression dans un contexte précis et ce qui peut être perdu lorsqu’une machine transforme une intention humaine en données.

“

Une machine peut traiter des mots. Comprendre pourquoi nous choisissons tel mot plutôt qu’un autre est une autre question.

Pendant des années, nous avons parlé de big data comme si disposer d’énormes quantités d’informations suffisait.

Ce n’est pas le cas.

Il faut comprendre ce que contiennent les données, comment elles sont structurées, comment elles ont été annotées, quelle est leur qualité, quels biais elles peuvent contenir et quelles langues elles représentent.

Cela renforce l’importance de profils comme data analysts, data scientists, data curators, data annotators, language-data specialists et AI evaluation specialists.

Tous ces métiers ne sont pas entièrement nouveaux. Beaucoup sont des évolutions de professions existantes.

Ce qui a changé, c’est le contexte.

Le Bureau of Labor Statistics américain prévoit une croissance de 35 % de l’emploi des data scientists entre 2025 et 2035, largement supérieure à la moyenne prévue pour l’ensemble des professions.

Le domaine linguistique se structure lui aussi. L’ISO développe notamment l’ISO/IEC TS 26320, un projet consacré aux principes et méthodes de création et de maintenance des corpus utilisés par les systèmes de traitement automatique du langage et à l’évaluation de leur qualité.

Peu de termes ont été aussi médiatisés que « prompt engineer ».

L’idée semble simple : une personne spécialisée dans la rédaction d’instructions pour les modèles d’intelligence artificielle.

Mais la réalité est plus intéressante.

Une étude de 2025 a analysé 20 662 offres d’emploi liées à l’IA sur LinkedIn et n’a trouvé que 72 postes portant exactement le titre « Prompt Engineer », soit moins de 0,5 % de l’échantillon.

Cela ne signifie pas que le prompt engineering est une tendance vide de sens.

Cela peut plutôt signifier que le prompting passe d’une fonction autonome à une compétence intégrée dans de nombreuses professions.

Les designers utilisent des prompts.

Les analystes de données aussi.

Les chercheurs.

Les développeurs.

Les professionnels du marketing.

Les linguistes.

Les designers produit.

Les enseignants.

La compétence importante n’est pas de connaître une formule magique pour écrire le prompt parfait.

C’est de comprendre le problème, fournir le contexte, définir des critères, vérifier les résultats et reconnaître lorsqu’une réponse d’IA n’est pas suffisamment bonne.

“

Le prompt est un outil. Le jugement reste humain.

À mesure que la technologie devient plus complexe, le besoin de personnes capables de relier différentes manières de penser augmente.

Une entreprise a un problème.

L’utilisateur l’explique avec ses propres mots.

Le designer pense en termes d’expérience.

Le développeur pense en termes d’architecture.

L’analyste pense en termes de données.

Le modèle d’IA fonctionne à partir de motifs.

Quelqu’un doit relier ces mondes.

C’est dans cet espace que se développent ou évoluent des profils comme AI product specialist, conversation designer, AI trainer, AI evaluator, knowledge engineer, language technology specialist et AI implementation specialist.

Certains sont déjà utilisés comme intitulés de poste.

D’autres correspondent à de nouvelles fonctions au sein de métiers existants.

Ils n’auront peut-être pas tous le même nom dans cinq ans.

Mais ils ont un point commun important :

ils travaillent entre plusieurs disciplines.

Les chatbots et assistants d’IA ont transformé la conversation en une nouvelle forme d’interface.

Un système conversationnel a une voix, des règles, des limites, des erreurs et différents états.

Il doit savoir quand poser une question, quand expliquer, quand reconnaître une incertitude et quand s’arrêter.

Concevoir ces conversations combine linguistique, UX, psychologie cognitive, produit et technologie.

La conversation peut elle aussi être conçue.

Et plus nous utiliserons des interfaces fondées sur le langage, plus il sera important de réfléchir à la manière dont les machines parlent et répondent.

Il ne suffit pas qu’une réponse soit grammaticalement correcte.

Elle doit être utile, adaptée, claire et cohérente avec son contexte.

“

Lorsque la conversation devient une interface, les mots font partie du design.

Générer une réponse est relativement facile.

Déterminer si cette réponse est réellement bonne est beaucoup plus difficile.

Est-elle correcte ?

Pertinente ?

Sûre ?

Trop longue ?

Adaptée au public ?

Aussi efficace dans plusieurs langues ?

Capable de comprendre une expression régionale ?

Cohérente lorsque la même question est formulée autrement ?

En 2026, le NIST a lancé son programme Artificial Intelligence Technology Evaluation afin d’évaluer les modèles d’IA à partir de données de test réservées, de tâches diverses et de métriques communes.

L’ISO développe également des méthodes spécifiques pour évaluer la qualité des systèmes de traitement automatique du langage.

Cela montre une évolution importante.

La question n’est plus seulement :

« Peut-il le faire ? »

Mais plutôt :

« Comment savons-nous qu’il le fait bien ? »

Une IA peut être excellente en anglais et moins constante dans une autre langue, même lorsque sa grammaire semble correcte.

Les langues ne sont pas simplement des dictionnaires différents.

Elles changent la structure, le registre, la politesse, l’ironie, l’humour, les références culturelles et les conventions professionnelles.

La quantité et la qualité des données disponibles varient aussi selon les langues.

L’UNESCO a souligné le risque que des systèmes entraînés principalement à partir de langues dominantes reproduisent des hiérarchies linguistiques et réduisent la diversité lorsqu’ils devraient au contraire apprendre d’elle.

C’est pourquoi l’IA multilingue a besoin de davantage que de traduction automatique.

Elle a besoin de connaissances linguistiques et culturelles.

Pour ceux qui maîtrisent plusieurs langues et comprennent également la technologie, cette combinaison peut devenir un avantage professionnel majeur.

“

Traduire les mots ne signifie pas toujours transférer le sens.

Le World Economic Forum identifie l’IA et le big data parmi les compétences connaissant la plus forte croissance d’ici 2030, tout en mettant en avant la pensée analytique, la pensée créative, la flexibilité, la résilience et l’apprentissage continu.

Cette combinaison est importante.

Tout le monde n’a pas besoin de devenir programmeur.

Tout le monde n’a pas besoin de devenir linguiste.

Les opportunités apparaissent précisément dans les intersections.

Linguistique + IA.

Design + données.

UX + conversation.

Recherche + automatisation.

Communication + modèles.

Technologie + culture.

L’IA crée aussi un paradoxe intéressant : plus elle devient performante pour produire des résultats, plus le jugement humain peut devenir précieux pour distinguer une réponse acceptable d’une réponse réellement bonne.

Nous ne sommes peut-être pas seulement en train de créer de nouvelles professions.

Nous créons peut-être de nouvelles intersections.

Langage et programmation.

Données et communication.

Design et intelligence artificielle.

Linguistique et machine learning.

UX et conversation.

Recherche et automatisation.

Technologie et culture.

L’Association for Computational Linguistics étudie déjà la manière dont les grands modèles de langage, l’automatisation des tâches et les systèmes d’IA transforment le travail.

En parallèle, des recherches récentes utilisent des modèles de langage pour détecter de nouvelles compétences qui émergent sur les marchés du travail.

Cela confirme une réalité que nous pouvons déjà observer :

Les frontières professionnelles deviennent plus perméables.

Certaines professions disparaîtront.

Beaucoup évolueront.

D’autres n’ont pas encore de nom.

Mais une compétence revient constamment :

savoir travailler entre plusieurs mondes.

Stanford HAI indique que l’adoption organisationnelle de l’IA a atteint 88 % en 2025 parmi les organisations interrogées et que l’IA générative était utilisée dans au moins une fonction par 70 % d’entre elles.

Cela signifie que savoir utiliser un outil d’IA cessera probablement d’être un avantage rare.

La différence se fera sur ce qui vient ensuite.

Poser de meilleures questions.

Structurer l’information.

Détecter les erreurs.

Fournir du contexte.

Construire des processus.

Évaluer les résultats.

Collaborer avec des spécialistes d’autres disciplines.

Et surtout, savoir quand ne pas faire confiance à la réponse.

La technologie apprend de mieux en mieux à comprendre nos mots.

À nous maintenant de mieux comprendre la technologie.

Non pas pour parler comme les machines.

Mais pour leur permettre de mieux travailler avec nous.

Stanford HAI — 2026 AI Index Report.

World Economic Forum — Future of Jobs Report 2025.

U.S. Bureau of Labor Statistics — Data Scientists, Occupational Outlook Handbook.

Association for Computational Linguistics — Future of Work in the Age of LLMs et ressources de recherche en linguistique computationnelle.

Vu, An & Oppenlaender, Jonas — Prompt Engineer: Analyzing Hard and Soft Skill Requirements in the AI Job Market.

ISO/IEC — Corpus development and maintenance for natural language processing systems, ISO/IEC AWI TS 26320.

NIST — Artificial Intelligence Technology Evaluation (AITE).

UNESCO — travaux sur l’IA, la justice linguistique et la diversité des langues.