آگهی‌های استخدام مهندس هوش مصنوعی در فرانسه، در سال ۲۰۲۶ واقعاً چه می‌خواهند؟

در آگهی‌های استخدام مهندس هوش مصنوعی در فرانسه، یک کلمه مدام تکرار می‌شود: industrialisation، یعنی «صنعتی‌سازی».

این کلمه فاصله‌ی میان یک نمایش چشمگیر و سرویسی را توصیف می‌کند که سازمان بتواند واقعاً آن را اداره کند. عبور از این فاصله به API، خط استقرار، کنترل دسترسی، پایش، مستندسازی، سقف هزینه و آدم‌هایی نیاز دارد که بدانند وقتی سامانه از کار افتاد، چه باید کرد.

این روشن‌ترین پیامی است که از این نمونه‌ی آگهی‌های فعلی فرانسه می‌گیریم. کارفرمایان برای هوش مصنوعی مولد، RAG و ایجنت‌ها نیرو می‌گیرند، اما تقریباً هیچ‌وقت این توانایی‌ها را تنها نمی‌خواهند. آن‌ها را به مهندسی نرم‌افزار، زیرساخت ابری، امنیت و تحویل کار در یک حوزه‌ی کسب‌وکار گره می‌زنند.

نتیجه بازاری است با کارهای جذاب و تعریفی سخت‌گیرانه از «آمادگی». دانستن این‌که یک برنامه‌ی هوش مصنوعی چطور کار می‌کند، فقط نقطه‌ی شروع است. نشان‌دادن این‌که آن برنامه در محیط عملیاتی دوام می‌آورد، سیگنال قوی‌تری برای استخدام است.

این داده‌ها چه چیزی را نشان می‌دهند و چه چیزی را نه

خروجی‌ای که در اختیار داشتم شامل ۲۵ آگهی فعال بود که در دسته‌ی «مهندس هوش مصنوعی» در فرانسه قرار گرفته بودند و در ۲ اوت ۲۰۲۶ جمع‌آوری شدند. این آگهی‌ها میان ۲ ژوئن تا ۱ اوت منتشر شده بودند.

فقط ۱۳ آگهی شرح کامل شغل داشتند. ۱۲ آگهی دیگر، که همه از لینکدین بودند، فقط عنوان، نام کارفرما، محل کار و نشانی داشتند و متن شرح شغل نداشتند. از این‌ها می‌شود برای شمارش محل‌ها یا فهرست کارفرمایان استفاده کرد، اما نمی‌شود درباره‌ی مهارت‌های خواسته‌شده از آن‌ها نتیجه گرفت.

دو پلتفرم فریلنسری شرح تقریباً یکسانی برای یک مأموریت «مهندس طراحی هوش مصنوعی» نزد یک مشتری بانکی در مونتروی منتشر کرده بودند. اگر این دو را یک کار واحد حساب کنیم، ۱۲ نقش متمایز با شرح کامل باقی می‌ماند.

همه‌ی درصدهای مهارتی که در ادامه می‌بینید بر پایه‌ی همین ۱۲ نقش است. این یک تصویر گزینشی از اواخر تابستان است، نه اندازه‌گیری همه‌ی آگهی‌های مهندس هوش مصنوعی در فرانسه.

پنج آگهی را هم به‌عنوان «یادداشت میدانی» آورده‌ام. هر کدام کنار همان الگویی از بازار قرار گرفته که به توضیحش کمک می‌کند.

پشته‌ی فنی با پایتون شروع می‌شود، اما به عملیات ختم می‌شود

پایتون و کار با مدل‌های زبانی بزرگ هر کدام در ۹ نقش از ۱۲ نقش آمده بودند. RAG در ۸ نقش دیده می‌شد. هفت آگهی به یکی از پلتفرم‌های اصلی ابری اشاره داشتند: پنج مورد AWS، پنج مورد Google Cloud و چهار مورد Azure. Docker و Kubernetes هر کدام در چهار آگهی آمده بودند و FastAPI در دو آگهی.

این جدول مفید است، اما مسئولیت‌های شغلی بیشتر از کلیدواژه‌ها حرف می‌زنند. بانک Crédit Agricole خط‌های پردازش تکرارپذیر، خروجی‌های امن، داشبورد پایش، قابلیت ممیزی، عیب‌یابی رخدادها و پلی کارآمد میان دانشمندان داده، تیم‌های پلتفرم، عملیات و کاربران کسب‌وکار می‌خواهد.

اگر این مسیر را هدف گرفته‌اید، دوره‌ی پایتون برای تحلیل داده پایه‌ی زبان را پوشش می‌دهد. دوره‌های FastAPI: ساخت API عملیاتی با پایتون و Docker و Kubernetes برای داده هم به همان گذار اصلی می‌پردازند: از کدی که روی لپ‌تاپ شما اجرا می‌شود به سرویسی که تیم دیگری بتواند آن را اجرا کند.

RAG و ایجنت‌ها به‌عنوان جزئی از سامانه استخدام می‌شوند

تعداد بالای RAG به این معنا نیست که هشت کارفرما یک چت‌بات یکسان می‌خواهند. شرح‌ها بازیابی اطلاعات را به زمینه‌های کاری متفاوتی وصل می‌کنند: دانش بانکی، گردش‌کار مدیریت دارایی، عملیات برندهای لوکس، پروژه‌های مشاوره و پلتفرم‌های داخلیِ تحت حاکمیت.

Kering نمونه‌ی خوبی است، چون آگهی‌اش لایه‌ی پرطرفدار را به یک پشته‌ی آشنای سازمانی پیوند می‌زند.

Kering تسلط به انگلیسی را الزامی می‌داند و فرانسوی را امتیاز حساب می‌کند، نه شرط ورود. همین باعث می‌شود این نقش برای یک متقاضی بین‌المللی دسترس‌پذیرتر از نقش‌های مشاوره‌ای همین نمونه باشد؛ هرچند زبان فقط یکی از عوامل تناسب است.

پیام استخدامی این نیست که «یک کتابخانه‌ی هماهنگ‌سازی یاد بگیرید». پیام این است که بتوانید بازیابی را اندازه‌پذیر و ایجنت‌ها را کنترل‌پذیر کنید. یک پروژه‌ی معتبر باید نشان دهد اسناد از کجا می‌آیند، دسترسی چطور اعمال می‌شود، کیفیت بازیابی چطور آزموده می‌شود، وقتی شاهدی پیدا نشد چه اتفاقی می‌افتد و چه زمانی یک انسان باید اقدامی را تأیید کند.

دوره‌ی هوش مصنوعی مولد و مهندسی مدل‌های زبانی معماری را توضیح می‌دهد. آموزش عملی ارزیابی پاسخ‌های RAG بدون داور مدل زبانی هم نمونه‌کار بسیار قوی‌تری می‌سازد تا یک دموی براق دیگر که هیچ ارزیابی‌ای پشتش نیست.

بعضی نقش‌های «مهندس هوش مصنوعی» در واقع نقش پلتفرم و محصول‌اند

این عنوان شغلی تنوع زیادی را پنهان می‌کند. چند نقش به سمت زیرساخت مدل متمایل‌اند. بقیه کار بک‌اند، یکپارچه‌سازی محصول، معماری ابری، رابط کاربری و رهبری فنی را با هم ترکیب می‌کنند. آگهی Bouygues Construction این گستردگی را آشکارا نشان می‌دهد.

این نقش ۸ تا ۱۲ سال تجربه در معماری ابری، DevOps و تحویل فول‌استک می‌خواهد، از جمله تجربه‌ی هوش مصنوعی مولد در محیط عملیاتی، فراتر از مرحله‌ی اثبات مفهوم.

این یک فهرست خرید طولانی نیست که به یک شغل مدل‌سازی چسبانده باشند. این شرح مالکیت یک پلتفرم مشترک است: مسیریابی درخواست‌ها، محافظت از اطلاعات محرمانه، اعمال سهمیه‌ها، ردگیری فراخوانی‌ها، مدیریت هزینه، یکپارچه‌سازی با نرم‌افزارهای کسب‌وکار و کمک به تیم‌های دیگر برای تحویل امن.

اگر این مسیر را می‌خواهید، ایجنت‌ها را به‌عنوان گردش‌کار نرم‌افزاری مطالعه کنید، نه جادوی خودمختار. دوره‌ی ایجنت‌های هوش مصنوعی طراحی ابزار، حالت، برنامه‌ریزی، قابلیت اطمینان و ارزیابی را پوشش می‌دهد. وقتی کار شامل یکسان‌سازی دسترسی به داده‌ها و ابزارهای داخلی باشد، همان‌طور که در آگهی‌های Bouygues و Wavestone می‌بینیم، دوره‌ی Model Context Protocol هم کاملاً مرتبط است.

در فرانسه، حاکمیت داده بخشی از خود کار مهندسی است

شش آگهی صراحتاً به قانون هوش مصنوعی اتحادیه‌ی اروپا، مقررات حفاظت از داده (RGPD)، حاکمیت داده، محیط‌های تحت نظارت، انطباق یا قابلیت ممیزی اشاره کرده بودند. این برای ادعای این‌که نیمی از مشاغل هوش مصنوعی فرانسه تحت نظارت‌اند کافی نیست. اما نشان می‌دهد که حاکمیت در این نمونه یک محدودیت تکرارشونده در اجرا بوده است.

زمان‌بندی هم مهم است. بیشتر مفاد قانون هوش مصنوعی اتحادیه‌ی اروپا از ۲ اوت ۲۰۲۶ اجرا می‌شود، و برخی تعهدات و سامانه‌های پرخطر تاریخ‌های دیگری دارند. این قانون هر مهندسی را به حقوقدان تبدیل نمی‌کند. اما باعث می‌شود دیگر نتوان منشأ داده، مستندسازی، نظارت انسانی، امنیت، شفافیت و ردپذیری را کار «یک نفر دیگر» دانست.

این نقش از نهادهای حیاتی در حوزه‌های دفاع، مالی، سلامت و بخش عمومی پشتیبانی می‌کند. تابعیت فرانسه هم صراحتاً شرط شده است؛ یعنی محدودیت صلاحیت به‌شکلی غیرمعمول روشن بیان شده است.

نمونه‌ی Mistral از کل بازار محدودتر است، اما نشان می‌دهد که حوزه‌ی کاری و صلاحیت چطور می‌توانند بر تناسب فنیِ عمومی غلبه کنند. ممکن است کسی ابزارها را بشناسد و باز هم برای یک زمینه‌ی امنیتی خاص مناسب نباشد.

در نقش‌های سازمانیِ کم‌محدودیت‌تر، حاکمیت می‌تواند در نمونه‌کار شما دیده شود: یک مجموعه‌داده‌ی ارزیابی، سوابق ردگیری، مرزهای دسترسی، حالت‌های خطای مستندشده، اندازه‌گیری هزینه و تأخیر و یک مرحله‌ی تأیید روشن. دوره‌ی ارزیابی و مشاهده‌پذیری مدل‌های زبانی این لایه را به‌عنوان کار مهندسی پوشش می‌دهد، نه پیوستی برای انطباق با مقررات.

آگهی‌های مشاوره و فریلنس می‌توانند بازار را بزرگ‌تر از واقع نشان دهند

این خروجی شامل کارفرمایان مستقیم، شرکت‌های مشاوره، پلتفرم‌های فریلنس و نقش‌هایی برای مشتریان بی‌نام است. این‌ها کانال‌های استخدامی متفاوتی هستند.

دو آگهیِ مشابهِ مونتروی یک هشدار عملی است. دو آگهی ممکن است فقط یک نیاز واقعی را نشان دهند. پس شمارش خام آگهی‌ها ممکن است تعداد مشاغل متمایز را بیش از واقع نشان دهد، به‌ویژه وقتی چند واسطه برای پرکردن یک مأموریت با هم رقابت می‌کنند.

آگهی‌های فریلنس و مشاوره تحویل سریع هم می‌خواهند. ABSIS Conseil تجربه‌ی MLOps در یک محیط تحت نظارت می‌خواست. نقش «مستقر در محل مشتری» COMET کشف نیاز محصول، یکپارچه‌سازی و تحویل در تماس با مشتری را با هم ترکیب می‌کرد. آگهی ارشد Wavestone هم معماری ایجنت، چارچوب‌های بک‌اند، کانتینرها، زیرساخت، راهنمایی همکاران و کار مشاوره‌ای به فرانسوی و انگلیسی را یک‌جا می‌خواست.

این کانال برای مهندسان باتجربه‌ای مناسب است که می‌توانند وارد سازمانی ناآشنا شوند و خیلی زود مفید باشند. اما اگر تجربه‌ی شما در حد آموزش‌های آنلاین است، هدف ضعیف‌تری است. پیش از درخواست، بپرسید: آیا آگهی‌دهنده کارفرمای نهایی است؟ آیا بودجه‌ی مأموریت تأمین شده است؟ مصاحبه‌ی فنی را کدام مشتری انجام می‌دهد؟ و آیا پلتفرم دیگری هم همین کار را آگهی کرده است؟

مسیر ورود برای تازه‌کارها وجود دارد، اما اول مبانی نرم‌افزار

در میان ۲۵ آگهی، کارآموزی و عنوان‌های سطح پایه هم دیده می‌شود، هرچند چندتا از آن‌ها شرح شغل ندارند. آگهی کارآموزیِ کاملِ Euronext روشن‌ترین شاهد درباره‌ی سطح ورود است.

این نقش برای دانشجویان سال آخر کارشناسی ارشد یا مهندسی باز است. چون کار از زیرساخت بازار سرمایه‌ی اروپا پشتیبانی می‌کند، اخلاق، سوگیری و امنیت داده کنار کار با پرامپت و مدل آمده‌اند.

این دسترسی سطح پایه است، نه فهرست مهارت سطح پایه. ترتیب نیازمندی‌ها گویاست: اول مبانی نرم‌افزار، بعد توانایی‌های خاص هوش مصنوعی. ODDO BHF و Wavestone هم کارآموزی سال آخر با امکان تبدیل به استخدام دائم آگهی کرده بودند، اما هر دو انتظار داشتند متقاضی بتواند درباره‌ی معماری‌های واقعی و نیازهای کسب‌وکار حرف بزند.

مسیر شغلی رایگان مهندس هوش مصنوعی هم همین ترتیب را دنبال می‌کند: پایتون و مبانی نرم‌افزار، توسعه‌ی بک‌اند، استقرار و بعد برنامه‌های مبتنی بر مدل زبانی. این مسیر با این آگهی‌ها هم‌خوان‌تر است تا این‌که با یک چارچوب ایجنت شروع کنید و بعداً بخواهید انضباط مهندسی را به آن اضافه کنید.

پاریس بر این تصویر غالب است

۲۳ مورد از ۲۵ آگهی در پاریس یا منطقه‌ی ایل‌دوفرانس قرار داشتند. خود پاریس ۱۶ آگهی داشت و گویانکور، پوتو، مونتروی و کوربووا هفت آگهی دیگر. تولوز یک نقش رباتیک داشت. مورد باقی‌مانده با محل «Eu, Normandy» ممکن است محل واقعی باشد یا خطای تجزیه‌ی داده که از مخفف EU ساخته شده؛ چون شرح شغل خالی است، نمی‌توان با اطمینان نتیجه گرفت.

این تمرکز با تحلیل گسترده‌تر France Travail از اشتغال دیجیتال هم‌خوان است که ایل‌دوفرانس را مرکز اصلی اشتغال دیجیتال کشور می‌داند. با این حال، ۲۵ آگهی گزینشی ثابت نمی‌کند که بیرون از پاریس مهندسی هوش مصنوعی وجود ندارد. اگر جای دیگری جست‌وجو می‌کنید، از عنوان دقیق شغلی فراتر بروید و به یادگیری ماشین، رباتیک، پلتفرم‌های داده، پژوهش کاربردی و نقش‌های نرم‌افزاری با مسئولیت‌های هوش مصنوعی هم نگاه کنید.

نیاز زبانی را هم باید نقش‌به‌نقش خواند. نقش‌های بررسی‌شده‌ی Kering و Mistral با انگلیسی قابل انجام‌اند. نقش‌های مشاوره‌ای Wavestone فرانسوی قوی می‌خواهند، چون کار شامل کارگاه، مشتری و گزارش مکتوب است. عنوان شغلی انگلیسی دلیلی بر محیط کار صرفاً انگلیسی‌زبان نیست.

برای یک مسیر استخدامی مشخص، شاهد بسازید

این نمونه چهار مسیر را نشان می‌دهد که هر کدام شاهد متفاوتی لازم دارند.

پیش از این‌که فهرست ابزارهایتان را بلندتر کنید، یک مسیر را انتخاب کنید. بعد یک سامانه‌ی جمع‌وجور بسازید که سخت‌ترین بخش همان مسیر را ثابت کند. نقطه‌ی مبنا، معماری، راهبرد آزمون، محدودیت‌های عملیاتی و آنچه پیش از رفتن به محیط عملیاتی تغییر می‌دادید را مستند کنید.

تحلیل آگهی‌های مهندس هوش مصنوعی در آمریکا از نمونه‌ای دیگر به نتیجه‌ای مشابه می‌رسد: کارفرمایان توانایی هوش مصنوعی را به نرم‌افزار و زیرساخت پیوند می‌زنند. تصویر فرانسه وزن محلی بیشتری به صنعتی‌سازی، مقررات، تحویل مشاوره‌ای و بازارِ متمرکز بر پاریس می‌دهد.

بازار فرانسه واقعاً چه چیزی را غربال می‌کند

این داده‌ها مجوز ارائه‌ی یک بازه‌ی حقوق جهانی، وعده‌ی تقاضای آسان یا رتبه‌بندی کامل کارفرمایان فرانسوی را نمی‌دهند. دوازده نقش با شرح کامل خیلی کم است و نمونه به‌شدت در اواخر ژوئیه متمرکز است.

اما یک نتیجه‌ی عملی را پشتیبانی می‌کند. استخدام مهندس هوش مصنوعی در فرانسه، در این تصویر، کسانی را غربال می‌کند که می‌توانند رفتار مدل را به مسئولیت عملیاتی وصل کنند. پایتون، RAG، ایجنت‌ها و پلتفرم‌های ابری گفت‌وگو را باز می‌کنند. اما استقرار، ارزیابی، امنیت، مستندسازی، قضاوت در حوزه‌ی کاری و توانایی ارتباط تعیین می‌کنند که کار می‌تواند از مرحله‌ی نمایش عبور کند یا نه.

معنای industrialisation در این آگهی‌ها همین است. صنعتی‌سازی چاشنیِ پرزرق‌وبرقی بعد از کار هوش مصنوعی نیست. خودِ کار است.

روش کار و محدودیت‌ها

خروجی منبع شامل ۲۵ آگهی فعال بود که در ۲ اوت ۲۰۲۶ جمع‌آوری شدند؛ آگهی‌هایی که پس از یکسان‌سازی عنوان، «مهندس هوش مصنوعی» در فرانسه بودند و از ۱ ژانویه به بعد منتشر شده بودند. سیزده آگهی Indeed شرح شغل داشتند و ۱۲ آگهی لینکدین نداشتند. دو آگهی فریلنس ظاهراً یک مأموریت بانکی واحد را توصیف می‌کنند، به همین دلیل تحلیل مهارت‌ها بر پایه‌ی ۱۲ نقش متمایز است. برچسب‌های مهارتی استخراج‌شده با متن شرح‌ها تطبیق داده شدند و الگوهای مقرراتی و تحویل با خواندن دستی شناسایی شدند. آگهی‌ها ممکن است بسته یا تغییر داده شوند، فیلدهای جمع‌آوری‌شده ممکن است ناقص باشند و یکسان‌سازی ممکن است عنوان یا محل را اشتباه دسته‌بندی کند. این یافته‌ها همین خروجی را توصیف می‌کنند، نه کل بازار کار فرانسه را.