Reading Time: 11 minutes

Points à retenir clés

  • Ce que fait un RSE : Un ingénieur logiciel de recherche construit et gère les logiciels qui alimentent la recherche scientifique, des moteurs de simulation aux pipelines de données. Contrairement aux ingénieurs logiciels purs, les RSS allient l’expertise du domaine à la rigueur technique.
  • Deux chemins d’accès : Vous pouvez entrer en tant qu’ingénieur logiciel (ingénierie forte, connaissance du domaine plus faible) ou chercheur (domaine fort, ingénierie plus faible). Les deux convergent vers les mêmes compétences au fil du temps.
  • Salaire par secteur : Les rôles universitaires/universitaires varient de 70 000 000 $ à 165 000 $, National Labs de 90 000 $ à 225 000 $, secteur 130 000 $ 0 0 000 $ et Big Tech. 200 000 $ à 500 000 $+. L’écart se rétrécit aux niveaux supérieurs.
  • Genai est en train de remodeler, sans remplacer : l’IA générative donne 55 à 56 % de codage plus rapide avec CoPilot, mais ne peut pas  » vraiment comprendre ou maintenir  » un logiciel de recherche. Les RS sont de plus en plus importants, pas moins.
  • Career Ladders fonctionne : L’étude évaluée par les pairs de Princeton a montré qu’une échelle de carrière appropriée avait réduit le chiffre d’affaires RSE de 70 % à 7 %, prouvant que les pistes IC parallèles et les pistes dirigées par l’équipe sont importantes.
Note visuelle : Une infographie de la Feuille de route de carrière RSE montrant les parcours d’entrée → Junior → Niveau moyen → Senior → Principal/Des pistes avec des tranches de salaire et des jalons de compétences seront commandés séparément. Un graphique d’espace réservé sera ajouté pendant la phase de publication.

Qu’est-ce qu’un ingénieur logiciel de recherche ?

Un ingénieur logiciel de recherche (RSE) est un professionnel qui développe, maintient et optimise les logiciels utilisés pour soutenir la recherche scientifique. Le terme a été inventé en 2012 lors de l’atelier de collaborations du Software Sustainability Institute, et il a depuis été formalisé par la définition de rôle de CASRA comme « un professionnel dont la carrière se concentre sur le développement et l’application de logiciels pour soutenir les activités de recherche » [1].

Il ne s’agit pas d’un rôle de recherche en informatique – il s’agit d’un rôle d’ingénierie software de recherche. La distinction est importante. Un RSE ne gère pas seulement les infrastructures ; Ils écrivent, testent et optimisent le code réel qui exécute les simulations, traite les données et visualise les résultats. Ils sont le pont entre les questions scientifiques et les logiciels de travail.

Si vous travaillez déjà avec les structures de maillage de Fipy ou si vous explorez comment gère les maillages et les structures de grille, vous êtes déjà en recherche de recherche Logiciel. Le cheminement de carrière RSE consiste à construire ce logiciel à grande échelle, avec la même rigueur technique que l’industrie s’applique à ses produits.

Pourquoi les RS sont-ils importants

La recherche scientifique moderne dépend de plus en plus de logiciels. Une seule simulation peut s’exécuter pendant des semaines sur des centaines de cœurs. Les pipelines de données traitent les téraoctets de mesures. La reproductibilité nécessite des bases de codes et testées versionnées et testées que d’autres chercheurs peuvent auditer et étendre.

Le guide de rôle CASRAI définit explicitement les RS comme « critiques au succès de la recherche moderne » car les logiciels sont désormais la principale production de la science informatique, et non pas seulement un moyen d’atteindre une fin. Les chercheurs qui ne peuvent pas maintenir un code de qualité de production trouveront leur travail fragile. La carrière RSE existe précisément pour résoudre cet écart.

Deux chemins d’entrée dans RSE

Il existe deux voies principales dans le génie logiciel de recherche, et les deux ont des forces et des angles morts distincts.

Chemin 1 : Ingénieur logiciel → RSE

Les personnes qui entrent à partir d’expériences en ingénierie logicielle pure arrivent avec de solides pratiques d’ingénierie – contrôle de version, test, révision de code, conception d’API, modularité. Ils peuvent écrire du code de niveau de production dès le premier jour.

Ce qu’ils font : Architecture de code, frameworks de test, évolutivité, documentation, pipelines CI/CD.

Ce avec quoi ils ont du mal : Exigences de recherche ambiguës, terminologie spécifique à un domaine, la différence entre un prototype fonctionnel et une base de code maintenable. Les chercheurs disent souvent « j’ai besoin de quelque chose qui fait X » où X est mal défini. Les ingénieurs ont besoin de spécifications précises.

Chemin 2 : Chercheur → RSE

Les doctorats, les postdoctorants et les chercheurs seniors passent à des rôles RSE après des années d’écriture de scripts et d’outils pour leurs propres recherches. Ils comprennent profondément la science.

Ce qu’ils font bien : Expertise de domaine, formulation de problèmes de recherche, validation scientifique, revue de la littérature, communication avec les scientifiques du domaine.

A quoi ils ont du mal : la modularité du code, les tests, l’évolutivité, la refactorisation et les habitudes d’ingénierie qui rendent le code maintenable par les autres. Ils ont tendance à optimiser pour « ça fonctionne sur ma machine » plutôt que « ça marche sur n’importe quelle machine ».

la convergence

Les deux voies convergent vers les mêmes compétences de base. Un ingénieur logiciel qui reste dans le rôle RSE apprend assez longtemps le domaine. Un chercheur qui passe à RSE assez longtemps apprend l’ingénierie. Les meilleurs RS proviennent de l’un ou l’autre des arrière-plans – ils prennent simplement des délais différents pour atteindre le même étage.

Diego Alonso Álvarez du Software Sustainability Institute a documenté personnellement ce parcours, passant de postdoc à RSE senior à l’Imperial College. Son article de blog sur le chemin de carrière du chercheur à RSE capture la transition avec des détails francs sur l’écart de compétences et la courbe d’apprentissage.

RSE vs Data Scientist vs Ingénieur logiciel

Ces trois rôles sont souvent confondu dans les offres d’emploi et les budgets des départements. Une comparaison évaluée par des pairs en 2025 dans la GI numérique rend les distinctions explicites, et les institutions qui les confondent ont tendance à mal les budgets et à mal embaucher.

Dimensions Ingénieur logiciel de recherche Data Scientist Ingénieur logiciel
Sortie primaire Logiciel durable et testé Analyse et conclusions Produits logiciels commerciaux
Focus sur le domaine Expertise du domaine de recherche Expertise statistique/domaine Expertise du domaine d’application
Position du cycle de vie Construit des outils d’autres réutilisation Consomme des données, produit des informations Construit des fonctionnalités que les utilisateurs achètent
Durabilité du code Conçu pour une réutilisation pluriannuelle Souvent à usage unique ou basé sur un ordinateur portable Conçu pour le cycle de vie des produits
Validation Exactitude scientifique + rigueur technique Signification statistique + précision du modèle Performance, sécurité, UX

La distinction clé pour notre public : Analyse des résultats d’un scientifique des données ; Un ingénieur en logiciel de recherche produit des logiciels que d’autres personnes réutilisent. Si votre établissement est en train de confondre ces rôles, vous êtes probablement sous-investissant dans une infrastructure de recherche reproductible.

Les compétences de base

Le groupe d’éducation et de formation aux États-Unis-RSE, ainsi que Goth et al. (2025) Cadre de compétences [PMC12426816], identifiez trois piliers de la compétence RSE. Chaque pilier a une progression au niveau de la carrière.

1. Logiciel / Compétences techniques

C’est le pilier de l’ingénierie. Il comprend :

  • Contrôle des versions (GIT, DVC, DataLad)
  • Test (unité, intégration, régression, test de régression)
  • Qualité du code (peluche, vérification du type, outils de charpie)
  • Optimisation des performances (parallélisation, GPU, profilage)
  • Bibliothèques scientifiques (Numpy, Scipy, Fipy, NGSOLVE)
  • DevOps (CI/CD, conteneurisation, planificateurs de travaux HPC)

Ces compétences reflètent ce que vous rencontrerez dans les flux de travail de reproductibilité : versionnement des données et suivi de la provenance et modèles de test Python pour le code scientifique.

2. Compétences de recherche

C’est le pilier du domaine. Il comprend :

  • Modélisation spécifique à un domaine (solveurs PDE, méthodes par éléments finis)
  • Méthodes numériques (FEM, FVM, différences finies)
  • Développement d’algorithmes (raffinement de maillage adaptatif, méthodes de multi-fidélité)
  • Validation scientifique (test de convergence, problèmes de référence)
  • Synthèse de la littérature (compréhension à la pointe de la technologie)

Ce pilier est l’endroit où un background de doctorat brille et où un ingénieur logiciel a besoin d’une formation ciblée. Les ateliers de semestre et de menuiserie manquants du MIT offrent des points d’entrée accessibles.

3. Compétences en communication / collaboration

Il s’agit du pilier des compétences douces, mais il est tout sauf doux. Il comprend :

  • Communication inter-équipes (expliquant les contraintes techniques aux scientifiques du domaine)
  • Gestion de projet (cadre, planification d’étape, Agile)
  • Mentorat (intégration des RS juniors, conseils de révision du code)
  • Participation communautaire (contribution open-source, conférence)

Le Goth et al. Le cadre mappe ces compétences aux niveaux de carrière (de fondation à expert), et le liste des compétences-US-RSE fournit une liste complète des compétences Énumération que vous pouvez utiliser comme rubrique d’auto-évaluation.

Cadres de progression de carrière

Les échelles de carrière RSE ont toujours été le point le plus faible de l’infrastructure de carrière universitaire. Sans cheminement de progression clair, les RS talentueux partent pour l’industrie – jusqu’à récemment.

progression de niveau

Les institutions de premier plan utilisent des cadres de niveau tels que L1–L4 (du contributeur fondamental à l’expert/leader) et P1 à P6 (du novice au principal). Ce ne sont pas des titres arbitraires – ils correspondent à des responsabilités concrètes :

Niveau Titre typique responsabilité principale
L1 / P1 RSE junior Exécuter les tâches assignées sous Guidance
L2 / P2 RSE de niveau intermédiaire Posséder un module ou un outil ; Mentorer les juniors
L3 / P3 RSE senior définir l’architecture; Diriger des projets
L4/P4+ RSE principal définir la direction ; Représenter l’organisation

La piste parallèle

Une innovation essentielle dans l’échelle RSE est la piste parallèle dirigée par l’équipe. Tous les RSE ne veulent pas être un contributeur individuel principal ; Certains préfèrent gérer des personnes et des projets. L’étude évaluée par des pairs de Princeton (ARXIV 2602.19353v1, février 2026) a documenté cela explicitement, montrant que le chiffre d’affaires est passé de 70 % (pré-échelle, fenêtre de cinq ans) à 7 % (post-échelle, fenêtre de trois ans) après avoir mis en œuvre Associate à travers les niveaux principaux avec une piste parallèle de plomb d’équipe.

Il s’agit de la première preuve documentée et examinée par des pairs de l’impact d’une échelle de carrière sur la rétention RSE. Cela prouve que l’échelle compte – pas seulement l’existence de niveaux, mais l’existence de pistes parallèles.

Les perspectives de début de carrière de SSI

Quatre RSE du camp de logiciels de recherche du Software Sustainability Institute (novembre 2025) ont décrit les défis de progression dans les détails francs – des attentes peu claires et de l’incertitude de financement à la réalité de la perturbation de l’IA. Leurs points de vue, recueillis dans « Perspectives de début de carrière : carrière et les compétences en logiciel de recherche » sont essentielles à la lecture pour quiconque envisage cette voie.

Recherche salaire en génie logiciel par secteur

Le salaire est la comparaison la plus concrète que les gens font lorsqu’ils décident d’un cheminement de carrière. Les données ci-dessous proviennent des directives CASRAI, Research.com, Levels.FYI et Glassdoor.

Secteur Gamme typique notes
universitaires / universités 70 000 $ à 165 000 $ fort aux niveaux supérieurs; contraints par les budgets académiques; « Trip de maintenance » où les publications l’emportent sur le code
Laboratoires nationaux 90 000 $ à 225 000 $ Lawrence Livermore a vérifié via levels.fyi (gamme d’ingénieurs logiciels de 110 000 000 $ 225 000 $) ; de forts avantages; axé sur la mission
Industrie (divisions de recherche) 130 000 $ à 210 000 $ plus près de la rémunération des grandes technologies ; des échelles de carrière plus fortes; Pression commerciale
grand technicien 200 000 $ à 500 000 $+ salaire le plus élevé ; progression la plus structurée ; Les rôles de logiciels de recherche sont souvent étiquetés comme « scientifique appliqué » ou « ingénieur logiciel de recherche »

Le secteur national des laboratoires (LLNL, LANL, ORNL) représente l’option de milieu de gamme la plus convaincante : un meilleur salaire que le milieu universitaire, moins de pression commerciale que l’industrie et l’alignement des missions avec la recherche scientifique. La moyenne de Glassdoor pour les rôles RSE s’élève à environ 184 000 $ dans le monde, avec une variance importante selon l’emplacement et l’ancienneté.

Ce que les données salariales révèlent structurellement : Le « piège de maintenance » – les systèmes de carrière universitaire récompensent les publications, pas le code. Un RSE qui produit d’excellents logiciels largement utilisés, mais moins d’articles prendront souvent du retard dans la promotion académique par rapport à un scientifique de domaine qui publie fréquemment. C’est pourquoi l’échelle de Princeton, avec sa reconnaissance explicite des contributions logicielles, est transformatrice.

L’impact de Genai sur les carrières RSE

Generative AI remodèle les carrières dans les logiciels de recherche plus rapidement que la plupart des guides de carrière ne le reconnaissent. Deux études récentes fournissent le tableau le plus clair.

Les conclusions du SSSI (novembre 2025)

Le Software Sustainability Institute a publié une analyse complète en novembre 2025 sur « ai après mon travail – Naviguer sur l’avenir du génie logiciel de recherche ». Le titre de conclusion : Les SR sont « plus importants que jamais » car l’IA ne peut pas  » vraiment comprendre ou maintenir  » un logiciel de recherche.

Résultats spécifiques :

  • Gagnes en productivité : Copilot donne 55 à 56 % de codage plus rapide avec l’aide de l’IA
  • Risques de déformation : Se fier à l’IA sans comprendre peut éroder les compétences mêmes qui distinguent les RSO des développeurs juniors
  • Gap de validation : Le code généré par l’IA doit être revu par une personne qui comprend à la fois le code et
  • Recommandation : Investissez dans l’alphabétisation en matière d’IA. Apprenez l’ingénierie rapide, mais n’arrêtez jamais d’apprendre les fondamentaux.

Le modèle de quadrant AI4RSE

Siamak Farshidi et al. Du laboratoire AI4RSE (Université Wageningen, ICSE 2026) a introduit un modèle quadrant pour les logiciels de recherche augmentée par l’IA arxiv.org/html/2508.05693v1. Le modèle classe le code de recherche en quatre quadrants :

  1. Codage exploratoire — Scripts rapides pour la génération d’hypothèses (Assisted, faible risque)
  2. Codage Vibe — Code expérimental généré par l’IA avec une exactitude incertaine (risque élevé)
  3. RSE traditionnel — Code de production, évalué par des pairs (examen assisté par l’IA, non génération)
  4. ai4rse — Code co-développé avec l’IA où l’IA est l’auteur principal (spécialité émergente)

Les spécialisations émergentes comprennent orchestration d’IA (gestion de plusieurs modèles d’IA dans les flux de travail de recherche), évaluation LLM (évaluation des résultats d’IA pour la validité scientifique) et Déploiement de l’IA verte/fiable (efficace Inférence d’IA dans des contextes scientifiques).

La perspective Fraunhofer

Les Fraunhofer IESE Blog (novembre 2024, mis à jour 2026) Encadre Genai comme un changement dans le cycle de vie du développement de logiciels plutôt qu’un remplacement. Les compétences qui comptent le plus sont désormais architecture, revue et expertise dans le domaine, pas seulement la vitesse de codage.

Organismes professionnels et ressources de formation

La communauté RSE est bien organisée, avec des organismes nationaux, des initiatives mondiales et une formation standardisée. Voici le paysage actuel :

  • Société de RSE (Royaume-Uni) — La société fondatrice RSE ; organise les réunions communautaires annuelles de RSE ; Exécute des programmes de mentorat
  • US-RSE — la contrepartie américaine ; maintient la liste des compétences ; Organise des ateliers de développement de carrière
  • de-rse — La communauté RSE nationale de l’Allemagne ; Exécute des cadres de compétences et des initiatives de développement professionnel
  • Casrai — Organisme mondial de coordination ; Publie le Guide de définition des rôles RSE
  • Les menuiseries — Formation normalisée en science des données et compétences informatiques ; Largement adopté dans le milieu universitaire

Si vous êtes un étudiant diplômé, commencez par des ateliers de menuiserie et des listes de compétences aux États-Unis comme votre auto-évaluation de base. Engagez-vous ensuite avec votre organisme régional (société de RSE, US-RSE ou DE-RSE) pour le mentorat et la communauté.

Comment démarrer

Voici ma recommandation pour les étudiants diplômés qui envisagent une carrière RSE :

Étape 1 : Construire une base technique

Commencez par Git, les bibliothèques scientifiques Python (NumPy, Scipy) et un framework de test (PyTest). Si vous êtes déjà Explorer l’outillage scientifique moderne Ruff, vous êtes sur la bonne voie. Apprenez à écrire des tests qui s’exécutent réellement pendant CI, pas seulement dans votre ordinateur portable.

Étape 2 : Apprenez les logiciels de domaine à grande échelle

Prenez une base de code de recherche existante (même la vôtre) et refactorisez-la. Ajouter des tests. Documentez-le. Rendez-le exécutable sur une autre machine. Il s’agit de la transition la plus efficace de « le chercheur qui code » à « l’ingénieur logiciel de recherche ».

Étape 3 : Former les pratiques d’ingénierie

Flux de travail Git, revue de code, CI/CD et conteneurisation. Les ateliers de menuiserie et le semestre manquant du MIT sont des points d’entrée accessibles. Les Pratiques de durabilité open source que nous couvrons sur le site sont des contextes pertinents pour comprendre ce qui rend le code de recherche maintenable.

Étape 4 : Choisissez votre secteur

Après avoir acquis des compétences techniques, évaluez les secteurs :

  • Academia si vous appréciez la liberté intellectuelle, les environnements favorables aux publications et les projets à long terme
  • Laboratoires nationaux si vous voulez l’alignement de la mission avec la recherche, un financement stable et un salaire modéré
  • Industrie si vous priorisez la rémunération, les échelles structurées et les itérations plus rapides
  • Big Tech si vous voulez la plus haute rémunération et une infrastructure de carrière la plus structurée

Étape 5 : Engagez la communauté

Rejoignez-nous-rse, assistez aux réunions annuelles de la Society of RSE, contribuez à des logiciels de recherche open source. Le champ récompense la visibilité et la participation de la communauté — et le chemins d’apprentissage structurés Les étudiants en mécanique informatique montrent que l’engagement communautaire structuré accélère la croissance des compétences.

Ma recommandation

Si vous êtes à la croisée des chemins – un doctorant qui se demande s’il faut rester dans le milieu universitaire ou passer à l’industrie – voici ce que je choisirais :

Construisez d’abord les compétences en ingénierie. Un doctorat capable d’écrire du code de production est irremplaçable. Un ingénieur logiciel qui comprend le domaine est tout aussi irremplaçable. Le marché récompense de plus en plus la personne qui peut faire les deux.

Le genai shift accélère cela. L’IA peut écrire du code passe-partout, mais elle ne peut pas valider une simulation par rapport à la réalité physique. Il ne peut pas maintenir une base de code pour une décennie de recherche. Cela ne peut expliquer à un scientifique du domaine pourquoi leur modèle a divergé. Ce sont les compétences qui comptent.

Choisissez le chemin de l’échelle parallèle. Si votre institution propose une échelle de carrière avec des éléments de contributeur individuel et de piste d’équipe, prenez-le. La réduction de 70 % → 7 % du chiffre d’affaires de Princeton prouve que l’échelle fonctionne. Sans un, vous êtes en concurrence avec l’industrie pour la rétention – et l’industrie gagne généralement la rémunération.

Guides connexes