L’IA va-t-elle remplacer les analystes de données ? Agrégation, tableaux de bord et SQL s’automatisent ; choisir le chiffre qui compte pour décider, non.
À mesure que l’IA accélère la production de rapports et l’ébauche de requêtes SQL, les analystes de données auront plus de mal à se distinguer par le seul travail routinier. Ce qui garde de la valeur, c’est la capacité à définir la question, à éprouver la définition qui se cache derrière un chiffre, à lire ce qui se passe sur le terrain et à hiérarchiser les enseignements qui en découlent.
Les analystes de données font bien plus que présenter proprement des chiffres. Ils traduisent les évolutions des données sous des formes que les décideurs peuvent réellement utiliser. En examinant des indicateurs comme les ventes, la fidélisation, l’attrition, les demandes entrantes, les stocks ou les dépenses publicitaires, ils fournissent des éléments pour juger de ce qui se passe et des points sur lesquels porter l’attention en priorité.
L’IA rend beaucoup plus faciles à produire les ébauches de requêtes SQL, les prototypes de visualisations, la détection d’anomalies et les textes explicatifs. Ce qui reste, en revanche, c’est de décider quels chiffres sont fiables, quelles comparaisons sont valables et comment lire la réalité de l’activité derrière les chiffres. Cette compréhension du contexte et cette responsabilité restent du ressort des personnes.
Calculé par ai-job-risk.net à partir de quatre jeux de données publics, sur une échelle de 0 à 100 relative aux 188 métiers que nous couvrons. Plus le chiffre est élevé, plus les tâches du métier sont des tâches que l’IA générative peut accomplir ou pour lesquelles elle est déjà utilisée. Ce n’est pas une probabilité de perdre son emploi.
Analyse des tâches par des chercheurs (Eloundou et al. ; OIT). Exprimée en centile parmi tous les métiers qu’ils évaluent.
Usage observé de Microsoft Copilot et d’Anthropic Claude pour les tâches de ce métier. Exprimé en centile parmi tous les métiers qu’ils évaluent.
Évolution de la demande : la part de cette profession dans l'emploi des secteurs qui l'emploient devrait augmenter, car des volumes croissants de données numériques et électroniques seront collectés au cours de la décennie de projection. Les entreprises de tous les secteurs embaucheront des data scientists pour analyser les données afin d'améliorer les processus métier et de concevoir et développer de nouveaux produits.
Demand change - share increases as larger amounts of digital and electronic data are collected over the projections decade. Businesses in all industries will hire data scientists to analyze data to help improve business processes and design and develop new products.
Chiffres américains pour la catégorie professionnelle du BLS « Data scientists ». Les projections du BLS supposent que la technologie continue d’évoluer à son rythme historique ; elles ne constituent pas une prévision de l’effet de l’IA à elle seule.
Les statistiques officielles ne suivent pas cet intitulé exact : les chiffres décrivent la catégorie professionnelle officielle la plus proche.
Sources
Indice d’exposition calculé par ai-job-risk.net à partir des jeux de données ci-dessous (données au 15 octobre 2026). Les chiffres du travail américains proviennent du BLS, sans modification.
Les éditeurs de ces données n’ont ni préparé, ni relu, ni approuvé ce site. Citations complètes, licences et méthode
Pour évaluer le risque que l’IA fait peser sur les analystes de données, il est important de distinguer l’agrégation de l’analyse. Construire des tableaux, tracer des graphiques et répondre à des questions standard peut être largement automatisé. Mais se demander pourquoi un chiffre paraît faussé, remarquer une incohérence de définitions et transformer des chiffres en enseignements exploitables tout en vérifiant ce qui se passe sur le terrain est bien plus difficile.
À mesure que les outils d’analyse deviennent plus simples, de plus en plus de personnes pourront consulter elles-mêmes les tableaux de bord. Ce qui garde de la valeur, ce n’est pas le seul accès aux chiffres, mais la capacité à définir quels chiffres comptent réellement pour la prise de décision. Les analystes de données doivent être vus non comme des rédacteurs de rapports, mais comme des personnes qui affinent la précision des décisions.
Le travail d’analyse le plus exposé à l’IA est celui dont les définitions sont figées et les schémas de réponse familiers. Les rapports standard et le suivi d’indicateurs connus deviennent plus faciles à automatiser, tandis que le travail consistant à formuler la question elle-même reste à part.
L’IA et les outils de BI peuvent de plus en plus automatiser la synthèse répétitive d’indicateurs comme l’évolution des ventes, la performance publicitaire ou l’attrition. Plus un rapport est fréquent et standardisé, moins il y a d’intérêt à le créer manuellement à partir de zéro.
Pour des structures de tables connues, l’IA sait bien ébaucher des requêtes SQL de comparaison entre périodes ou d’agrégation par segment. Mais c’est aussi un domaine où des réponses fausses d’apparence plausible peuvent surgir si l’on néglige des incohérences de définition ou des données manquantes.
Les systèmes qui détectent des valeurs hors de la plage normale et envoient des alertes sont faciles à automatiser. Mais décider si une anomalie traduit un vrai problème, un bug de mesure, voire un changement bienvenu, exige toujours du contexte.
L’IA peut beaucoup aider à transformer des résultats en graphiques et à résumer la situation d’ensemble en quelques lignes. Ce que l’analyste doit encore décider, c’est ce qu’il faut souligner, les comparaisons à écarter et le degré d’approfondissement adapté à un public donné.
La valeur des analystes de données demeure là où ils interprètent les chiffres à la lumière des circonstances qui les ont produits. Formuler la bonne question, vérifier les définitions et hiérarchiser les enseignements restent des tâches profondément humaines.
Dans la pratique, on entend souvent « Peux-tu regarder les chiffres ? », alors que ce dont on a vraiment besoin, c’est de savoir clairement quelle décision doit être prise. Si le sujet d’analyse est mal cadré, même l’agrégation la plus précise ne permettra pas d’agir.
Même une donnée aussi simple que le chiffre d’affaires peut varier selon les remboursements, le moment où les annulations sont prises en compte ou les différences de règles de saisie entre services. Les analystes ont toujours besoin du réflexe de remonter à la façon dont un chiffre a été produit plutôt que de le prendre pour argent comptant.
Une dégradation du taux d’attrition peut refléter un changement d’interface, une évolution du discours commercial, des problèmes de stock ou tout autre chose. Les chiffres seuls permettent rarement de trancher. Le travail consistant à faire des allers-retours entre la réalité du terrain et les données pour construire l’explication la plus plausible reste humain.
Une analyse admet souvent plusieurs lectures, et tout présenter avec le même poids peut bloquer la décision au lieu de l’éclairer. Les analystes doivent toujours séparer ce qu’il faut examiner maintenant de ce qui peut attendre.
Pour les analystes de données, ce qui compte n’est pas la seule maîtrise des outils, mais l’amélioration de la qualité de la formulation des questions et de l’interprétation. La direction la plus solide consiste à utiliser l’IA pour accélérer l’agrégation tout en créant de la valeur par la lecture du contexte qui se cache derrière les chiffres.
La qualité d’une analyse dépend largement de la conception des mesures. Les personnes qui comprennent la conception des événements suivis, les délais de mise à jour et le traitement des données manquantes ont bien plus de chances de repérer les pièges des résultats produits par l’IA.
Les méthodes statistiques seules ne suffisent pas. Les analystes doivent comprendre quels processus métier génèrent chaque chiffre. Plus ils connaissent le produit, la vente, le service client, les stocks et la publicité, moins ils risquent de produire des analyses hors sujet.
Ce qui est juste sur le plan analytique n’est pas toujours ce qui aide un dirigeant à avancer. Les analystes doivent préserver l’exactitude des chiffres tout en condensant le message sous une forme qui montre clairement ce qu’il faut décider maintenant.
Les agrégations et les synthèses produites par l’IA sont rapides, mais elles comportent aussi des erreurs plausibles. Les analystes qui prennent l’habitude de vérifier les hypothèses, les définitions et les axes de comparaison manquants plutôt que de sauter directement aux conclusions resteront plus solides.
La valeur de l’expérience d’analyste de données tient moins au seul maniement des chiffres qu’à la capacité d’organiser les questions et de les relier aux décisions. Ce socle peut être prolongé vers des fonctions plus tournées vers le métier, la stratégie ou la planification.
L’expérience consistant à organiser les enjeux métier derrière les chiffres et à les transformer en points sur lesquels on peut agir se transpose directement à l’analyse métier. Ce parcours convient aux personnes qui veulent passer de la présentation d’enseignements à la conception d’améliorations opérationnelles.
Indice d’exposition 88/100 · Emploi É.-U. 2025–35 +10,1%
L’expérience de l’interprétation des comportements et des choix des clients derrière les données quantitatives crée aussi de la valeur dans les études de marché. Ce parcours convient aux personnes qui veulent passer des indicateurs internes de l’entreprise à la compréhension du marché extérieur.
Indice d’exposition 94/100 · Emploi É.-U. 2025–35 +7,0%
L’expérience consistant à cerner les enjeux à partir de comparaisons chiffrées et à les relier à des décisions peut aussi appuyer l’analyse financière. Ce parcours convient aux personnes qui veulent passer des données d’usage et d’exploitation aux chiffres de pilotage de l’entreprise.
Indice d’exposition 91/100 · Emploi É.-U. 2025–35 +7,2%
Les personnes qui se sont servies de l’évolution des KPI pour réfléchir à l’amélioration des processus peuvent aussi rejoindre des fonctions avec une responsabilité opérationnelle directe. Ce parcours convient aux analystes qui veulent porter à la fois l’enseignement et la mise en œuvre de l’amélioration.
Indice d’exposition 63/100 · Emploi É.-U. 2025–35 +5,0%
L’expérience du repérage des problèmes par les indicateurs et de la réflexion en termes de priorités soutient aussi le travail sur le produit. Ce parcours convient aux personnes qui veulent passer de l’aide à la décision à la décision sur ce qu’il faut construire.
Indice d’exposition 82/100 · Emploi É.-U. 2025–35 +6,9%
Les personnes rigoureuses dans les définitions et la conception des comparaisons peuvent aussi créer de la valeur dans l’analyse des données RH. Ce parcours convient à celles et ceux qui veulent passer des données d’activité à l’analyse structurée des salaires et à la conception des systèmes de rémunération.
Indice d’exposition 72/100 · Emploi É.-U. 2025–35 +6,0%
À mesure que l’IA accélère la production de rapports et l’ébauche de requêtes SQL, les analystes de données auront plus de mal à se distinguer par le seul travail routinier. Ce qui garde de la valeur, c’est la capacité à définir la question, à éprouver la définition qui se cache derrière un chiffre, à lire ce qui se passe sur le terrain et à hiérarchiser les enseignements qui en découlent. Les personnes les plus susceptibles de rester solides ne sont pas celles qui savent simplement utiliser des outils d’analyse, mais celles qui savent douter des réponses générées par l’IA et ramener le travail vers les questions utiles à la décision.
Ces métiers appartiennent au même secteur que Analyste de données. Ils ne recouvrent pas exactement le même travail, mais ils permettent de comparer plus facilement l’exposition à l’IA et la proximité de parcours.
Analyste de données obtient 95 sur 100 sur notre indice d’exposition à l’IA générative (rang 10 sur 188). Cela mesure quelle part du travail l’IA peut accomplir ou sert à accomplir, et non si le métier va disparaître. Le BLS prévoit une évolution de +34,6% de l’emploi de Analyste de données aux États-Unis entre 2025 et 2035.
Le travail d’analyse le plus exposé à l’IA est celui dont les définitions sont figées et les schémas de réponse familiers. Les rapports standard et le suivi d’indicateurs connus deviennent plus faciles à automatiser, tandis que le travail consistant à formuler la question elle-même reste à part. Par exemple : Génération automatique des rapports courants et des tableaux de bord; Ébaucher des requêtes SQL et des formules d’agrégation standard; Détection simple d’anomalies et paramétrage d’alertes; Création de graphiques et premiers jets de textes explicatifs.
La valeur des analystes de données demeure là où ils interprètent les chiffres à la lumière des circonstances qui les ont produits. Formuler la bonne question, vérifier les définitions et hiérarchiser les enseignements restent des tâches profondément humaines. Par exemple : Définir ce qu’il faut réellement analyser; Interroger les incohérences de définition et la qualité des données; Lire les changements opérationnels derrière les chiffres; Hiérarchiser les enseignements qui comptent maintenant.
Pour les analystes de données, ce qui compte n’est pas la seule maîtrise des outils, mais l’amélioration de la qualité de la formulation des questions et de l’interprétation. La direction la plus solide consiste à utiliser l’IA pour accélérer l’agrégation tout en créant de la valeur par la lecture du contexte qui se cache derrière les chiffres. Par exemple : Comprendre la définition des indicateurs et la conception des mesures; Construire des hypothèses à partir de la compréhension de l’activité; Savoir présenter les résultats sous une forme exploitable par les décideurs; Un esprit critique envers les résultats générés par l’IA.
