L’IA va-t-elle remplacer les data scientists ? L’AutoML banalise les modèles : poser le problème et concevoir l’évaluation font la vraie différence.
À mesure que l’IA abaisse la barrière du prototypage de modèles, les data scientists auront plus de mal à se démarquer par la seule capacité à construire des modèles. Ce qui garde sa valeur, c’est la capacité à choisir le problème à résoudre, à définir le niveau de précision exploitable et à concevoir la prise de responsabilité après le déploiement.
Le métier de data scientist ne se limite pas à construire des modèles d’apprentissage automatique. En pratique, il s’agit de déterminer quels types de prédiction ou d’optimisation créent de la valeur pour l’entreprise, de vérifier quelles données exploitables existent, de choisir les métriques d’évaluation et de concevoir une solution capable de tenir en exploitation réelle. Au-delà des mathématiques et de l’implémentation, décider de ce qu’il faut résoudre est une part centrale du travail.
L’IA accélère la création de modèles de référence, les suggestions de variables, la complétion de code et les propositions de réglage. Mais la pertinence de la formulation du problème elle-même, la détection des fuites de données et des biais, et l’évaluation responsable après le déploiement restent des domaines qui doivent continuer à relever des humains.
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.
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 réfléchir au risque que l’IA fait peser sur les data scientists, le point le plus important est que construire un modèle et utiliser un modèle dans l’entreprise ne sont pas la même chose. L’AutoML et l’IA générative permettent plus facilement qu’avant de produire des prototypes de modèles d’une précision correcte. Mais concevoir une solution qui tienne compte des biais des jeux de données, des contraintes du terrain et du coût des mauvaises décisions reste une barre élevée.
En réalité, plus la construction de modèles elle-même se banalise, plus l’écart se creuse dans la formulation des problèmes et la conception de l’évaluation. Les personnes capables de décider quel niveau de précision est réellement exploitable, s’il faut privilégier le rappel ou la précision, et comment les prédictions doivent modifier la prise de décision humaine sont celles qui ont le plus de chances de rester précieuses à mesure que l’usage de l’IA se répand.
Les étapes de construction de modèles qui appliquent mécaniquement des méthodes connues sont particulièrement exposées à l’IA. L’IA est utile pour faire avancer rapidement les prototypes, mais un jugement distinct reste nécessaire pour décider si ces résultats sont utilisables sur le terrain.
Pour les problèmes courants de classification et de régression, l’AutoML et l’IA générative peuvent désormais produire très rapidement des modèles de référence. La validation initiale s’accélère considérablement. Mais cela ne garantit toujours pas que la définition de la variable cible ou la métrique d’évaluation soient les bonnes.
L’IA peut raccourcir le travail de création de variables temporelles, d’encodage des variables catégorielles et de code de traitement des valeurs manquantes. Mais elle peut aussi y glisser des fuites de données ou des variables qui n’existeront pas en production, ce qui la rend dangereuse sans compréhension du contexte.
Explorer de larges plages de paramètres pour des algorithmes connus est facile à automatiser. Mais même si une combinaison légèrement meilleure est trouvée, il faut toujours que quelqu’un juge si le gain justifie la valeur métier et le coût du réentraînement.
L’IA peut aider à assembler des rapports sur l’exactitude, le rappel, l’AUC et d’autres métriques similaires. Mais décider quelles erreurs sont inacceptables et quelles métriques doivent peser le plus exige toujours qu’un humain définisse les hypothèses de départ.
La valeur des data scientists demeure dans la formulation des problèmes et la responsabilité opérationnelle. Choisir ce qu’il faut prédire, quelles erreurs sont dangereuses et à quels endroits les humains doivent rester dans la boucle relève d’un travail de conception profondément humain.
Qu’une chose soit prévisible ne signifie pas qu’elle mérite d’être prédite. Si l’amélioration est faible, si la charge opérationnelle est lourde ou si le résultat n’oriente aucune décision, la modéliser peut n’avoir aucun sens. Choisir le bon problème reste un jugement humain central.
Savoir si le rappel compte davantage que les faux positifs dépend de la structure des coûts sur le terrain. Les data scientists doivent toujours définir ce que signifie la réussite et intégrer cette définition dans un processus opérationnel.
Un modèle peut sembler très précis tout en s’appuyant sur des informations futures ou en désavantageant un groupe particulier. De tels modèles ne tiennent pas en usage réel. Regarder au-delà des performances apparentes pour détecter les propriétés dangereuses des données reste un travail humain essentiel.
La structure des responsabilités change selon qu’un modèle agit automatiquement, formule des suggestions ou laisse la décision finale aux humains. Concevoir quelque chose qui fonctionne réellement sur le terrain va au-delà de la pure implémentation technique.
Pour les data scientists, ce qui compte, c’est à la fois la rapidité de construction des modèles et la capacité à concevoir en pensant à l’activité et à l’exploitation. La voie la plus solide consiste à utiliser l’IA pour accélérer le prototypage tout en se distinguant par une évaluation responsable et une conception soignée de la mise en œuvre.
Une forte corrélation ne signifie pas nécessairement qu’une variable est utile pour agir. Les data scientists doivent réfléchir attentivement aux variables réellement maîtrisables et à la mesure dans laquelle on peut avancer des affirmations causales. Ce jugement compte autant que la pure compétence en modélisation.
Les modèles ne créent de la valeur que s’ils peuvent être réentraînés, surveillés et maintenus face à la dérive des données après leur déploiement. Les personnes capables de voir au-delà de l’entraînement, jusqu’à l’exploitation à long terme, ont plus de chances de conserver une valeur pratique à mesure que l’usage de l’IA se répand.
Les équipes commerciales, de support, de fabrication ou médicales ne parlent pas forcément le langage de la data science. Les praticiens solides savent traduire des demandes floues en exigences de modélisation et expliquer en retour les limites des modèles au terrain.
Faire produire du code ou des idées de variables par l’IA devient facile. La vraie différence tient à la capacité de repérer où se situe le danger, quelles hypothèses manquent et comment transformer la vitesse en qualité.
La valeur de l’expérience en data science ne tient pas seulement à la construction de modèles, mais aussi à la formulation des problèmes, à la conception de l’évaluation et à l’aide à la décision. Le parcours peut donc s’approfondir vers la recherche, mais aussi s’élever vers l’analyse métier et la planification.
Les personnes solides non seulement en modélisation, mais aussi dans l’interprétation des chiffres et l’organisation des enseignements peuvent également créer de la valeur dans des fonctions davantage tournées vers l’analyse. Cette voie a du sens pour celles et ceux qui veulent se rapprocher de l’aide à la décision plutôt que de la prédiction elle-même.
Indice d’exposition 95/100 · Emploi É.-U. 2025–35 +34,6%
L’expérience consistant à formuler des hypothèses, à les valider et à énoncer clairement les limites d’une conclusion se transpose aussi très bien aux études de marché. Cette voie convient à ceux qui veulent garder un état d’esprit analytique tout en se rapprochant des décisions commerciales.
Indice d’exposition 94/100 · Emploi É.-U. 2025–35 +7,0%
L’expérience de la réflexion sur le lien entre précision des modèles et valeur métier aide aussi à hiérarchiser les priorités d’un produit. Cette voie convient à ceux qui veulent passer de l’implémentation technique à la décision de ce qu’il faut réellement construire.
Indice d’exposition 82/100 · Emploi É.-U. 2025–35 +6,9%
La capacité à lire des modèles quantitatifs complexes et à comprendre l’effet des hypothèses a aussi de la valeur en finance. Cette voie convient à ceux qui veulent passer de la modélisation prédictive à l’analyse au service de l’investissement ou de la direction.
Indice d’exposition 91/100 · Emploi É.-U. 2025–35 +7,2%
Les personnes solides en conception d’expériences et en validation rigoureuse peuvent aussi créer de la valeur dans des environnements de soutien à la recherche. Cette voie convient à ceux qui veulent prendre un peu de distance avec les problèmes d’entreprise pour se concentrer plus directement sur la qualité de la vérification elle-même.
Indice d’exposition 71/100 · Emploi É.-U. 2025–35 +4,4%
L’expérience consistant à structurer des problèmes complexes et à présenter des conclusions assorties de limites explicites est aussi un atout solide en analyse métier. Cette voie convient à ceux qui veulent se rapprocher de la définition des problèmes et de la conception des améliorations plutôt que de la construction de modèles en elle-même.
Indice d’exposition 88/100 · Emploi É.-U. 2025–35 +10,1%
À mesure que l’IA abaisse la barrière du prototypage de modèles, les data scientists auront plus de mal à se démarquer par la seule capacité à construire des modèles. Ce qui garde sa valeur, c’est la capacité à choisir le problème à résoudre, à définir le niveau de précision exploitable et à concevoir la prise de responsabilité après le déploiement. Les personnes les plus susceptibles de durer sont celles qui sont solides non seulement en modélisation, mais aussi dans la formulation des problèmes et la conception de la mise en œuvre.
Ces métiers appartiennent au même secteur que Scientifique des 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.
Scientifique des données obtient 95 sur 100 sur notre indice d’exposition à l’IA générative (rang 11 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 Scientifique des données aux États-Unis entre 2025 et 2035.
Les étapes de construction de modèles qui appliquent mécaniquement des méthodes connues sont particulièrement exposées à l’IA. L’IA est utile pour faire avancer rapidement les prototypes, mais un jugement distinct reste nécessaire pour décider si ces résultats sont utilisables sur le terrain. Par exemple : Création automatique de modèles de référence; Ébauches de variables candidates et de code de prétraitement; Recherche générique d’hyperparamètres; Synthèses courantes des résultats d’évaluation.
La valeur des data scientists demeure dans la formulation des problèmes et la responsabilité opérationnelle. Choisir ce qu’il faut prédire, quelles erreurs sont dangereuses et à quels endroits les humains doivent rester dans la boucle relève d’un travail de conception profondément humain. Par exemple : Choisir des problèmes qui valent vraiment la peine d’être résolus; Concevoir les métriques d’évaluation et les conditions d’exploitation; Détecter les fuites de données et les biais; Concevoir la répartition des rôles entre modèles et humains.
Pour les data scientists, ce qui compte, c’est à la fois la rapidité de construction des modèles et la capacité à concevoir en pensant à l’activité et à l’exploitation. La voie la plus solide consiste à utiliser l’IA pour accélérer le prototypage tout en se distinguant par une évaluation responsable et une conception soignée de la mise en œuvre. Par exemple : Un raisonnement qui distingue corrélation et causalité; Comprendre le MLOps et l’exploitation continue; Savoir se coordonner avec les services opérationnels; Savoir vérifier les prototypes générés par l’IA.
