Data et analytics

ISCO-08 2120, 2511, 2521

Data analyst, Data scientist, Data engineer, Développeur BI, Statisticien, Administrateur de bases de données

Exposition à l'IA54%

Effectif nécessaire, en ETP

Fourchette d'exposition

Votre effectif actuel

ETP

Besoin en 203091 ETP-9 ETP (-9%)

Besoin en 203581 ETP-19 ETP (-19%)

Comment l'IA est utilisée aujourd'hui sur ces tâches

Automatisation 44%Augmentation 56%

Dans les conversations avec l'IA portant sur les tâches de ce métier : l'IA réalise la tâche elle-même (automatisation) ou aide la personne à la faire (augmentation).Anthropic Economic Index, avril et mai 2026. Métiers : Data Scientists, Statisticians. AEI

1. Exposition 54%Potentiel moyen d'automatisation des tâches du métier. Fourchette pour cette famille : 44 à 65 %.Métiers OIT utilisés : Mathematicians, Actuaries and Statisticians (56%), Systems Analysts (49%), Database Designers and Administrators (57%). Données OIT

2. Plafond stratégique 100%Votre décision : quelle part de ce potentiel voulez-vous capter ? Personne ne peut la fixer à votre place.

3. Vitesse d'adoption mi-parcours 2030

Hérite du profil de l'entreprise, ajustable pour cette famille.

4. Conversion en effectif sensible 35%Par défaut 35% : La demande d'analyses des métiers est loin d'être saturée : une analyse moins coûteuse fait naître plus de questions et de cas d'usage.

Compétences IA cibles

niveau 1 à 4

Socle

Utiliser les assistants IA au quotidien

Formuler et cadrer une demande

Vérifier et challenger les sorties de l'IA

Protéger les données et respecter le cadre

Usage métier

Repenser son processus avec l'IA

Analyser des données avec l'IA

Produire des contenus avec l'IA

Piloter des agents IA

Expert

Construire et intégrer des solutions IA

Évaluer et fiabiliser les solutions IA

Gouvernance et gestion des risques IA

Compétences métier

Se renforcent

Cadrage des questions métier avec les opérationnels
Qualité des données et couche sémantique
Évaluation des modèles et pipelines IA
Rigueur statistique et raisonnement causal
Industrialisation des cas d'usage IA

Se déprécient

Écriture de requêtes SQL standard
Construction de tableaux de bord récurrents
Scripts de nettoyage de données
Extractions ponctuelles pour les métiers
Commentaires d'analyses descriptives

Les transformations attendues

Les assistants IA écrivent désormais du SQL, du Python et du code de transformation à partir d'une demande en langage courant, documentent les pipelines et livrent une première analyse exploratoire en quelques minutes. Les métiers interrogent eux-mêmes un jeu de données bien modélisé, et beaucoup de demandes d'extraction quittent la file de l'équipe data. Reste le plus difficile : systèmes sources hétérogènes, définitions ambiguës, données tout simplement fausses.

Le métier se déplace vers les fondations et le jugement : des pipelines fiables, des définitions d'indicateurs partagées, une couche sémantique que métiers et agents peuvent interroger sans se tromper. Les data scientists passent plus de temps à évaluer et mettre en production des modèles IA qu'à en entraîner. Un bon professionnel de la data connaîtra assez le métier pour dire si un résultat est plausible ou non.

2026-2027: Les assistants écrivent requêtes et code ; l'analyse en libre-service s'étend aux métiers.
2028-2030: Des agents répondent aux questions courantes ; les équipes data se recentrent sur la qualité.
2031+: Moins de producteurs de reportings, plus de responsables de produits data et d'évaluateurs IA.

Point de vigilance

Les profils seniors capables d'industrialiser et d'évaluer des modèles IA sont rares et courtisés par tous les secteurs. Fidéliser et faire monter en compétence les analystes actuels comptera plus que le recrutement externe. Voir l'effet démographique ci-dessous.

Et si vous recrutiez moins de juniors ?

Les seniors de 2036 sont les juniors que vous recrutez aujourd'hui.

Seniors disponibles en 2036-10%2 ETP manquants

Écart de plus de 5 % dès2031

Votre pyramide d'expérience aujourd'hui

Juniors (0 à 2 ans dans le métier)35%Seniors (6 ans et plus)20%

Confirmés (2 à 6 ans dans le métier, le complément)45%

Baisse du recrutement junior -40%

Pendant

Paramètres avancés

Juniors promus chaque année33%Juniors qui partent chaque année15%Écart senior comblé par du recrutement externe0%Si toutes les entreprises font le même pari, les profils seniors seront rares et chers.

Pyramide d'expérience, en % de l'effectif actuel

Juniors35%Confirmés42%Seniors18%

2026 2036

Guide gratuit

The AI Cookbook 2026

Le guide d'albert pour dépasser le bruit autour de l'IA générative et en faire des décisions sur les effectifs.

Ce que l'IA change vraiment dans les métiers et les compétences
Pourquoi la filière junior compte plus que la plupart des entreprises ne le pensent
Comment intégrer l'IA dans la planification des effectifs

Télécharger l'AI Cookbook

Faites tourner ces scénarios sur vos vrais effectifs

Diagnostic Impact IA : 6 à 8 semaines, vos données dans albert, trois scénarios chiffrés et la pyramide projetée pour chaque famille de métiers.

Prendre rendez-vous

Comment les chiffres sont construits

Chaque chiffre d'effectif combine quatre hypothèses. Trois sont pré-remplies à partir de la recherche publique et des valeurs de la famille. Le plafond stratégique, c'est vous qui le fixez.

Recherche publiqueExpositionPotentiel moyen d'automatisation des tâches du métier, d'après les scores 2025 de l'OIT.

Votre décisionPlafond stratégiqueLa part de ce potentiel que vous choisissez de capter. Votre décision, pas la nôtre.

Votre entrepriseVitesse d'adoptionLe rythme de votre entreprise, réglé une fois pour toutes les familles.

Valeur de la familleConversion en effectifLa part du gain de productivité qui se traduit en effectif plutôt qu'en production supplémentaire.

Effet sur l'effectif

Pyramide d'expérience

Un modèle de flux à trois niveaux d'expérience dans le métier. Les taux de promotion et de départ sont calés pour que la pyramide actuelle reste stable sans changement de recrutement : l'écart affiché vient uniquement de la baisse du recrutement junior.