Data et analytics
ISCO-08 2120, 2511, 2521Data analyst, Data scientist, Data engineer, Développeur BI, Statisticien, Administrateur de bases de données
De quoi le métier est fait
Les grandes activités de la famille, la part du temps de travail que chacune représente, et la part de ce temps que l'IA générative peut automatiser.
- Écriture de requêtes et de pipelines25% du temps de travail70% d'exposition
SQL, Python et code de transformation sont écrits à partir d'une demande en langage courant, l'ingénieur vérifie logique et performance.
- Nettoyage et préparation des données15% du temps de travail65% d'exposition
Scripts de nettoyage et mappings sont générés, mais repérer une donnée fausse dans un système source demande un humain.
- Tableaux de bord et reporting récurrent20% du temps de travail75% d'exposition
Les tableaux de bord récurrents sont construits et actualisés automatiquement, les métiers interrogent en langage naturel.
- Analyses exploratoires et modélisation15% du temps de travail45% d'exposition
Une première analyse exploratoire prend quelques minutes, choisir le bon modèle et l'interpréter reste à l'analyste.
- Cadrage des besoins avec les métiers15% du temps de travail15% d'exposition
Comprendre le vrai besoin d'une équipe métier et s'accorder sur les définitions reste une conversation.
- Gouvernance et qualité des données10% du temps de travail30% d'exposition
L'IA documente les pipelines et détecte les anomalies, les règles de propriété et les définitions sont fixées par des personnes.
Effectif nécessaire, en ETP
Compétences IA cibles
niveau 1 à 4Compétences 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.
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.
Paramètres avancés modifié
2026 2036
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

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.
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.
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.
Sources
- International Labour OrganizationGenerative AI and jobs: a refined global index of occupational exposure (2025)
- ILO datasetTask-level GenAI exposure scores by ISCO-08 occupation
- AnthropicAnthropic Economic Index (June 2026 release, April and May 2026 usage data)
- Stanford Digital Economy LabCanaries in the Coal Mine? Six facts about the recent employment effects of AI