Recherche scientifique et laboratoire
ISCO-08 2131, 2113, 3141, 3111Chercheur, Technicien de laboratoire, Chimiste analyticien, Biologiste, Ingénieur d'études, Responsable de laboratoire
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.
- Travail de paillasse et expérimentation35% du temps de travail10% d'exposition
Préparer les échantillons et réaliser les essais reste manuel, les plateformes automatisées retirent seulement quelques étapes répétitives.
- Traitement et analyse des données15% du temps de travail65% d'exposition
Les données instrument sont traitées et les statistiques courantes produites par les assistants, le chercheur interprète.
- Revue de littérature et brevets10% du temps de travail80% d'exposition
Littérature et brevets sont passés en revue et résumés en quelques heures plutôt qu'en semaines.
- Rédaction de protocoles et rapports15% du temps de travail65% d'exposition
Protocoles et rapports d'étude sont rédigés à partir des modèles et des résultats bruts, puis relus par le chercheur.
- Maintenance des instruments et qualité10% du temps de travail15% d'exposition
Étalonner et entretenir les instruments est un travail physique, l'IA aide seulement pour les cahiers de suivi.
- Conception des études et interprétation15% du temps de travail25% d'exposition
Les modèles suggèrent quelles molécules tester en premier, décider de l'étude et interpréter l'inattendu reste humain.
Effectif nécessaire, en ETP
Compétences IA cibles
niveau 1 à 4Compétences métier
Se renforcent
- Plans d'expériences pour criblage guidé par l'IA
- Regard critique sur les hypothèses générées
- Gestion et intégrité des données de laboratoire
- Pilotage et dépannage des automates
- Calcul scientifique et modélisation
Se déprécient
- Revues bibliographiques manuelles
- Rédaction intégrale des protocoles et rapports d'étude
- Traitement de données et statistiques courants
- Enregistrement et retranscription manuels des échantillons
Les transformations attendues
Le travail à la paillasse reste humain pour longtemps : préparer des échantillons, conduire des essais, entretenir les instruments, interpréter un résultat inattendu. L'IA modifie ce qui l'entoure. Des assistants passent en revue publications et brevets en quelques heures, rédigent protocoles et rapports d'étude, traitent les données des instruments. Des modèles prédictifs indiquent quelles molécules ou formulations tester en priorité, et des plateformes automatisées enchaînent davantage d'expériences.
Le métier se déplace vers la conception d'expériences et le jugement scientifique. Le chercheur choisit quelles hypothèses issues de l'IA méritent du temps de laboratoire et vérifie que les modèles n'apprennent pas sur des données biaisées ou de mauvaise qualité. L'intégrité et la traçabilité des données deviennent centrales, surtout en environnement réglementé. Le bon chercheur sera à l'aise avec le code et les statistiques, le bon technicien saura piloter et dépanner des automates.
- 2026-2027
- Assistants pour la bibliographie, les protocoles et la rédaction des rapports.
- 2028-2030
- Criblage guidé par IA et automatisation dans les grands centres de recherche.
- 2031+
- Plus d'expériences par chercheur ; les techniciens évoluent vers l'automatisation et la donnée.
Les profils alliant une discipline scientifique et la data science sont rares et chers. Sans formation interne, les laboratoires dépendront de quelques experts hybrides, et les techniciens verront leurs tâches changer sans parcours clair. 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