Formuler la bonne question
84Transformer un problème métier ou scientifique vague en question précise et testable exige un contexte organisationnel et de domaine qu'un outil automatisé n'a pas accès par lui-même.
La science des données occupe un point inhabituel dans l'histoire de l'IA : bon nombre des outils qui transforment la profession — apprentissage automatique automatisé, traduction langage naturel vers SQL, graphiques assistés par IA — ont été largement construits par des scientifiques des données et des chercheurs en apprentissage automatique, désormais retournés contre des parties de leur propre travail quotidien.
Cette exposition est réelle et inégale. L'extrémité routinière et bien spécifiée du métier — extraire des données, exécuter un modèle standard, produire un premier graphique — est déjà comparablement rapide pour les outils d'IA. Ce qui survit repose moins sur l'écriture de code que sur la décision de quelle question vaut la peine d'être posée et de savoir si une réponse peut être digne de confiance.
Élevé
Share of the work a machine could do
Une part significative du travail routinier en science des données — requêtes SQL, graphiques exploratoires, ajustement d'un modèle standard avec AutoML, rédaction de code de pipeline passe-partout — est déjà automatisable ou assistée par IA aujourd'hui, et cette part croît rapidement. Ce qui résiste à l'automatisation, c'est formuler un problème métier ambigu en question testable, juger si un résultat est réel ou un artefact statistique, et être responsable lorsqu'une décision fondée sur un modèle s'avère erronée dans le monde réel.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →What machines cannot take
Juger si une régularité est réelle
80Distinguer un effet authentique du bruit, d'un artefact de fuite de données ou d'un partage train-test chanceux est exactement le jugement sceptique que les pipelines automatisés appliquent le plus mal à leur propre sortie.
Responsabilité d'une décision concrète
88Quelqu'un doit répondre d'un modèle qui refuse un prêt, signale un patient ou fixe mal le prix d'un produit — une responsabilité qui ne peut pas être transférée à l'outil qui a produit le chiffre.
Convaincre des parties prenantes sceptiques
68Obtenir qu'un résultat contre-intuitif ou déplaisant soit réellement suivi dépend de la confiance, de la crédibilité et de la négociation avec des personnes, et non seulement d'une analyse correcte.
Concevoir une expérience réellement nouvelle
74Choisir la bonne expérience naturelle, le bon groupe témoin ou la bonne stratégie d'inférence causale pour une nouvelle question relève davantage du jugement créatif que de la reconnaissance de motifs sur des analyses passées.
What they already take
Requêtes SQL et extractions de données routinières
75Les outils langage naturel vers SQL traitent désormais une large part des demandes d'extraction de données simples qui exigeaient autrefois l'intervention directe d'un scientifique des données.
Premiers graphiques et résumés exploratoires
65Les outils d'analyse exploratoire automatisée peuvent générer en quelques secondes des graphiques de distribution, des résumés de corrélations et des graphiques de base à partir d'un jeu de données brut.
Ajustement et optimisation de modèles standards
68Les plateformes AutoML peuvent sélectionner, entraîner et optimiser des modèles conventionnels comme le gradient boosting ou la régression logistique largement sans surveillance, pour des problèmes bien définis et bien étiquetés.
Code de pipeline et ETL passe-partout
60Assembler un script standard de transformation ou de chargement de données est désormais souvent plus rapide à générer avec un assistant de codage IA et à relire qu'à écrire de zéro.
How the work is changing
De la construction de modèles à leur direction et vérification
Une part croissante du métier consiste à spécifier ce qu'un pipeline automatisé doit tenter et à vérifier sa sortie, plutôt qu'à écrire chaque requête et modèle à la main.
L'intitulé généraliste se scinde en spécialités
L'ingénierie analytique, l'ingénierie de l'apprentissage automatique et l'analytique produit sont devenus des intitulés séparés, chacun absorbant une tranche de ce qu'un seul « data scientist » était censé couvrir il y a une décennie.
L'inférence causale et l'expérimentation gagnent en prestige
À mesure que la détection de motifs dans des données existantes devient plus facile à automatiser, la compétence plus difficile de concevoir une expérience ou une analyse causale digne de confiance gagne en valeur, et non en perd.
Le « citizen data scientist » diffuse l'analyse de base
Les outils no-code et AutoML permettent aux non-spécialistes d'exécuter leurs propres analyses de base, poussant les scientifiques des données vers les problèmes plus difficiles et ambigus que ces outils ne peuvent pas traiter.
New jobs branching off
Ingénieur analytique
Construit et maintient les pipelines de transformation de données — souvent avec des outils comme dbt — qui alimentent tableaux de bord et modèles, entre ingénierie des données et analyse.
Ingénieur en apprentissage automatique
Sort un modèle d'un notebook de recherche et le fait tourner de façon fiable, surveillée et à grande échelle dans un système de production.
Product manager data
Possède la feuille de route d'une fonctionnalité pilotée par les données ou l'IA, traduisant les objectifs métier en ce qu'une équipe data doit réellement construire.
Analyste IA responsable / risque modèle
Audite les modèles et les données qui les sous-tendent pour biais, équité et conformité réglementaire avant qu'ils ne soient autorisés à être mis en production.
Outlook
La demande de personnes capables de transformer des données en décision digne de confiance restera très probablement forte dans la prochaine décennie, mais la version d'entrée de gamme du métier change déjà : moins de rôles existeront purement pour écrire des requêtes routinières et des premiers graphiques à la main.
L'avantage le plus clair à long terme revient aux scientifiques des données capables de formuler une question réellement utile, repérer quand un résultat généré par IA est silencieusement faux, et assumer la responsabilité d'une recommandation devant des parties prenantes sceptiques — le même jugement dont le domaine a eu besoin depuis les essais agricoles de Fisher, appliqué désormais à un flux de travail qui rédige de plus en plus sa propre première version.
Métiers proches
Voisins les plus proches sur le profil à six scores — pas seulement le même champ.
🧾
Comptable
Le gardien des livres : héritier d'un métier si ancien qu'il a inventé l'écriture, négociant aujourd'hui avec les logiciels conçus pour l'automatiser.
AI-resistant 35 🗺️Chef de produit
Décide ce que l'entreprise doit construire ensuite, et pourquoi — en transformant les besoins clients, les objectifs business et les contraintes techniques en un plan partagé que personne d'autre ne possède vraiment.
AI-resistant 50 💻Ingénieur logiciel
Écrit, teste et maintient le code qui gère la vie moderne – et est l’une des premières professions à voir l’IA automatiser son propre travail quotidien.
AI-resistant 35 📣Responsable marketing
Le professionnel qui crée la demande — des murs peints de Pompéi et du mémo « brand man » de P&G en 1931 aux fils d'actualité gouvernés par les enchères de l'ère numérique.
AI-resistant 38 🦾Ingénieur en robotique
Conçoit les machines qui perçoivent, décident et agissent dans le monde physique — où le vrai défi n'a jamais été l'intelligence, mais le monde lui-même.
AI-resistant 65 💊Pharmacien
L'expert des médicaments derrière chaque ordonnance — des premières boutiques de drogues de Bagdad et du mortier de l'apothicaire à la morphine, l'artémisinine et l'officine moderne.
AI-resistant 58Continuer à explorer
Keep exploring
More in Science & Research
⚛️
Physicien
Établit et teste les lois mathématiques qui régissent la matière, l'énergie, l'espace et le temps, d'un tableau noir solitaire à un article de collisionneur signé par 3 000 auteurs.
AI-resistant 65 🧬Biologiste
Le scientifique qui étudie la vie elle-même, de Linnaeus nommant les espèces à la main à l'édition de génomes avec CRISPR, testant encore chaque idée sur un organisme vivant.
AI-resistant 64 🧪Chimiste
Le scientifique qui fabrique et mesure la matière — de l'alambic babylonien de Tapputi aux laboratoires robotisés d'aujourd'hui, celui qui décide encore ce que signifie le spectre.
AI-resistant 70 🔭Astronome
Le scientifique qui mesure l'univers, des tablettes d'argile babyloniennes aux télescopes spatiaux, et qui décide encore aujourd'hui quelle fluctuation dans les données est une découverte.
AI-resistant 70 🧮Mathématicien
Des scribes babyloniens aux lauréats Fields et à la démonstration assistée par IA : la profession qui transforme les questions difficiles en certitude permanente, théorème après théorème.
AI-resistant 70