Data scientist

États-Unis. Les perspectives professionnelles du bureau des statistiques prévoient que l'emploi des data scientists progressera de 35 % de 2025 à 2035, bien plus vite que la moyenne de l'ensemble des métiers, avec environ 24 800 postes à pourvoir par an en moyenne sur la décennie. C'est une projection pour un seul pays, établie alors que les entreprises intègrent des systèmes d'IA à leur travail ; elle compte des emplois, non les tâches que ces emplois comportent.

Une personne nommée, ayant une position reconnue, a publiquement prédit quelque chose, à une date, dans une déclaration attribuable. On l'enregistre pour que qui a dit quoi, et quand, reste vérifiable — et cela ne déplace jamais l'appréciation d'une tâche, car une prévision n'est pas une observation. Sa valeur arrive plus tard : l'enregistrement se trouve sur la même page que les preuves concernant ce métier, donc qui lit la prévision lit à côté le relevé de ce qui s'est passé ensuite. C'est là que les comptes se font ; ce site ne publie aucun verdict sur la réalisation d'une prévision.

États-Unis. Les lignes directrices révisées des agences bancaires sur le risque de modèle remplacent la SR 11-7 de 2011. Elles indiquent que la remise en question effective est menée par des personnes ayant l'expertise appropriée pour conduire une remise en question critique et objective, une indépendance suffisante pour rester objectives, et la position et l'influence dans l'organisation nécessaires pour obtenir des changements ; elles précisent que les modèles d'IA générative et d'IA agentique ne relèvent pas de leur champ ; et elles indiquent ne pas fixer de normes contraignantes, de sorte que leur non-respect n'entraînera pas de critique de la part des superviseurs. Elles concernent surtout les organisations bancaires dont le total des actifs dépasse 30 milliards de dollars.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Un banc d'essai universitaire de tâches de programmation en science des données qui exigent d'un agent qu'il travaille sur des données réelles et écrive du code, préparation et analyse comprises. Il indique qu'avec son agent de référence, les meilleurs modèles de langage actuels n'atteignent que 30,5 % de précision, ce qui laisse une large marge de progrès. Il teste des modèles de l'époque 2024 sur des tâches conçues pour l'occasion.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Un banc d'essai de 466 tâches d'analyse de données et 74 tâches de modélisation de données tirées de compétitions Eloquence et Kaggle, utilisé pour tester des agents d'IA construits sur des modèles tels que GPT-4o, Claude et Gemini. Il indique que le meilleur agent n'a résolu que 34,12 % des tâches d'analyse de données et a atteint un écart de performance relatif de 34,74 % sur les tâches de modélisation. Il teste des modèles disponibles en 2024–2025 sur des tâches de compétition, non un travail sur les données d'une entreprise ; l'employeur de l'un des auteurs développe des modèles d'IA.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Union européenne. L'article 10 du règlement sur l'IA dispose que les jeux de données d'entraînement, de validation et de test des systèmes d'IA à haut risque sont soumis à des pratiques de gouvernance et de gestion des données, y compris la préparation des données telle que l'annotation, l'étiquetage et le nettoyage, et l'examen en vue de biais éventuels ; l'article 14 dispose que les systèmes à haut risque sont conçus de manière à pouvoir être effectivement contrôlés par des personnes physiques. Les obligations s'imposent aux fournisseurs de systèmes à haut risque ; en vertu du règlement modificatif de 2026, les obligations relatives aux systèmes à haut risque énumérés à l'annexe III s'appliquent à partir du 2 décembre 2027.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Un banc d'essai universitaire de 411 questions accompagnées de feuilles de données, tirées de manuels, de supports d'apprentissage en ligne et d'articles universitaires, qui teste le raisonnement statistique et causal. Il indique que le modèle le plus performant, GPT-4, atteint 58 % de précision, et que les modèles ont des difficultés avec l'analyse de données et le raisonnement causal et peinent à utiliser simultanément les connaissances causales et les données fournies. Il teste des modèles de l'époque 2024 sur des questions de type manuel, non des expériences sur de vrais produits.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Ville de New York. La règle définitive d'application de la loi municipale sur les outils automatisés de décision en matière d'emploi dispose qu'un employeur ou une agence de placement ne peut utiliser ni continuer d'utiliser un tel outil si plus d'un an s'est écoulé depuis son dernier audit de biais ; qu'un audit de biais doit au minimum calculer le taux de sélection et le ratio d'impact pour chaque catégorie ; et qu'un auditeur n'est pas indépendant s'il participe ou a participé à l'utilisation, au développement ou à la distribution de l'outil. Les outils visés incluent l'apprentissage automatique, la modélisation statistique et l'analyse de données. Elle s'applique au recrutement et à la promotion dans une seule ville.

Une réglementation, une subvention ou une commande publique exige ou finance l'adoption — le miroir d'une contrainte. Cela montre que l'adoption est exigée, non qu'elle a eu lieu, donc une impulsion ne suffit jamais à elle seule ; deux indépendantes suffisent.

Si vous débutez, les parties du métier qu'un agent d'IA fait le mieux — écrire du code d'analyse et de modélisation courant — sont celles sur lesquelles les postes juniors étaient bâtis. Construisez votre valeur là où les éléments de preuve montrent les agents les plus faibles : cadrer la question, concevoir des expériences et raisonner sur les causes, et expliquer les résultats à ceux qui doivent décider.

Attendez-vous à relire et diriger du code généré plus qu'à l'écrire, et à consacrer davantage de temps à la validation, à la documentation et aux audits à mesure que se répandent les règles sur les décisions automatisées. Votre légitimité à remettre en question un modèle — et à être cru quand vous dites où il s'arrête — est la partie autour de laquelle les règles sont écrites.

Rester et se renforcer

Rester data scientist, et aller vers les expériences et le travail causal

Le raisonnement causal et la conception d'expériences sont les domaines où les bancs d'essai montrent que les modèles peinent le plus, et les décisions en dépendent.

Refaçonner le poste

Prendre en charge la validation et l'audit des modèles

Les superviseurs bancaires attendent une remise en question indépendante des modèles et la ville de New York exige des audits de biais indépendants des outils de recrutement ; ce travail demande des personnes qui comprennent les modèles et qui ne sont pas celles qui les ont construits.

Mouvement latéral

Aller vers l'aide à la décision : analyse produit ou analyse des politiques publiques

Expliquer ce que signifie un résultat à ceux qui décident est la partie du métier la moins touchée par l'automatisation dans les éléments réunis ici.

Pas au vu des éléments actuels. Les agents d'IA peuvent écrire une grande partie du code d'analyse, mais sur les bancs d'essai publics les meilleurs ne résolvent encore qu'environ un tiers des tâches réalistes d'analyse de données, et c'est en raisonnement causal qu'ils sont les plus faibles. Les règles sur les modèles attendent que des personnes indépendantes les remettent en question et les auditent, et les projections américaines prévoient une croissance des emplois de data scientist. Ce qui change, c'est la répartition : moins de code écrit à la main, davantage de cadrage, de vérification et d'explication.

Nous ne répondons pas à cela par un nombre d'années. Il y a plutôt un signal à surveiller : si les agents d'IA commencent à égaler les personnes sur les questions causales et expérimentales dans les bancs d'essai, et si les règles sur les modèles cessent d'exiger qu'une personne indépendante les remette en question. Le premier point n'est pas vrai aujourd'hui ; le second va à l'inverse de la direction actuelle.

Sur DSBench, un banc d'essai de 466 tâches d'analyse et 74 tâches de modélisation de données issues de vraies compétitions, le meilleur agent a résolu environ 34 % des tâches d'analyse ; sur DA-Code, les meilleurs modèles ont atteint environ 30,5 % de précision ; et sur QRData, un banc d'essai de questions statistiques et causales, le modèle le plus performant a atteint 58 %. Les bancs d'essai vieillissent vite, mais ils montrent où les agents sont les plus forts et où ils peinent.

Les projections américaines prévoient une hausse de 35 % de l'emploi de data scientist de 2025 à 2035, bien plus rapide que la moyenne. Le travail se déplace vers le cadrage des questions, la conception d'expériences, la validation et l'audit des modèles et l'explication des résultats — les parties où les agents sont les plus faibles et où les règles attendent une personne.