En 2026, le data scientist a-t-il encore le même métier ?

L’IA a bouleversé le quotidien des data scientists en quelques années seulement. Leur métier ressemble désormais à un nouveau poste, entre prompts sophistiqués et coûts maîtrisés.

Il y a encore deux ans, mon travail de data scientist ressemblait à ce que tout le monde imagine : des lignes de code écrites à la main, une debugging (la chasse aux bugs) interminable, et cette sensation de frapper sa tête contre un mur après deux heures sans succès. Oui, ça peut paraître fou aujourd’hui, mais c’était la réalité.

UN JOURNAL DE BORD DE 2024 : UNE AUTRE VIE

Je décrivais alors mon quotidien de data scientist en 2024. Presque rien de ce que je racontais à l’époque ne correspond plus à ce que je vis aujourd’hui, un mardi quelconque de 2026.

Ce n’est pas forcément une bonne nouvelle. Certains jours, il me semble moins que mon travail est devenu plus facile, et plus qu’il s’est transformé en un métier différent… que j’ai dû apprendre en cours de route, tout en continuant l’ancien.

(Et oui, je sais que beaucoup de data scientists font encore ce que je faisais en 2024. Mais voici mon expérience, et celle de nombreux collègues que je connais aujourd’hui.)

L’ÈRE DES PROMPTS : UNE NOUVELLE COMPÉTENCE CLÉ

En 2024, nous avions déjà ChatGPT et l’ingénierie de prompts (l’art de formuler des questions précises à l’IA). Pourtant, je n’utilisais pas ces Outils parce qu’ils me frustraient souvent. Expliquer le contexte de mon code à ChatGPT prenait plus de temps que de le corriger moi-même… et même après, l’IA ne trouvait pas toujours le bug.

Les progrès de l’intelligence artificielle, notamment avec Claude, ont changé la donne. Des fonctionnalités comme les projets et les compétences permettent désormais de discuter avec une IA qui connaît déjà le contexte et l’historique de mon travail.

Une partie importante de ma journée est désormais consacrée à rédiger et affiner des prompts. Au début, mes prompts étaient très basiques, comme :

« Résume la précision des prévisions de ce modèle. »

Ce qui me donnait un paragraphe vague, souvent sans les insights dont j’avais vraiment besoin. Aujourd’hui, je rédige des prompts beaucoup plus précis, comme :

« Résume la précision des prévisions de ce modèle sur les 14 derniers jours. Indique les valeurs exactes du MAPE (Mean Absolute Percentage Error, l’erreur moyenne en pourcentage) et du RMSE (Root Mean Square Error, l’erreur quadratique moyenne) pour chaque jour. Signale les jours où le MAPE dépasse 5 %. Précise si la tendance s’améliore ou se dégrade d’une semaine à l’autre. N’arrondis pas les métriques d’erreur : rapporte-les avec deux décimales. »

La différence de qualité dans les réponses est énorme. Et honnêtement, c’est devenu une compétence que je dois travailler activement.

LES MODÈLES DE LANGAGE : UN COÛT QUI CHANGE TOUT

Les LLM (Large Language Models, les modèles de langage massifs) sont bien plus chers que les modèles classiques comme XGBoost (un outil d’apprentissage automatique très utilisé). Cela signifie qu’il faut réfléchir à deux fois avant d’utiliser un LLM pour analyser de gros jeux de données.

Pourtant, les principes de base de la science des données restent valables. Les mêmes règles s’appliquent aux LLM :

Voici quelques exemples concrets de la façon dont je limite les dépenses :

L’IA QUI ÉCRIT… ET LES RÉUNIONS QUI SUIVENT

C’est là qu’une grande partie du temps économisé est redirigé : les réunions, les présentations, et la traduction des résultats techniques en quelque chose que des décideurs non techniques peuvent comprendre.

Avant, je passais des heures à construire un diaporama de A à Z. Aujourd’hui, je peux générer un premier jet de diapositive ou d’esquisse de tableau de bord prêt à être présenté en quelques minutes. En théorie, cela devrait me libérer l’après-midi. En pratique, cela signifie simplement que je passe ce temps supplémentaire en réunions, où j’explique aux parties prenantes ce que le modèle a trouvé et pourquoi c’est important. La rapidité de l’IA fait que les décideurs s’attendent désormais à des points réguliers, bien plus fréquents qu’avant.

La compétence qui compte vraiment ici n’a pas changé : transformer une vérité technique en une information que un chef de produit ou un dirigeant peut utiliser pour prendre une décision. L’IA peut rédiger la diapositive. Ce qu’elle ne peut pas faire, c’est décider de l’objectif de cette diapositive. C’est toujours à moi de le faire.

LE FOND DU MÉTIER RESTE LE MÊME

Malgré toutes ces évolutions, l’essentiel de mon travail reste identique en profondeur. Je continue d’avoir des réunions et de collaborer avec mon équipe. Je dois toujours décider quels problèmes valent la peine d’être modélisés. Je dois toujours repérer quand un résumé généré par l’IA affirme avec confiance quelque chose qui n’est pas vrai. Je dois toujours connaître suffisamment bien mon domaine pour remarquer quand un chiffre semble légèrement faux, plutôt que manifestement erroné. Et j’utilise toujours l’apprentissage automatique traditionnel lorsque c’est nécessaire.

Si quelque chose a changé, c’est que mon jugement compte encore plus qu’avant. Parce que c’est la seule partie de ma journée qui n’a jamais été automatisée.

UNE JOURNÉE DE 2026 : MOINS DE CODE, PLUS DE RÉFLEXION

Mon emploi du temps en 2026 n’est pas plus court qu’en 2024. Il est simplement différent. Je passe moins de temps sur les tâches mécaniques et plus de temps à réfléchir en profondeur aux problèmes métiers.

Chaque semaine, notre sélection des articles incontournables et des fonctionnalités originales.

Bien qu’il reste encore beaucoup à apprendre, vous avez peut-être déjà une longueur d’avance…

Sources :

Towards Data Science

L'indépendance de CLODCO est votre garantie.

Pour que l'actualité de l'IA reste sans filtre et sans concession, votre soutien est indispensable. Votre contribution est le seul moteur de notre liberté éditoriale.

Soutenir CLODCO