Le marché du travail de l’IA et des données est-il mort ?
la science des données était en train de mourir il y a 7 mois ?
Il était également en train de mourir il y a 2 ans.
Et je suis mort il y a 3 ans.
Et sans oublier qu’il était également en train de mourir il y a 5 ans.
Mais de mon point de vue, ce n’est absolument pas le cas. Les gens semblent toujours décrocher des emplois de data scientist.
Je veux dire, j’aide littéralement les gens à faire ça chaque semaine dans mon programme de coachingmme.
Alors, que se passe-t-il ?
Eh bien, dans cet article, je veux décomposer :
- À quoi ressemble le marché actuel des données
- Ce que signifie réellement être un data scientist
- Et que devriez-vous faire pour décrocher un emploi dans le climat actuel
Allons-y !
Perspectives du marché
Comme beaucoup d’entre vous le savent, d’importants licenciements ont eu lieu en 2022 et 2023, avec près de 90 000 employés technologiques licenciés. licencié rien qu’en janvier 2023.
En fait, c’était si grave que TechCrunch a même créé un archive de tous les licenciements survenus durant cette période !
Cependant, selon une étude de 365science des donnéesles emplois liés aux données n’ont pas été très affectés par ces licenciements ; ils ont constaté que :
Il est intéressant de noter que le plus grand groupe d’employés licenciés de notre échantillon n’occupait pas d’emploi dans le secteur technologique… 27,8 % travaillaient dans les RH et le sourcing de talentsalors que ingénieurs logiciels est arrivé deuxième avec 22,1%. Les salariés du marketing les suivent avec 7,1%, du service client avec 4,6%, des relations publiques, de la communication et de la stratégie avec 4,4%, etc.
Par exemple, seulement 2,7 % des personnes licenciées chez Amazon durant cette période avaient le titre de data scientist.
D’après un autre étude:
Les offres d’emploi en science des données ont augmenté de 130 % d’une année sur l’autre après avoir touché le fond en juillet 2023, tandis que les offres d’emploi pour les analystes de données ont augmenté de 63 % au cours de la même période.
Et on constate également que les salaires des métiers de la data dans leur ensemble ont augmenté au fil des années.
Il est donc clair que la science des données n’est pas en train de mourir ; au contraire, cela augmente.
Cependant, pourquoi est-il si difficile d’obtenir un emploi de data scientist à l’heure actuelle, en particulier aux niveaux débutant et junior ?
Pour expliquer cela, nous devons dépasser les chiffres et vraiment comprendre ce qu’est le data scientist moderne.
Évolution de la science des données
En tant qu’initié dans ce domaine, laissez-moi vous confier un secret.
La science des données n’est pas en train de mourir ; ça évolue.
Il y a 10 ans, les entreprises engageaient des data scientists pour bricoler des modèles d’apprentissage automatique dans les notebooks Jupyter.
En fait, c’est exactement à cela que ressemblait mon premier travail en science des données.
Un data scientist était comme un couteau suisse : une seule personne était censée tout faire, du nettoyage des données à la création de modèles et aux présentations au PDG.
Cependant, au fil du temps, les entreprises ont réalisé qu’elles n’obtenaient aucun retour sur investissement grâce à cette stratégie, elles sont donc devenues plus strictes en matière de rôles et de responsabilités pour s’assurer de ne pas gaspiller leur argent.
Cela a conduit le travail de la science des données à se fragmenter et le titre n’a plus de sens, car vous trouverez des scientifiques des données effectuant des tâches complètement différentes dans différentes entreprises.
En général, il existe aujourd’hui trois types de data scientists.
Analyste
Ce type de data scientist est étroitement lié au côté commercial et se concentre principalement sur les flux de travail de reporting et l’expérimentation.
Par exemple, vous :
- Obtenez des données à partir d’une base de données d’entreprise ou d’autres sources.
- Écrivez du code très linéaire et sur mesure par nature, en commençant par ingérer des données, en les nettoyant un peu, puis en effectuant un peu d’EDA et un travail de modélisation inférentielle ou de base.
- Une fois terminé, vous créez un rapport qui détaille l’analyse, fournit des visualisations et d’autres mesures, et propose une recommandation basée sur les objectifs de l’analyse.
Ce type de data scientist est davantage un analyste de données et nécessite généralement plus de connaissances dans le domaine commercial.
Ingénierie
L’objectif de ce type de data scientist est de créer et de déployer des solutions. Cela peut être une série de choses comme :
- Outils logiciels internes
- Des modèles d’apprentissage automatique qui guident la prise de décision
- Construire des bibliothèques
Ce rôle s’oriente davantage vers le génie logiciel, mais contrairement à un ingénieur logiciel, il nécessite de meilleures connaissances en mathématiques, en apprentissage automatique et en statistiques.
De nos jours, ce type de travail dépasse le simple titre de « data scientist » et s’appelle désormais ingénieur en apprentissage automatique.
Il ne s’agit pas d’un poste de niveau d’entrée et nécessite normalement 2 à 3 ans d’expérience dans un rôle adjacent, comme celui d’ingénieur logiciel ou d’analyste. De nombreux diplômés et personnes peu expérimentées auraient du mal à accéder à ce poste spécifique en science des données.
Infrastructure
Ce type de data scientist est le plus rare, principalement parce qu’il possède son propre titre : data Engineer.
L’objectif de ce rôle est de créer l’infrastructure de données et les pipelines pour héberger les données de l’entreprise. Ces données sont ensuite utilisées en aval par des ingénieurs en machine learning, des analystes ou même des parties prenantes non techniques.
Ce rôle est devenu de plus en plus important, notamment avec l’émergence de l’IA générative ces dernières années, qui nécessite la capacité de stocker efficacement de grandes quantités de données et de les diffuser avec une faible latence.
Dans certaines entreprises, vous pouvez également être ingénieur analytique, c’est-à-dire un ingénieur de données plus axé sur les affaires.
Je sais, il y a tellement de titres, c’est difficile de suivre !
Juniors contre Séniors
UN étude publiée en septembre 2025 a fait pas mal de vagues dans le domaine des données et de l’apprentissage automatique.
L’étude a examiné 285 000 entreprises entre 2015 et 2025 et comment leur adoption de GenAI a affecté leurs processus de recrutement pour les postes juniors et seniors.
Remarque : cela s’applique non seulement aux emplois de data scientist, mais à tous les emplois de ces entreprises.
Vous pouvez voir dans le graphique ci-dessous que l’embauche pour les postes supérieurs continue d’augmenter, tandis que l’embauche pour les postes juniors diminue.
Cela est intuitif, car les responsabilités des juniors sont probablement plus faciles à automatiser avec l’IA que celles des seniors en raison de la richesse de l’expérience qu’ils ont acquise au fil des ans.
Ce que je tiens cependant à préciser, c’est que les entreprises ne licencient pas les juniors et qu’il n’y a plus de postes juniors sur le marché.
La plupart des gens regarderont ce graphique et penseront que le marché junior de la science des données est en train de disparaître. Mais ce n’est objectivement pas le cas.
L’embauche se poursuit, mais le taux de nouveaux postes affichés n’augmente pas. La courbe d’offre reste inchangée alors que la demande reste élevée.
C’est pourquoi il est si difficile de trouver un emploi de débutant de nos jours.
Que pouvez-vous faire ?
Je vais être honnête, il devient de plus en plus compétitif de se lancer dans la science des données, mais ce n’est pas impossible.
Il est révolu le temps où tout ce dont vous aviez besoin était de base Python et SQL, et d’avoir suivi le cours Machine Learning d’Andrew Ng.
Ce sont des choses que tout le monde possède de nos jours, vous devez donc faire un effort supplémentaire et vous différencier davantage qu’avant.
Il existe de nombreuses façons d’y parvenir, par exemple, vous adoptez et vous spécialisez dans certains domaines techniques comme :
- GénAI
- Déploiement du modèle
- Prévisions de séries chronologiques
- Systèmes de recommandation
- Expertise spécifique au domaine
Les spécialistes gagnent sans doute en importance à mesure que les connaissances sont de plus en plus démocratisées par l’IA. Avoir une expertise approfondie est presque rare de nos jours.
Une autre option consiste à opter pour un poste de niveau inférieur, comme un rôle d’analyste commercial ou de données, qui est plus convivial pour les postes juniors et débutants, puis à progresser lentement vers un poste de data scientist à temps plein.
Vous devez également vous concentrer sur les domaines que l’IA ne peut pas vraiment remplacer :
- Communiquer efficacement avec différents publics
- Comprendre l’impact commercial de votre travail
- Pensée critique et savoir quel problème résoudre
- De solides fondamentaux en mathématiques et en statistiques
- Relations et réseau
Ce sont des compétences intemporelles, surtout la dernière.
Vous avez peut-être entendu le dicton :
Ce n’est pas ce que tu sais, mais qui tu connais
En fait, je ne suis pas d’accord avec cela.
Le vrai pouvoir est dans qui te connaît.
Si vous disposez d’un réseau et de relations solides avec de nombreuses personnes dans le domaine qui vous apprécient et vous font confiance, vous pouvez en tirer parti pour obtenir des références, des opportunités ou même élargir davantage votre réseau.
L’effet de levier que cela procure est incroyable. Je dis toujours à mes clients coachs que les références et les réseaux sont littéralement le ticket d’or pour obtenir des emplois haut de gamme en science des données.
Et tout ce que cela demande, c’est juste un effort et le fait de sortir de votre zone de confort pour parler aux personnes avec lesquelles vous souhaitez entrer en contact.
Les technologies vont et viennent, mais les relations humaines réelles resteront centrales tout au long de votre carrière.
La vérité est que vous devrez vous réinventer tous les 3 à 5 ans en tant que data scientist, car la technologie évolue très rapidement.
Alors demander « La science des données est-elle en train de mourir ? passe à côté de l’essentiel.
Techniquement, la science des données est toujours en train de mourir car elle évolue et se transforme constamment.
Mais c’est ce qui le rend passionnant.
Et si vous êtes prêt à améliorer vos compétences et à faire plus d’efforts que les autres, vous serez très bien récompensé.
Si vous êtes prêt à vous lancer dans la science des données après avoir lu ceci, c’est une excellente première étape.
Mais voici la réalité : je travaille dans ce domaine depuis cinq ans, et avec le recul, j’ai passé toute ma première année sur des tâches qui étaient une totale perte de temps. Dans le marché hyper-concurrentiel d’aujourd’hui, vous n’avez pas le luxe de procéder par essais et erreurs.
Pour éviter mes erreurs et accélérer vos progrès, consultez ce guide dans lequel je explique exactement comment je redeviendrais un data scientist.
Une autre chose !
Rejoignez ma newsletter gratuite où je partage chaque semaine des astuces, des idées et des conseils issus de mon expérience en tant que data scientist et ingénieur en apprentissage automatique. De plus, en tant qu’abonné, vous recevrez monModèle de CV GRATUIT !
Diffuser les données
Des e-mails hebdomadaires vous aidant à décrocher votre premier emploi en science des données ou en apprentissage automatiquenewsletter.egorhowell.com
Connectez-vous avec moi
