La science des données en 2026 : est-ce que cela en vaut toujours la peine ?
sur le passage à la Data Science en 2026 ?
Si la réponse est « oui », cet article est fait pour vous.
Je m’appelle Sabrine. J’ai passé les 10 dernières années à travailler dans le domaine de l’IA à travers l’Europe, des grandes entreprises et startups aux laboratoires de recherche. Et si c’était à refaire aujourd’hui, je choisirais honnêtement encore ce domaine. Pourquoi?
Pour les mêmes raisons qui ont amené beaucoup d’entre nous ici : le défi intellectuel, l’impact que vous pouvez avoir, l’amour des mathématiques et du code, et la possibilité de résoudre des problèmes réels.
Mais en regardant vers 2026… est-ce que cela en vaut toujours la peine ?
Si vous faites défiler LinkedIn, vous verrez deux équipes s’affronter : l’une disant « La science des données est morte » et l’autre disant qu’elle se développe grâce à la tendance de l’IA.
Quand je regarde autour de moi, je pense personnellement que nous aurons toujours besoin de compétences informatiques. Nous aurons toujours besoin de personnes capables de comprendre les données et de nous aider à prendre des décisions. Les chiffres ont toujours été partout, et pourquoi disparaîtraient-ils en 2026 ?
Cependant, le marché a changé. Et pour y naviguer maintenant, vous avez besoin de bons conseils et d’informations claires.
Dans cet article, je partagerai ma propre expérience de travail dans la recherche et l’industrie, et de mentorat de plus de 200 Data Scientists au cours des dernières années.
Alors, que se passe-t-il actuellement sur le marché ?
Je serai honnête et je ne vous vendrai aucun rêve à ce sujet.
Le but n’est pas d’introduire des préjugés, mais de vous donner suffisamment d’informations pour prendre votre propre décision.
La famille d’emplois de la Data Science est-elle plus large que jamais ?
L’une des plus grandes erreurs des jeunes Data Scientists est de penser que la Data Science est un seul travail.
En 2026, la Data Science est une grande famille de métiers. Avant d’écrire une seule ligne de code, vous devez comprendre où vous vous situez.
Les gens sont fascinés par l’IA : comment ChatGPT parle, comment Neuralink stimule le cerveau et comment les algorithmes affectent la santé et la sécurité. Mais soyons honnêtes : tous les aspirants Data Scientists ne construiront pas ce type de projets.
Ces rôles nécessitent de solides compétences en mathématiques appliquées et en codage avancé. Cela signifie-t-il que vous ne les atteindrez jamais ? Non, mais ils s’adressent souvent à des personnes titulaires d’un doctorat, à des informaticiens et à des ingénieurs formés précisément pour ces emplois de niche.
Prenons un exemple concret : une offre d’emploi en Machine Learning/Data Scientist que j’ai vue aujourd’hui (27 novembre) dans une entreprise des GAFAM.
Si vous regardez la description, ils demandent :
- Brevets
- Publications du premier auteur
- Contributions à la recherche
Toute personne intéressée par la Data Science a-t-elle un brevet ou une publication ? Bien sûr que non.
C’est pourquoi il faut éviter de bouger à l’aveugle.
Si vous venez de terminer un bootcamp ou si vous êtes au début de vos études, postuler à des emplois qui nécessitent explicitement des publications de recherche ne fera qu’engendrer de la frustration. Ces emplois très spécialisés sont généralement destinés à des personnes ayant une formation académique avancée (doctorat, post-doctorat ou ingénierie informatique).
Mon conseil : soyez stratégique. Concentrez-vous sur les rôles qui correspondent à vos compétences.
Ne perdez pas de temps à postuler partout.
Utilisez votre énergie pour créer un portefeuille qui correspond à vos objectifs.
Vous devez comprendre les différents sous-domaines de la science des données et choisir ce qui correspond à votre expérience. Par exemple:
- Analyste de données produit / Scientifique : cycle de vie du produit et besoins des utilisateurs
- Ingénieur en apprentissage automatique : déploiement de modèles
- Ingénieur GenAI : travaille sur les LLM
- Data Scientist classique : inférence et prédiction
Si vous regardez un rôle de Product Data Scientist chez Meta, le niveau technique est souvent plus adapté à la plupart des Data Scientists du marché par rapport à un rôle d’ingénieur de recherche Core AI ou de Senior Data Scientist.
Ces rôles sont plus réalistes pour une personne sans doctorat.
Même si vous ne souhaitez pas travailler aux GAFAM, gardez à l’esprit :
Ils fixent la direction. Ce dont ils ont besoin aujourd’hui deviendra demain la norme partout ailleurs.
Et qu’en est-il du codage et des mathématiques en 2026 ?
Voici une vérité controversée mais honnête pour 2026 : Les compétences analytiques et mathématiques comptent bien plus que le simple codage.
Pourquoi? Presque toutes les entreprises utilisent désormais des outils d’IA pour aider à écrire du code. Mais l’IA ne peut pas remplacer votre capacité à :
- comprendre les tendances
- expliquer d’où vient la valeur
- concevoir une expérience valide
- interpréter un modèle dans un contexte réel
Le codage est toujours important, mais vous ne pouvez pas être un « importateur général », quelqu’un qui importe uniquement des sklearn et des runs. .fit() et .predict().
Très bientôt, un agent IA pourrait faire cette partie à notre place.
Mais vos compétences en mathématiques et en analyse sont toujours importantes et le seront toujours.
Un exemple simple :
Vous pouvez demander à une IA : « Expliquez PCA comme si j’avais 2 ans. »
Mais votre vraie valeur en tant que Data Scientist vient lorsque vous posez des questions comme :
« J’ai besoin d’optimiser la production d’eau de mon entreprise dans une région spécifique. Cette région est confrontée à des problèmes qui rendent le réseau indisponible selon des modèles spécifiques. J’ai des centaines de fonctionnalités sur cet état du réseau. Comment puis-je utiliser PCA et être sûr que les variables les plus importantes sont représentées dans le PC que j’utilise ? »
-> Ce contexte humain est votre valeur.
-> L’IA écrit le code.
-> Vous apportez la logique.
Et qu’en est-il de la boîte à outils Data Science ?
Commençons par Python. En tant que langage de programmation avec une large communauté de données, Python reste incontournable et probablement le premier langage à apprendre en tant que futur Data Scientist.
Idem pour Scikit-learn, une bibliothèque classique pour les tâches de machine learning.
On peut également voir sur Google Trends (fin 2025) que :
- PyTorch est désormais plus populaire que TensorFlow
- L’intégration de GenAI se développe beaucoup plus rapidement que les bibliothèques classiques
- L’intérêt des analystes de données reste stable
- Les rôles d’ingénieur de données et de spécialiste en IA intéressaient plus de personnes que les rôles généraux de data scientist
N’ignorez pas ces modèles ; ils sont très utiles pour prendre des décisions.
Vous devez rester flexible.
Si le marché veut PyTorch et GenAI, ne restez pas coincé avec Keras et l’ancien NLP.
Et qu’en est-il de la nouvelle stack pour 2026 ?
C’est là que la feuille de route 2026 diffère de celle de 2020.
Pour être embauché aujourd’hui, vous devez être prêt pour la production.
Contrôle de version (Git) : Vous l’utiliserez quotidiennement. Et pour être honnête, c’est l’une des premières compétences que vous devez acquérir au début. Il vous aide à organiser vos projets et tout ce que vous apprenez.
Que vous démarriez un programme de Master ou que vous commenciez un bootcamp, n’oubliez pas de créer votre premier référentiel GitHub et d’apprendre quelques commandes de base avant d’aller plus loin.
AutoML : Comprenez comment cela fonctionne et quand l’utiliser. Certaines entreprises utilisent les outils AutoML, notamment pour les Data Scientists qui sont plus orientés produit.
L’outil que j’ai en tête, et auquel vous pouvez accéder gratuitement, est Dataiku. Ils ont une excellente académie avec des certifications gratuites. C’est l’un des outils AutoML qui a explosé sur le marché au cours des deux dernières années.
Si vous ne savez pas ce qu’est AutoML : c’est un outil qui vous permet de créer des modèles ML sans codage. Oui, ça existe.
Vous vous souvenez de ce que j’ai dit plus tôt à propos du codage ? C’est l’une des raisons pour lesquelles d’autres compétences deviennent plus importantes, surtout si vous êtes un Data Scientist orienté produit.
MLOps : Les cahiers ne suffisent plus. Cela s’applique à tout le monde. Les notebooks sont parfaits pour l’exploration, mais si à un moment donné vous devez déployer votre modèle en production, vous devez apprendre d’autres outils.
Et même si vous n’aimez pas l’ingénierie des données, vous devez quand même comprendre ces outils pour pouvoir communiquer avec les ingénieurs de données et travailler ensemble.
Quand j’en parle, je pense à des outils comme Docker (regarde mon article), MLflow (lien ici), et API rapide.
LLM et RAG : Vous n’avez pas besoin d’être un expert, mais vous devez connaître les bases : comment fonctionne l’API LangChain, comment former un petit modèle de langage, ce que signifie RAG et comment l’implémenter. Cela vous aidera vraiment à vous démarquer sur le marché et peut-être à aller plus loin si vous avez besoin de construire un projet impliquant un agent IA.
Portefeuille : la qualité plutôt que la quantité
Dans ce marché rapide et compétitif, comment prouver que vous êtes capable de faire le travail ? Je me souviens avoir écrit un article sur la façon de créer un portfolio il y a 2 ans et ce que je vais dire ici peut paraître un peu contradictoire, mais laissez-moi vous expliquer. Avant que ChatGPT et les outils d’IA n’inondent le marché, il était très important d’avoir un portfolio avec un tas de projets pour montrer vos différentes compétences comme le nettoyage et le traitement des données, mais aujourd’hui, toutes ces étapes de base sont souvent effectuées à l’aide d’outils d’IA qui sont prêts pour cela, nous allons donc nous concentrer davantage sur la création de quelque chose qui vous rendra différent et donnera envie au recruteur de vous rencontrer.
Je dirais : « Évitez l’épuisement professionnel. Construisez intelligemment. »
Ne pensez pas que vous avez besoin de 10 projets. Si vous êtes étudiant ou junior, un ou deux bons projets suffisent.
Profitez du temps dont vous disposez pendant votre stage ou votre projet final de bootcamp pour le construire. Veuillez ne pas utiliser de simples ensembles de données Kaggle. Recherchez en ligne : vous pouvez trouver une énorme quantité de données de cas d’utilisation réelles ou des ensembles de données de recherche qui sont plus souvent utilisés dans l’industrie et les laboratoires pour construire de nouvelles architectures.
Si votre objectif n’est pas d’approfondir l’aspect technique, vous pouvez toujours montrer d’autres compétences dans votre portfolio : des diapositives, des articles, des explications sur la façon dont vous avez pensé à la valeur commerciale, les résultats que vous avez obtenus et comment ces résultats peuvent être utilisés dans la réalité. Votre portfolio dépend de l’emploi que vous souhaitez.
- Si votre objectif est davantage orienté vers les mathématiques, le recruteur voudra probablement consulter votre revue de littérature et la manière dont vous avez implémenté la dernière architecture sur vos données.
- Si vous êtes plus orienté produit, je serais plus intéressé par vos slides et la manière dont vous interprétez vos résultats ML que par la qualité de votre code.
- Si vous êtes plutôt orienté MLOps, le recruteur examinera comment vous avez déployé, surveillé et suivi votre modèle en production.
Pour finir, je tiens à vous rappeler que le marché évolue rapidement, mais ce n’est pas la fin de la Data Science. Cela signifie simplement que vous devez être plus conscient de votre place, des compétences que vous souhaitez développer et de la façon dont vous vous présentez.
Continuez à apprendre et créez un portfolio qui reflète vraiment qui vous êtes. Tu trouveras ta place ❤️
Si vous avez apprécié cet article, n’hésitez pas à me suivre sur LinkedIn pour des informations plus honnêtes sur l’IA, la science des données et les carrières.
👉 LinkedIn : Sabrine Bendimerad
👉 Moyen: https://medium.com/@sabrine.bendimerad1
