Accueil › Blog › Data analyst

Data analyst : ton job est-il en train de s'automatiser ?

Publié le 29 octobre 2026 · par Amine, AI business analyst en CAC 40 · 8 min de lecture

Pose la question à n'importe quel data analyst, et tu obtiendras deux réponses dans la même conversation. La première : l'IA lui écrit déjà ses requêtes SQL, nettoie ses fichiers et rédige ses synthèses. La seconde : il n'a jamais eu autant de travail. Les deux sont vraies, et c'est exactement ce qu'il faut comprendre.

Qu'est-ce qui s'automatise vraiment dans ton métier ?

Commençons par être précis, parce que c'est là que la plupart des articles racontent n'importe quoi. « Data analyst » n'est pas une tâche, c'est un ensemble de tâches très différentes entre elles, qui n'ont pas du tout la même exposition à l'automatisation.

Il y a d'un côté le travail de préparation : extraire des données d'une base, les nettoyer, les joindre, corriger les doublons et les valeurs manquantes. De l'autre, la production : écrire les requêtes SQL, construire les tableaux de bord, générer les rapports. Et enfin l'interprétation : comprendre ce que disent les chiffres, les remettre dans le contexte du métier, et dire ce qu'on recommande d'en faire.

Les deux premières catégories sont déjà très largement assistées. Un assistant peut écrire une requête SQL à ta place, nettoyer un fichier Excel, produire la première version d'un graphique ou d'une synthèse. Ce sont des tâches standardisées, avec des entrées et des sorties prévisibles, exactement le type de travail où un grand modèle de langage est efficace. La troisième catégorie, elle, résiste : elle demande de savoir pourquoi on pose la question, et de quoi dépend la réponse.

Ce n'est pas une intuition de ma part. Une étude de Microsoft Research publiée en juillet 2025 a analysé 200 000 conversations réelles entre des utilisateurs et Bing Copilot, sur la période de janvier à septembre 2024. Les chercheurs ont mesuré, pour chaque métier, un « score d'applicabilité » : à quel point l'IA s'avère concrètement utile pour les tâches que ce métier accomplit. Les data scientists obtiennent 0,77 sur une échelle de 0 à 1, un des scores les plus élevés de toute la classification, dans un groupe — l'informatique et les mathématiques — que l'étude place en tête de l'exposition.

Pourquoi ton job est à la fois exposé et en forte demande ?

C'est le point qui rend ce métier si particulier, et si difficile à lire de l'extérieur. D'un côté, les data analysts sont parmi les métiers dont les tâches sont les plus automatisables. De l'autre, ils sont parmi les métiers qui embauchent le plus.

Le World Economic Forum, dans son rapport Future of Jobs 2025, place les « data analysts and scientists » parmi les rôles dont la croissance est la plus rapide à l'horizon 2030. Et il ajoute une estimation qui remet les pendules à l'heure : 39 % des compétences actuelles des salariés seront transformées ou obsolètes entre 2025 et 2030. Pour les data analysts, ces deux chiffres ne se contredisent pas, ils décrivent la même chose.

La demande explose parce que les entreprises produisent plus de données et veulent des décisions plus rapides. L'outil qui permet de répondre à cette demande — l'IA — abaisse le coût de la partie mécanique du métier. Résultat : un data analyst qui sait piloter ces outils en produit beaucoup plus, et l'entreprise absorbe une charge d'analyse qu'elle n'aurait pas pu financer autrement. Le poste ne disparaît pas, il absorbe un volume de questions qui augmente plus vite que lui.

C'est le même mouvement qu'on a vu à chaque vague d'outillage dans ce métier. Quand SQL puis les outils de visualisation sont arrivés, personne n'a licencié les analystes ; on leur a demandé de faire plus, plus vite. La différence, avec l'IA générative, c'est la vitesse à laquelle le seuil technique descend, et le fait qu'elle touche aussi la rédaction et la formulation, pas seulement le calcul.

Ce que l'IA ne fait toujours pas à ta place

Si tu veux savoir si ton poste tient, regarde la part de ta semaine qui passe dans ce qui reste après l'automatisation. Il y en a quatre, et aucune machine ne les prend en charge sérieusement.

La première, c'est le choix de la question. Les données ne parlent pas toutes seules : décider ce qu'on mesure, pourquoi, et pour qui, c'est de la connaissance du métier et de l'entreprise. L'IA répond à la question qu'on lui pose, elle ne la remet pas en cause. La deuxième, c'est la connaissance de la qualité des données. Savoir que telle table est fiable jusqu'en 2022, que tel indicateur est biaisé, que tel chiffre ne veut pas dire ce qu'il a l'air de dire — ça ne s'apprend pas dans un prompt, ça s'acquiert en travaillant avec ces données.

La troisième, c'est l'interprétation et la recommandation. Un chiffre n'est utile que relié à une décision. Le rôle qui a de la valeur, c'est celui qui dit à sa direction « voilà ce que ça veut dire, et voilà ce que je propose d'en faire ». La quatrième, c'est la responsabilité. Quand un chiffre est présenté devant un comité de direction ou sert à une décision d'argent, quelqu'un doit en répondre. Un assistant ne signe rien, et aucune entreprise sérieuse ne lui fera signer.

Autrement dit : la part mécanique du métier — préparer, requêter, formater — se comprime. La part de jugement — questionner, interpréter, recommander, engager sa responsabilité — ne se comprime pas, elle devient au contraire la raison pour laquelle on te paie. Un data analyst qui ne fait que la première moitié est en concurrence directe avec un outil. Un data analyst qui fait la seconde moitié est plus recherché qu'avant.

Comment rester du bon côté de l'automatisation ?

La réponse n'est pas « apprends Python » ou « passe data scientist ». C'est plus simple et plus direct : déplace ton temps vers la partie qui ne s'automatise pas, et délègue à la machine celle qui s'automatise.

Concrètement, ça veut dire accepter que l'IA fasse l'extraction, le nettoyage, les requêtes et les premières versions, et investir le temps gagné là où la valeur se concentre : poser de meilleures questions, comprendre le métier des gens à qui tu présentes, et construire la recommandation. Ce n'est pas une question de compétence technique, c'est une question de répartition. La plupart des data analysts que je vois ne sont pas menacés par l'outil, ils sont menacés par l'habitude de rester scotchés aux tâches que l'outil fait désormais mieux qu'eux.

Et si tu n'es pas sûr de la répartition de tes propres semaines — quelle part part dans le mécanique, quelle part dans le jugement — c'est exactement la question qu'un outil peut t'aider à trancher, pour de bon, avec tes chiffres à toi plutôt que des moyennes nationales.

Questions fréquentes

Écrit par Amine Lounnas

AI business analyst depuis cinq ans dans des grands groupes du CAC 40 — banque, assurance, énergie. Certifié DPO et CIPP/E. Mon métier consiste à identifier quelles tâches une entreprise peut automatiser ; ce site retourne cette méthode vers les salariés.

Qui écrit ici, et comment →