Les investissements dans la data et l’intelligence artificielle (IA) atteignent des niveaux inédits. Pourtant, les résultats ne sont pas toujours au rendez-vous. Selon McKinsey (State of AI, 2025), seules 6 % des organisations déclarent un impact IA supérieur à 5 % sur leur résultat opérationnel, et les deux tiers restent bloquées en mode expérimental. Gartner a estimé que 30 % des projets d’IA générative seraient abandonnés après la phase de preuve de concept avant fin 2025, et que 60 % des initiatives IA seraient compromises dès 2026 faute de données suffisamment structurées.
L’Autorité de contrôle prudentiel et de résolution (ACPR) souligne, en 2025, que les modèles se multiplient mais peinent à être gouvernés dans des cadres robustes, en raison des exigences de supervision humaine, des systèmes informatiques hérités et de la transparence algorithmique exigée par les régulateurs. Comme le formule Valérie Fasquelle, directrice générale du système d’information de la Banque de France : « Avec l’IA, l’enjeu est l’adaptation. Loin de remplacer l’humain, elle redéfinit son rôle et ses compétences. » Le problème n’est pas technologique, il est organisationnel et se matérialise directement dans la recomposition des métiers data.
Du data scientist à l’ingénierie :
un déplacement de valeur
Figure centrale des années 2015-2020, le Data Scientist, spécialiste de l’analyse statistique et de la modélisation prédictive, concentre désormais son intervention sur des cas à forte valeur ajoutée : détection de fraude, scoring crédit, modélisation de risque. Sous l’effet de l’automatisation de l’apprentissage statistique et des grands modèles de langage comme ceux que propose OpenAI, une partie de son périmètre s’est standardisée.
Ce déplacement se lit sur le marché. Là où l’IA générative s’installe, le recrutement junior ralentit et la demande de seniors améliorés par l’IA s’intensifie. L’IA automatise bien les tâches d’exploration et d’analyse standardisées, celles qui étaient réservées aux profils débutants. Les seniors, eux, sont amplifiés par ces outils : cadrer un problème, interpréter un résultat ambigu et arbitrer dans un contexte organisationnel complexe restent des capacités que l’IA ne remplace pas.
Le vrai déplacement s’opère vers l’ingénierie. Le Data Engineer, architecte des pipelines de collecte et de traitement, est devenu la colonne vertébrale des organisations data matures (plus de 5 000 offres actives sur LinkedIn France). Le MLE (Machine Learning Engineer) et les profils MLOps (Machine Learning Operations), responsables de la mise en production des modèles et de leur surveillance continue, sont les garants de la chaîne entre le modèle et le monde réel.
Les nouveaux rôles de pilotage
Trois familles de profils structurent désormais les organisations data les plus avancées. La première regroupe les ingénieurs de la couche IA : l’AI/GenAI Engineer, qui orchestre des modèles existants (grands modèles de langage, agents automatisés) pour déployer des fonctionnalités sans les construire de zéro, et le Data Platform Engineer, qui consolide les infrastructures en plateformes standardisées.
La deuxième rassemble les pilotes de la valeur métier : l’Analytics Engineer structure la donnée pour un usage opérationnel direct en réduisant les frictions de définition (qu’est-ce qu’un « client actif » ? comment calcule-t-on un taux de défaut ?) grâce à l’outil dbt (data build tool) ; le Data Product Manager et l’AI Product Manager pilotent la donnée avec une logique ROI ; et le Chief Data and AI Officer, garant au niveau exécutif de la gouvernance transverse de la data et de l’IA. Son entrée dans les organigrammes bancaires et assurantiels signale un changement d’ère : la data n’est plus l’affaire de la seule DSI ; elle devient un sujet de direction générale, avec ses arbitrages propres entre valeur créée, risques prudentiels et exigences réglementaires.
Une troisième catégorie, encore émergente, est celle de profils d’ingénieurs hybrides « déployés » au plus près des usages et capables de transformer des technologies expérimentales en solutions opérationnelles directement intégrées aux environnements et contraintes clients. Souvent désignés sous le terme de Forward Deployed Engineers, ces profils se développent rapidement aux États-Unis et commencent à émerger en Europe.
Gouvernance et organisation :
le pilier sous-estimé
Dans la finance, la gouvernance des données est une exigence réglementaire. BCBS 239 (normes du Comité de Bâle sur la qualité et la traçabilité des données de risque), DORA (applicable depuis janvier 2025), attentes de l’ACPR sur l’explicabilité des modèles : un modèle doit pouvoir être audité, expliqué, retracé jusqu’à ses données d’entraînement. Le Data Steward, garant de la traçabilité à la source, et le Data Governance Lead, architecte des politiques de conformité, sont en forte demande et la rémunération s’en ressent (voir infographie). La qualité des données exige une approche systémique dès la conception des processus, et non un correctif a posteriori.
Le récent essai From Hierarchy to Intelligence avance que l’IA peut désormais remplir la fonction de routage de l’information assumé depuis toujours par la hiérarchie1. Le signal mérite attention, à une nuance près dans la finance : la supervision humaine y reste une exigence structurelle. En effet, un modèle de scoring mal gouverné peut engager la responsabilité prudentielle d’un établissement. C’est précisément pourquoi les métiers de la gouvernance data se renforcent.
Les profils hybrides : là où se crée la vraie valeur
La transformation la plus profonde se joue à l’intersection des compétences. Le gestionnaire des risques capable de modéliser en Python, l’analyste crédit maîtrisant les architectures de données, le responsable produit intégrant les contraintes IA dans ses arbitrages : ces profils encore rares réduisent les frictions de traduction entre mondes, première cause d’échec des projets data à l’échelle. Les données de Hays et de Robert Half indiquent une prime salariale de 15 à 30 % par rapport aux profils mono-compétence.
L’IA générative accélère ce mouvement en abaissant la barrière technique pour les non-spécialistes. En France, les offres nécessitant des compétences IA ont été multipliées par 8 entre 2018 et 2024, avec un écart salarial de 56 % en faveur de ces postes (PwC, AI Jobs Barometer, 2025). Le World Economic Forum (Future of Jobs, 2025) estime que 39 % des compétences clés seront transformées d’ici à 2030. Ce brouillage des frontières entre technique et métier n’est pas conjoncturel mais structurel. La question n’est plus de savoir si les organisations doivent s’adapter, mais lesquelles le feront assez vite.
De l’expertise à l’orchestration
de la valeur
La transformation des métiers data dans la finance est organisationnelle avant d’être technique. Les organisations qui créent durablement de la valeur sont celles qui ont su construire un écosystème cohérent : des ingénieurs pour industrialiser, des Product Managers pour piloter, des profils de gouvernance pour garantir la fiabilité, des talents hybrides pour faire le lien avec le métier. Un constat s’impose : les projets data échouent moins par manque de compétences que par défaut d’organisation. Pour tout dirigeant, la vraie question n’est plus tant d’investir dans la data que de savoir organiser ses équipes afin d’en tirer parti. L’orchestration de la valeur data sera le différenciateur compétitif de la décennie.
