Data scientists : quand l’IA bouscule les besoins des entreprises

De plus en plus puissantes, les intelligences artificielles (IA) semblent être amenées à concurrencer les data scientists recrutés massivement ces dernières années. Si elles n’annoncent pas leur disparition, elles remettent cependant en question leur influence dans une entreprise où des modèles performants seront créés sans compétences techniques poussées.

À première vue, les performances des Large Language Models (LLM) sembleraient les plus naturellement amenées à faire de l’ombre aux data scientists. Cependant, ces machines intelligentes, bien que prometteuses, restent limitées par leurs faiblesses actuelles, notamment leurs problèmes d’hallucination qui ne peuvent qu’entrainer des erreurs dans le code.

Là où l’IA générative va réellement rebattre les cartes côté compétences, c’est en catalysant l’innovation dans les solutions Low-Code/No-Code (LC/NC). Ces outils génèrent déjà des performances suffisantes sans nécessiter des travaux de codage, et cela s’accélère. Cette « self-AI », en libre-service, va rendre presque secondaires les compétences techniques en datascience pour créer des solutions performantes.

Passera alors vraiment au premier plan dans la production d’IA la maîtrise des métiers, affranchis d’une part importante des contraintes techniques. Un mouvement pertinent puisque ce sont eux qui connaissent le mieux leur activité, leurs données, leurs problématiques, leurs points de douleur…

Les entreprises qui veulent réellement tirer profit de la puissance de l’IA pour transformer leurs processus métiers clés et leur prise de décisions stratégiques ont tout intérêt à s’orienter vers la démocratisation de la « self-AI ». A charge pour elles de définir un cadre stimulant et sûr pour un « Citizen AI development » permettant aux utilisateurs métier de développer eux-mêmes des applications ou solutions dédiées tout en assurant à la direction des systèmes d’information une vision globale pour garantir la cohérence et la sécurité IT.

Avec des métiers devenant les nouveaux « Data Maker » sans développer le moindre script, les besoins en data scientists purs et durs, tels que nous les connaissons aujourd’hui, vont nécessairement évoluer. Leurs compétences pointues en modélisation resteront indispensables dans les entreprises à la source de l’innovation en data : les GAFAM & Co., ainsi que toutes les sociétés data natives qui se multiplient.

Ailleurs seront privilégiés des profils capables de faire en sorte que l’IA fonctionne efficacement dans l’entreprise. Déployer et intégrer une solution dans un écosystème existant et maîtriser son cycle de vie nécessitent des compétences encore hors du champ des outils LC/NC.

Ce sont eux qui auront la charge de développer l’infrastructure Data/IA, de développer et maintenir une application de prédiction respectant des standards logiciels stricts au lieu d’un « simple modèle de prédiction », ou encore de monter et maintenir les flux de données de production qui alimentent les applications pour obtenir les précieux résultats.

Tout l’enjeu sera d’accompagner les métiers dans leur évolution pour tirer le plein bénéfice du potentiel illimité de la « self-AI ». Cela passe par assurer un bon accès à la si précieuse data. D’où la nécessité de plateformes modulaires et ouvertes respectant les principes d’architecture établis par des Data Architects qui vont faciliter la mise à disposition du patrimoine de données métier à utiliser pour les modélisations et dont le cycle de vie est géré par des Data Manager et des Data Steward.

Il faudra aussi convaincre et éduquer les métiers. Car si les outils sont simplifiés, donc a priori faciles à adopter, ils resteront inutiles, voire contre-productifs, s’ils sont peu ou mal exploités, par méfiance ou mauvaise compréhension. Il est donc crucial que les métiers soient accompagnés pour savoir manipuler ces plateformes et interpréter les résultats statistiques.

L’IA a un potentiel incroyable, mais elle n’est pas magique. Si elle n’est pas adossée à une vraie appropriation des finalités par les équipes métier, avec le soutien actif du Data Engineer et du ML Engineer aux compétences adaptées, la révolution espérée ne sera qu’une évolution limitée.