Le data scientist n’est plus un soliste, mais un chef d’orchestre. Cette métaphore musicale illustre parfaitement l’évolution radicale de ce métier, transformé par l’avènement des grands modèles de langage (LLMs). L’analogie avec un orchestre prend tout son sens lorsque l’on considère la complexité croissante des projets de data science.
Une révolution dans les méthodes de travail
Autrefois, un data scientist passait des semaines à développer un prototype. Aujourd’hui, avec l’aide des LLMs comme Claude Code, ce même travail prend moins de deux jours. Cette accélération spectaculaire n’est cependant que la partie émergée de l’iceberg. La véritable transformation réside dans le changement de rôle des professionnels du domaine.
L’équipe data science d’InnoGames, composée de sept membres, a décidé il y a un an d’externaliser la majorité de ses tâches de programmation à Claude Code. Cette décision a marqué un tournant fondamental. Les data scientists sont passés d’exécutants techniques à coordinateurs stratégiques, supervisant des agents IA qui construisent les différentes parties d’un projet.
L’ère de l’orchestration
Cette évolution rappelle le rôle d’un chef d’orchestre, qui doit avoir une vision globale de la partition plutôt que de maîtriser chaque instrument. De même, les data scientists doivent désormais concevoir l’architecture globale d’un système, en s’assurant que chaque composant s’intègre harmonieusement.
Cette transformation implique un changement profond des méthodes de travail. Les agents IA nécessitent un contexte précis et des lignes directrices claires pour fonctionner efficacement. Une grande partie du travail consiste désormais à préparer cet environnement avant même d’écrire une ligne de code.
L’itération accélérée
Le cœur du métier de data scientist reste l’itération : construire des modèles, évaluer les résultats et ajuster les approches. La délégation des tâches techniques permet d’accélérer ce processus, rendant plus facile l’abandon d’approches non fructueuses.
Un apprentissage nécessaire
Contrairement aux attentes initiales, cette transition vers des méthodes agentiques a d’abord ralenti la productivité. Il a fallu du temps pour entraîner les agents, leur fournir le contexte nécessaire et corriger leurs erreurs. Après trois mois d’ajustements, les résultats ont commencé à se stabiliser.
Cette évolution marque la fin du data scientist en tant que technicien isolé et le début d’une ère où la coordination et la vision stratégique deviennent primordiales. Le métier évolue vers une forme de conduite d’ensemble, où l’humain reste indispensable pour guider et harmoniser les contributions des intelligences artificielles.