Métiers Data 2026 : salaires, tendances et marché de l'emploi

Le sentiment sur le marché est au plus bas parmi les répondants data. Ce chiffre s'explique par plusieurs facteurs structurels.

Ce qui explique la baisse

• Gel des recrutements juniors dans plusieurs organisations
• Gains de productivité IA perçus comme une menace sur le volume d'effectifs
• Incertitude forte sur l'évolution des périmètres métier

Les signaux positifs

• Rebond du marché observé depuis deux mois, notamment aux États-Unis
• Le paradoxe de Jevons : quand une technologie se démocratise, la demande augmente au point de dépasser les économies d'échelle
• Les équipes data ont une opportunité de contribution au business à une échelle inédite

Contexte du poste

• Poste le plus junior de la data, forte proportion de profils en début de carrière
• Forte intention de mobilité, le salaire est la raison principale
• Plafond de progression salariale perçu comme rapide

Impact de l'IA

• Les outils IA permettent aux profils business d'accéder directement aux analyses sans passer par le DA
• Diminution des demandes à faible valeur ajoutée qui transitaient historiquement par ce rôle

"Grâce aux nouvelles interfaces qui sont en train d'être créées, les profils non techniques, donc vraiment les profils côté business, qui sont un peu les clients internes des data analysts, ont de plus en plus accès à des analyses sans avoir besoin de coder."

Deux axes d'évolution

• Spécialisation verticale : marketing data, supply chain, finance. Maîtrise approfondie du métier cible
• Montée en technicité : migration vers l'Analytics Engineer

Contexte du poste

• Historiquement le profil le plus en tension sur le marché data
• Fort taux de profils en agence, ESN ou cabinet

Impact de l'IA selon la taille de la structure

• Startup simple : un seul DE peut orchestrer la stack. Les analytics engineers prennent parfois le relais entièrement
• Grand groupe : la complexité se maintient. Systèmes multiples, enjeux de sécurité, coordination cross-équipe

"C'est toujours le job qu'on citait comme étant le plus en tension."

Contexte du poste

• Longtemps présenté comme le "job star" de la data
• Forte présence en grand groupe

Une spécialisation devenue nécessaire

• ML Engineer : profil technique, mise en production, standards software engineering
• Data Scientist : R&D, modélisation, recherche en amont

"Le data scientist, c'était dans la data un peu le job star pendant longtemps."

L'attente de technicité monte sur les deux profils. La partie modélisation Gen AI étant largement prise en charge par les éditeurs (OpenAI, Anthropic), le DS doit aujourd'hui savoir mettre en production pour avoir de l'impact.

Deux profils, une frontière floue

• AI Engineer : très présent en startup, profil optimiste, fort taux d'equity
• ML Engineer : plus répandu en grands groupes et scale-ups
• Chaque boîte nomme différemment le même périmètre selon sa culture et son stade

Le besoin qui explose

• Profils qui intègrent la Gen AI directement dans le produit livré aux clients
• Ces équipes comptent aujourd'hui entre 15 et 40+ personnes dans certaines scale-ups

"Il y a un vrai besoin [...] lorsque la stratégie de l'entreprise se recentre autour de la Gen AI."

Un rôle en forte progression

"L'Analytics Engineer, c'est un peu le chaînon manquant entre le Data Analyst et le Data Engineer."

Périmètre

• Modélisation dans le Data Warehouse, outil phare : DBT
• Préparation des données pour l'analytics et pour les modèles IA
• Salaires significativement plus élevés que le Data Analyst à expérience comparable

Le projet le plus demandé en 2026

Text-to-SQL et accès aux données en langage naturel pour les équipes métier.

"Quelqu'un qui a ces compétences-là, là, sur les deux, trois prochaines années, ne manquera pas de job et aura un fort pouvoir de négociation parce qu'il va avoir un impact énorme dans l'entreprise."

Nouveau dans l'étude 2026, rôle plus présent en grand groupe, peu visible en startup.

Compétences clés

• Animation d'ateliers, pensée stratégique, coordination multi-équipes, gestion de feuille de route

Évolutions possibles

• PM Data / AI
• Data Governance : Data Steward, Data Owner
• Consultant Data IA

Le poste le plus fidèle de la data

• Faible intention de mobilité vs les autres postes
• Raison principale de rester : être challengé au quotidien
• Écart salarial selon taille de structure : environ 20 % entre petites et grandes organisations

Contexte 2026

• Explosion de la demande interne : LLM pour les RH, la finance, l'ensemble des équipes
• Enjeux de souveraineté technologique : dépendance aux providers américains, pression vers des alternatives européennes

"Les CEOs de petites boîtes comme de grosses boîtes, ils sont passés un peu en mode dingo, on va mettre de l'IA de partout parce que le ROI est positif sur énormément de projets là où ce n'était pas le cas avant."

Ce qui fonctionne

• Les benchmarks marché : utiliser les données de l'étude pour démontrer un écart
• L'extension de périmètre et l'impact business concret et mesurable
• Une offre externe sur la table si vous posez la menace de départ

Ce qui ne fonctionne pas

• L'ancienneté seule
• La fidélité sans démonstration d'impact

Les meilleurs moments pour négocier

• Avant d'accepter une offre : levier maximal
• Après 12 à 18 mois avec un track record établi
• Lors d'un changement de scope

"Moi, je dirais que c'est maintenant une position où après la négo devient facile. Que ce soit absurde de vous laisser partir."

Live animé par TPC avec Robin Conquet · Podcast DataGen · 2026