Garage Eight: comment AI transforme le travail des analystes et pourquoi les postes juniors disparaissent

L'analyste de Garage Eight Vladimir Syropiatov a décrit six tendances de l'IA qui changent déjà le travail quotidien avec les données. Sa thèse principale sonne dure : les réseaux de neurones n'éliminent pas la profession, mais dévaluent rapidement la routine et élèvent la barre d'entrée.

Qui l'IA remplacera-t-elle

Selon l'auteur, les analystes juniors ressentent la plus forte pression de l'IA. Ce qui était récemment considéré comme du travail normal d'entrée—requêtes ad hoc, tableaux de bord simples, brouillons de rapports, débogage basique de SQL et Python—se fait désormais en quelques minutes avec l'aide d'un modèle. Les entreprises continuent d'embaucher des analystes, mais recherchent de moins en moins des exécutants pour des tâches routinières et de plus en plus des spécialistes qui savent donner au modèle le bon contexte, vérifier le résultat et le connecter à la décision métier. La formule que propose l'auteur est simple : un analyste mid-level avec l'IA en remplace plusieurs juniors.

• les postes junior typiques attachés à la routine disparaissent ;
• les responsables couvrent eux-mêmes une partie des questions analytiques via l'IA ;
• les formulations vagues cèdent place à des prompts clairs et des spécifications ;
• la formation se déplace de la syntaxe vers la logique, la validation et le travail avec les LLM ;
• la demande grandit pour les rôles hybrides à l'intersection de l'analyse, du domaine et de l'IA.

L'auteur observe un effet distinct dans la redistribution de la valeur. Les outils d'IA bon marché donnent aux petites et moyennes entreprises l'accès à des capacités qui n'étaient auparavant disponibles que pour les grandes équipes avec des ressources analytiques dédiées. Dans ce scénario, l'analyste est nécessaire non comme quelqu'un qui simplement « tire des chiffres », mais comme un architecte de solutions : expliquant les limitations des données, rassemblant le contexte, vérifiant la sortie du modèle et garantissant qu'une réponse machine rapide ne devienne pas une erreur métier coûteuse.

Garage Eight en pratique

Pour montrer que ce n'est pas seulement de la théorie, Garage Eight décrit plusieurs cas internes. Pour travailler avec des données sensibles, l'équipe teste des modèles locaux, notamment DeepSeek-R1 14B, pour que les responsables et analystes puissent obtenir des suggestions SQL et analyser les causes de baisse de conversion sans risque de fuite. Selon l'auteur, dans ce scénario, la vitesse d'obtention des insights a augmenté de 32 fois, et les employés ont mieux compris l'origine des métriques elles-mêmes parce qu'ils ont commencé à en travailler directement, plutôt que seulement par le biais de files de demandes aux analystes.

Trois autres applications semblent tout aussi pragmatiques : l'IA extrait les résumés des réunions, valide le code avant le déploiement et aide à compiler des brouillons de rapports et présentations. L'article affirme que la validation par l'IA accélère la détection des erreurs de 3–5 fois et réduit les bugs en production de 70%, tandis que la préparation des rapports passe d'environ trois heures à une. Dans l'entreprise, cela s'est déjà formalisé en un ensemble de bonnes pratiques : passer le code par un LLM local et examiner les présentations avec l'IA avant de les montrer au public.

« L'IA ne remplacera pas les analystes.

Mais les analystes qui utilisent l'IA remplaceront ceux qui ne l'utilisent pas. »

Comment se préparer maintenant

De ces observations, l'auteur tire deux conclusions pratiques. Pour les responsables, le conseil est simple : ne pas attendre le moment parfait, mais décomposer les processus en parties et implémenter l'IA progressivement. En parallèle, il faut former l'équipe, négocier avec la sécurité et la conformité, et créer un environnement où l'on peut rapidement tester une hypothèse plutôt que de passer des semaines à aligner un pilote. Chez Garage Eight, on regarde déjà vers la priorisation automatique des tâches, les assistants IA personnels, les mentors IA pour les débutants et la recherche régulière d'hypothèses non évidentes dans les données.

Pour les analystes eux-mêmes, le plan est aussi clair. Il faut apprendre les outils dès maintenant, mais pas au niveau « appuie sur le bouton—obtiens une réponse », mais au niveau de la vérification critique, de la pensée produit et de la communication. Plus la routine que prend en charge un modèle, plus précieuses deviennent les compétences pour expliquer le complexe simplement, voir le processus derrière les chiffres et comprendre où faire confiance à l'IA et où sa sortie doit être rigoureusement reverrifiée. Sinon, le spécialiste risque de concurrencer non pas un collègue, mais une couche automatisée bon marché et très rapide.

Ce que cela signifie

L'article de Garage Eight capture bien le décalage déjà visible dans de nombreuses data teams : l'IA n'annule pas l'analyse mais la déplace vers le haut de la chaîne de valeur. Gagneront les spécialistes capables de combiner la vitesse du modèle à leur propre compréhension du métier, des données et des risques. Perdront ceux qui continueront à vendre au marché seulement de la routine manuelle que les réseaux de neurones ont déjà appris à faire plus vite, moins cher et presque sans file d'attente d'exécution.