Garage Eight : comment l'IA transforme le métier d'analyste et pourquoi les postes de junior disparaissent

Vladimir Syropyatov, analyste chez Garage Eight, a décrit six tendances de l'IA qui changent déjà le travail quotidien sur les données. Sa thèse principale est sans détour : les réseaux de neurones ne suppriment pas le métier, mais ils dévaluent vite la routine et relèvent la barre d'entrée.

Qui l'IA va remplacer

Selon l'auteur, ce sont les analystes juniors qui subissent le plus la pression de l'IA. Ce qui passait encore récemment pour un travail de début de carrière normal - requêtes ad hoc, tableaux de bord simples, ébauches de rapports, débogage de base en SQL et Python - se fait désormais de plus en plus en quelques minutes avec un modèle. Les entreprises continuent donc d'embaucher des analystes, mais cherchent de moins en moins des exécutants pour les tâches routinières et de plus en plus des spécialistes capables de donner au modèle le bon contexte, de vérifier le résultat et de le relier à une décision métier.

La formule de l'auteur est simple : un profil confirmé avec l'IA remplace plusieurs juniors à la fois.

• les postes de junior typiques, fondés sur la routine, disparaissent ;
• les managers traitent eux-mêmes une partie des questions analytiques grâce à l'IA ;
• les formulations floues cèdent la place à des prompts et à des cahiers des charges précis ;
• la formation passe de la syntaxe à la logique, à la validation et au travail avec les LLM ;
• la demande augmente pour des rôles hybrides à la croisée de l'analyse, du domaine métier et de l'IA.

L'auteur voit un effet distinct dans la redistribution de la valeur. Des outils d'IA bon marché donnent aux petites et moyennes entreprises accès à des capacités qui étaient jusqu'ici réservées aux grandes équipes dotées de ressources analytiques dédiées. Dans ce schéma, l'analyste n'est pas utile comme celui qui « sort les chiffres », mais comme architecte de solutions : il explique les limites des données, rassemble le contexte, vérifie la sortie du modèle et veille à ce qu'une réponse rapide de la machine ne se transforme pas en erreur métier coûteuse.

La pratique chez Garage Eight

Pour montrer qu'il ne s'agit pas de théorie, Garage Eight décrit plusieurs cas internes. Pour travailler avec des données sensibles, l'équipe teste des modèles locaux, dont DeepSeek-R1 14B, afin que managers et analystes puissent obtenir des suggestions SQL et analyser les causes de la baisse de conversion sans risque de fuite. D'après l'auteur, dans ce scénario la vitesse d'obtention des insights a été multipliée par 32, et les employés comprennent mieux l'origine des métriques elles-mêmes, car ils ont commencé à les manipuler directement et non plus seulement via une file de demandes adressées aux analystes.

Trois autres usages paraissent tout aussi pragmatiques : l'IA rédige des synthèses de réunions, vérifie le code avant son déploiement et aide à préparer des ébauches de rapports et de présentations. L'article affirme que la validation par IA accélère la détection des erreurs de 3 à 5 fois et réduit de 70 % le nombre de bugs en production, tandis que la préparation des rapports passe d'environ trois heures à une. En interne, cela s'est déjà traduit par un ensemble de bonnes pratiques : passer le code dans un LLM local et relire 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 dès maintenant

De ces observations, l'auteur tire deux conclusions pratiques. Pour les dirigeants, le conseil est simple : ne pas attendre le moment idéal, mais découper les processus en étapes et déployer l'IA progressivement. En parallèle, il faut former l'équipe, s'accorder avec la sécurité et la conformité, et créer un environnement où l'on peut tester rapidement une hypothèse au lieu de passer des semaines à valider un pilote. Chez Garage Eight, on se penche déjà sur la priorisation automatique des tâches, les assistants personnels d'IA, les mentors d'IA pour les nouveaux venus et la recherche régulière d'hypothèses non évidentes dans les données.

Pour les analystes eux-mêmes, le plan est lui aussi clair. Il faut maîtriser les outils dès maintenant, mais pas au niveau « j'appuie sur un bouton - j'obtiens une réponse » : au niveau de la vérification critique, de la pensée produit et de la communication. Plus le modèle prend en charge de routine, plus les compétences suivantes prennent de la valeur : expliquer le complexe avec des mots simples, voir le processus derrière les chiffres et savoir où l'on peut se fier à l'IA et où il faut revérifier sa sortie sans complaisance. Sinon, le spécialiste risque de ne plus concurrencer un collègue, mais une couche automatisée bon marché et très rapide.

Ce que cela signifie

L'article de Garage Eight saisit bien un basculement déjà visible dans de nombreuses équipes data : l'IA n'abolit pas l'analyse, elle la fait remonter dans la chaîne de valeur. Les gagnants seront les spécialistes capables d'associer la vitesse du modèle à leur propre compréhension du métier, des données et des risques. Les perdants seront ceux qui continueront à ne vendre au marché que de la routine manuelle, que le réseau de neurones a déjà appris à faire plus vite, moins cher et presque sans file d'attente.