Les emplois scientifiques et de recherche à l'ère de l'IA — Hub

Si vous travaillez dans la science ou la recherche, voici le chiffre qui devrait retenir votre attention : l'exposition théorique de l'IA aux professions scientifiques avoisine 60 %, mais la part du travail où l'IA est réellement utilisée aujourd'hui est plus proche de 25 % — un écart plus grand que dans presque toutes les autres catégories que nous suivons. C'est dans cet écart que se jouent vos cinq prochaines années.

La raison est structurelle. Le travail scientifique se divise nettement en deux couches. La couche inférieure — exécuter des analyses, nettoyer des jeux de données, rédiger du code standard, produire des résumés, simuler des systèmes — est précisément ce que font bien les grands modèles de langage et les outils d'IA spécialisés, et ils deviennent moins coûteux de mois en mois. La couche supérieure — décider quelle question vaut la peine d'être posée, concevoir une expérience qui puisse y répondre, juger si un résultat est réel et assumer la responsabilité professionnelle de la conclusion — est là où les êtres humains tiennent encore la plume. Selon l'Anthropic Economic Index, publié début 2026, 57,6 % des conversations IA dans les catégories scientifiques et techniques ont été classées comme augmentation (l'IA aide un humain à accomplir le travail) plutôt que comme automatisation complète. [Fait] Cette seule statistique est la chose la plus importante à intérioriser : dans la recherche, l'IA est actuellement un outil puissant, pas un travailleur de remplacement.

Mais « outil puissant » n'est pas un statut confortable. Les outils puissants changent quels travailleurs sont nécessaires, combien en est nécessaire, et ce qu'ils gagnent. Le Manuel des perspectives professionnelles pour les sciences de la vie, physiques et sociales du Bureau américain des statistiques du travail projette une croissance de l'emploi d'environ 7 % entre 2023 et 2033, plus rapide que la moyenne toutes professions confondues, mais ce chiffre masque une variance interne considérable — les scientifiques environnementaux et les chercheurs adjacents aux données progressent à deux chiffres tandis que plusieurs rôles de terrain traditionnels stagnent. [Fait] Autrement dit, la catégorie va s'élargir, mais en son sein les personnes sont triées entre des rôles propulsés par l'IA et des rôles exposés à l'IA — et ce tri a déjà commencé.

Ce hub est votre carte pour naviguer ce tri. Vous trouverez ci-dessous nos analyses les plus lues sur cinq professions scientifiques où la frontière humain-IA est redessinée en ce moment même, ainsi que les compétences, les preuves et les stratégies de carrière qui ressortent de façon constante dans toutes ces professions.

Comment l'IA transforme réellement la recherche scientifique

Enlevez la couche de battage médiatique et les changements réels de 2026 s'organisent en quatre catégories, à peu près dans l'ordre où ils sont apparus dans les laboratoires et les équipes de recherche.

Le travail sur les données est largement automatisable, et c'est déjà arrivé. Extraire des données des instruments, les nettoyer, exécuter des pipelines statistiques standards, générer des graphiques exploratoires et produire des premières ébauches de sections de méthodes sont des tâches où l'assistance IA compresse désormais des jours en heures. Le Rapport AI Index 2026 de Stanford HAI documente que l'adoption de l'IA pour l'analyse scientifique des données a franchi les seuils dominants en 2025, plusieurs disciplines signalant que plus de la moitié des articles publiés ont utilisé une forme d'analyse assistée par IA. [Fait] Les chercheurs juniors gagnaient leurs galons en accomplissant ce travail ; cette échelle est désormais plus courte et plus abrupte.

La génération d'hypothèses est augmentée, pas remplacée. Des outils comme AlphaFold, les grands modèles de langage protéique, les systèmes de découverte de matériaux et les LLM spécifiques à un domaine peuvent proposer des molécules candidates, des structures ou des conditions expérimentales à une échelle qu'aucune équipe humaine ne peut égaler. Mais proposer est peu coûteux ; valider est onéreux. Un preprint arXiv 2025 d'Aghajanyan et al. sur les « co-scientifiques IA » a révélé que le goulot d'étranglement dans la recherche assistée par IA n'est pas la génération d'idées — c'est le coût humain du triage du torrent de suggestions plausibles-mais-erronées. [Affirmation] Les chercheurs capables de filtrer rapidement les résultats de l'IA sont les nouveaux multiplicateurs de force ; ceux qui traitent les suggestions de l'IA comme une vérité terrain produisent des articles rétractés.

La simulation et la modélisation sont démocratisées. Les modèles climatiques, la dynamique des fluides computationnelle, l'ancrage drogue-récepteur, les modèles de rendement agronomique — des domaines qui nécessitaient autrefois des groupes de supercalcul dédiés fonctionnent désormais en versions allégées sur un seul GPU avec une interface générée par LLM. C'est une bonne nouvelle pour les petits laboratoires et les institutions de recherche des pays en développement, et une nouvelle complexe pour les modélisateurs senior dont la spécialisation était autrefois un fossé protecteur.

La rédaction, l'évaluation par les pairs et la rédaction de subventions sont partiellement automatisées, avec de fortes résistances professionnelles. La plupart des grandes revues et la Fondation nationale des sciences américaine exigent désormais la divulgation de l'assistance IA dans les soumissions et interdisent l'évaluation par les pairs uniquement par IA. [Fait] La norme en 2026 est « IA dans la boucle, humain responsable », et cette norme est appliquée par des systèmes de réputation qui sanctionnent les chercheurs qui la violent.

Ce qui ne s'automatise pas bien : définir ce qui vaut la peine d'être étudié en premier lieu, concevoir des expériences qui survivent au contact avec la réalité, reconnaître quand un résultat inattendu est un signal plutôt que du bruit, naviguer les processus d'examen éthique et de consentement éclairé, encadrer les stagiaires, construire les relations de confiance pluriannuelles qui génèrent des financements de subventions, et défendre une découverte devant des pairs, des régulateurs et le public. Le programme IA et l'avenir du travail de l'OCDE souligne que le jugement scientifique dans l'incertitude est parmi les compétences cognitives les plus lentes à automatiser dans l'ensemble du marché du travail. [Fait] C'est le socle de compétences sur lequel vous devriez construire.

Les 5 rôles scientifiques et de recherche que nos lecteurs demandent le plus

Ces cinq analyses approfondies représentent les questions que nos lecteurs de la filière scientifique posent le plus souvent. Chacune renvoie à une analyse complète avec des scores d'exposition spécifiques à la profession, des données salariales et des calendriers.

• L'IA va-t-elle remplacer les ingénieurs ? — Le rôle généraliste qui donne le ton pour toute la frontière science-ingénierie. L'IA automatise les calculs, la génération de code et les contrôles de conception standard, tout en rendant le jugement de domaine, l'approbation de sécurité et la négociation avec les parties prenantes plus précieux, pas moins. Si vous êtes en début de carrière et ne savez pas quelle sous-discipline choisir, commencez ici.
• L'IA va-t-elle remplacer les ingénieurs environnementaux ? — L'une des spécialités scientifiques à la croissance la plus rapide, avec une croissance projetée à deux chiffres liée à l'adaptation climatique, aux systèmes d'eau et au travail réglementaire que l'IA ne peut pas approuver seule. Un bon exemple de la façon dont la réglementation crée une demande durable d'expertise humaine même lorsque l'analyse sous-jacente s'automatise.
• L'IA va-t-elle remplacer les agronomes ? — L'agriculture de précision, les modèles de cultures alimentés par satellite et l'analytique des sols pilotée par IA remodèlent la science de terrain. La particularité géographique est intéressante : l'IA creuse un vide dans le travail agronomique de routine dans les régions de cultures en commodités, tandis qu'elle élargit le rôle dans les contextes de cultures de spécialité et des pays en développement.
• L'IA va-t-elle remplacer les biophysiciens ? — La biologie structurale après AlphaFold est l'exemple le plus net d'un domaine scientifique que l'IA a véritablement transformé en une décennie. Les rôles qui ont survécu et prospéré n'étaient pas ceux qui ont combattu les outils ; c'étaient ceux qui ont trouvé quelles questions seuls les humains pouvaient encore poser.
• L'IA va-t-elle remplacer les urbanistes ? — Les planificateurs se trouvent à l'articulation entre les sciences sociales, l'ingénierie et les processus politiques. L'IA gère bien la couche de données — analyse du zonage, modélisation du trafic, prévision démographique — mais le travail politique et éthique consistant à décider quel quartier reçoit quelle intervention est, si l'on y pense bien, encore plus contesté dans un monde médiatisé par l'IA.

Pour une vue plus large de l'évolution du côté ingénierie de cette catégorie, consultez notre hub compagnon hub emplois IA en ingénierie.

Les compétences qui compteront jusqu'en 2030

Le Rapport sur l'avenir des emplois 2026 du Forum économique mondial identifie la pensée analytique, la maîtrise de l'IA et des données, la pensée créative, la résilience et la curiosité comme les cinq compétences dont l'importance devrait augmenter le plus d'ici 2030. [Fait] Pour la science et la recherche spécifiquement, celles-ci se traduisent en un socle concret que les recruteurs et les comités de subvention filtrent déjà :

• La maîtrise des outils IA au niveau du flux de travail, pas seulement au niveau des prompts. Savoir quel modèle utiliser pour la revue de littérature par rapport à la génération de code par rapport à l'analyse statistique, et comment les enchaîner, différencie les chercheurs seniors des juniors plus vite que la connaissance de la discipline.
• Les statistiques et la conception expérimentale, qui deviennent plus précieuses au fur et à mesure que l'IA génère plus d'hypothèses candidates qu'aucune équipe ne peut tester. Le goulot d'étranglement n'est plus les idées ; ce sont des expériences bien conçues qui produisent des preuves décisives.
• La profondeur de domaine dans au moins un domaine, suffisamment profonde pour reconnaître quand un outil IA produit des absurdités habillées dans le vocabulaire de votre discipline. La littératie IA généraliste est nécessaire mais pas suffisante.
• L'éthique de la recherche et la gouvernance de l'IA, y compris la familiarité avec les exigences de divulgation, les préoccupations à double usage, et les cadres réglementaires émergents autour de l'IA dans la science réglementée (essais cliniques, évaluation d'impact environnemental, biotechnologie agricole).
• La communication scientifique, en particulier la capacité à traduire des découvertes assistées par IA pour des audiences non spécialistes — bailleurs de fonds, décideurs politiques, régulateurs, grand public — qui sont de plus en plus sceptiques à l'égard des résultats touchés par l'IA et exigent une responsabilité humaine.

Stratégie de carrière par sous-domaine

La stratégie n'est pas universelle en science. Un bref guide par domaine :

• Sciences de la vie et biotechnologie : Adoptez agressivement les flux de travail augmentés par l'IA. Les outils de classe AlphaFold, la conception d'essais assistée par IA et le triage de littérature par IA sont désormais des prérequis de base. Associez cela à des compétences en laboratoire humide, une expertise réglementaire ou une expérience translationnelle/clinique — ce sont les fossés protecteurs.
• Sciences physiques : Les compétences computationnelles et de simulation progressent le plus vite ici. Construisez un portefeuille qui comprend au moins un projet où vous avez publiquement reproduit ou étendu un résultat piloté par IA ; ce signal a du poids dans les comités de recrutement.
• Sciences de l'environnement et de la terre : C'est actuellement le coin à la croissance la plus rapide de la catégorie. Les systèmes d'information géographique, la télédétection et la modélisation climatique pilotée par IA sont des domaines de croissance. L'adjacence réglementaire et politique est un facteur majeur de durabilité.
• Sciences sociales : La conception d'enquêtes assistée par IA, l'analyse qualitative à grande échelle et les sciences sociales computationnelles progressent, mais le domaine est aussi sous pression réputationnelle car le contenu généré par IA pollue l'environnement des données. La rigueur méthodologique devient le facteur différenciant.
• Sciences agricoles et appliquées : L'agriculture de précision, l'analytique des sols et des rendements pilotée par IA, et l'agronomie résiliente au climat sont des corridors de croissance, surtout dans le sud mondial où le Rapport sur les perspectives de l'architecture et de l'ingénierie du BLS ne capture pas la demande mais les programmes multilatéraux si. [Estimation]

Dans tous les sous-domaines, le même schéma de carrière se répète : les chercheurs qui traitent l'IA comme un collaborateur qu'ils gèrent prennent de l'avance ; ceux qui l'ignorent ou lui délèguent leur jugement accusent du retard. Il n'y a pas de troisième option neutre en 2026.

Foire aux questions

L'IA va-t-elle remplacer les scientifiques d'ici 2030 ? Non. Chaque source crédible — BLS, OCDE, FEM, Anthropic, Stanford HAI — pointe vers l'augmentation, pas le remplacement, comme le schéma dominant dans le travail scientifique jusqu'en 2030. [Fait] Ce qui change, c'est le mélange de compétences à l'intérieur de chaque rôle et la productivité attendue par chercheur.

Les scientifiques en début de carrière devraient-ils se tourner vers l'IA/ML ? Pas nécessairement. La profondeur de domaine combinée à la maîtrise de l'IA est actuellement plus rare et mieux rémunérée que les compétences pures en IA/ML, qui sont de plus en plus banalisées. La meilleure position est d'être la personne qui comprend à la fois votre science et les outils.

L'IA est-elle sûre à utiliser dans la recherche évaluée par les pairs ? Oui, avec divulgation et responsabilité humaine. Les grandes revues et les agences de financement exigent la transparence sur l'assistance IA et interdisent les évaluations par les pairs entièrement générées par IA. [Fait] Prenez maintenant l'habitude de la divulgation ; elle sera le défaut partout d'ici 2027.

Quels rôles scientifiques sont les plus à risque ? Les rôles dominés par l'extraction de données, l'analyse de routine ou la rédaction basée sur des modèles sont les plus exposés. Les rôles qui nécessitent un jugement dans l'incertitude, des décisions chargées d'éthique et une responsabilité devant les régulateurs ou le public sont les plus durables.

Par où commencer si je veux IA-proofiser ma carrière de recherche ? Choisissez un flux de travail que vous effectuez chaque semaine — une revue de littérature, une tâche de nettoyage des données, une ébauche de manuscrit — et reconstruisez-le avec l'assistance IA jusqu'à ce que vous puissiez le faire en deux fois moins de temps sans perdre en qualité. Ce seul projet vous apprend plus sur votre avenir augmenté par IA que n'importe quel cours.

---

Ce hub est mis à jour au fur et à mesure que de nouvelles recherches, des publications BLS et des données AI Index deviennent disponibles. Si vous souhaitez une analyse plus approfondie d'une profession scientifique spécifique non couverte ici, parcourez la catégorie science et recherche ou commencez par l'un des cinq rôles ci-dessus.

_Analyse assistée par IA. Sources de données : BLS OOH Life, Physical, and Social Science (2024-34) ; BLS OOH Architecture and Engineering (2024-34) ; Anthropic Economic Index (janvier 2026) ; Stanford HAI AI Index Report 2026 ; WEF Future of Jobs Report 2026 ; programme OCDE IA et l'avenir du travail ; arXiv 2503.18991._