L'IA va-t-elle remplacer les développeurs ETL ? Le pipeline change rapidement

71 %. C'est l'exposition globale de votre métier à l'IA si vous êtes développeur ETL. Si vous avez déjà écrit une transformation SQL à 2 heures du matin parce qu'un batch nocturne avait échoué et que le tableau de bord du matin était vide, vous savez exactement de quoi il s'agit. Vous soupçonnez probablement aussi que l'IA vise ce métier. Vous avez raison — et tort — d'une manière qui compte pour votre carrière.

Nos données montrent que les développeurs ETL présentent une exposition globale à l'IA de 71 % et un risque d'automatisation de 56 % en 2025. [Fait] Ce sont parmi les chiffres les plus élevés du secteur technologique. Et pourtant, voici la contradiction : le développement ETL s'inscrit dans la catégorie plus large des administrateurs et architectes de bases de données, que le Bureau of Labor Statistics projette de croître de 4 % entre 2024 et 2034, avec environ 7 800 ouvertures de postes par an sur la décennie, et un salaire médian de 110 090 $ pour les administrateurs de bases de données et 144 440 $ pour les architectes de bases de données en mai 2024. Selon le Manuel des perspectives d'emploi du BLS, la demande est alimentée par la croissance de la collecte de données dans tous les secteurs. [Fait] Autrement dit, le développement ETL est simultanément l'une des spécialisations technologiques les plus automatisables et les plus demandées.

Trois tâches, trois avenirs

Le développement ETL se décompose en trois catégories de tâches fondamentales, et l'IA frappe chacune avec une intensité très différente. Comprendre cette architecture en trois niveaux est la clé pour décider où investir votre énergie professionnelle.

Écrire du code SQL et des scripts pour la logique de transformation des données mène à 78 % d'automatisation. [Fait] C'est le chiffre le plus médiatisé, et il est bien réel. Les outils de génération de code IA peuvent désormais produire des modèles dbt, écrire des transformations Spark, générer des scripts Python pour le nettoyage de données et construire des requêtes SQL complexes à partir de descriptions en langage naturel. Si votre logique de transformation est bien documentée et votre schéma source est propre, un assistant IA produit du code fonctionnel en quelques minutes là où il fallait des heures. Des outils comme GitHub Copilot, Amazon CodeWhisperer et des assistants spécialisés en ingénierie de données rédigent déjà du code de transformation de qualité production.

Mais ce que les 78 % ne capturent pas, ce sont les cas limites — le goulot d'étranglement invisible entre l'automatisation théorique et la réalité opérationnelle. Le système source qui envoie des dates dans trois formats différents selon le module legacy ayant généré l'enregistrement. La règle métier non documentée stipulant que les chiffres de revenus du T4 doivent exclure les transferts interentreprises, mais uniquement pour la filiale européenne. Le changement de schéma que l'équipe en amont a déployé vendredi sans prévenir personne. Ce sont ces scénarios où le code généré par l'IA s'effondre, et où les développeurs ETL expérimentés gagnent vraiment leur salaire.

Surveiller et résoudre les pannes de pipeline de données se situe à 60 % d'automatisation. [Fait] Les plateformes d'observabilité alimentées par l'IA peuvent détecter les anomalies, tracer les cascades de pannes et même remédier automatiquement aux problèmes courants — relancer les appels API échoués ou réallouer les ressources de calcul. Mais les pannes véritablement difficiles — celles impliquant la corruption de données, une dérive de schéma subtile, ou des interactions entre pipelines multiples — nécessitent encore un humain qui comprend à la fois l'infrastructure technique et le contexte métier des données qui y circulent. C'est une frontière que l'IA n'a pas encore franchie.

Concevoir les spécifications de mapping de données avec les parties prenantes métier n'atteint que 35 % d'automatisation. [Fait] C'est là que l'élément humain est le plus puissant. S'asseoir avec l'équipe finance pour comprendre comment leur définition du « chiffre d'affaires » diffère de celle de l'équipe commerciale, puis traduire cela en spécification de transformation — ce travail exige une compréhension métier approfondie, des compétences en communication et la capacité de naviguer dans la politique organisationnelle. L'IA peut aider en suggérant des mappings sur la base d'une analyse de schéma, mais les décisions restent fondamentalement humaines.

Le paradoxe de la demande

Comment un rôle avec 56 % de risque d'automatisation peut-il connaître une croissance projetée de 4 % de la catégorie parente, tout en alimentant des rôles à la croissance encore plus rapide ? La réponse réside dans ce qui se passe avec le volume global de travail sur les données.

Chaque entreprise déployant un grand modèle de langage a besoin de pipelines de données pour alimenter ses données d'entraînement et ses entrées de production. Chaque initiative d'analytique en temps réel nécessite de l'ETL en streaming. Chaque architecture data mesh requiert une logique de transformation distribuée. Chaque effort de conformité réglementaire exige une lignée de données auditable. La muraille des exigences en matière de données s'étend dans toutes les directions simultanément.

Regardez un échelon plus haut dans la chaîne de valeur : le Manuel des perspectives d'emploi du BLS pour les data scientists projette une croissance de l'emploi de 34 % entre 2024 et 2034 — bien plus rapide que la moyenne de toutes les professions — avec environ 23 400 ouvertures par an portées par « une demande accrue de décisions fondées sur les données ». [Fait] Aucun de ces data scientists ne peut accomplir son travail sans des données propres, bien modélisées et fiables alimentant leurs notebooks. Ce flux, c'est ce que les développeurs ETL construisent et maintiennent.

Le volume total de travail sur les pipelines de données croît plus vite que l'IA ne peut l'automatiser. Les développeurs ETL individuels deviennent plus productifs — un développeur équipé de bons outils IA peut construire et maintenir deux ou trois fois plus de pipelines qu'un développeur sans ces outils. Mais le nombre de pipelines dont le monde a besoin se multiplie par cinq ou davantage. L'arithmétique favorise encore la croissance de l'emploi.

Comparez cette trajectoire aux architectes d'entreprise, qui font face à une exposition plus faible de 48 % mais dont la croissance est également plus faible, à +8 %. Ou regardez les ingénieurs données, un rôle étroitement lié avec 57 % d'exposition et +36 % de croissance. La couche d'infrastructure de données de la technologie se déploie rapidement, et les développeurs ETL se trouvent en plein cœur de cette expansion.

L'écart théorie-observation se rétrécit

Les architectes d'entreprise affichent un écart de 38 points entre l'exposition théorique et l'exposition observée à l'IA. Pour les développeurs ETL, cet écart est plus étroit : l'exposition théorique est de 86 % contre une exposition observée de 56 % en 2025. [Fait] L'écart de 30 points reste significatif, mais il se referme plus vite que dans la plupart des professions. D'ici 2028, nous projetons que l'exposition observée atteindra 74 %. [Estimation]

Cela signifie que la transformation du rôle n'est pas hypothétique — elle se produit maintenant, et elle s'accélère. Les organisations déploient activement des outils ETL assistés par IA en production. La question n'est pas de savoir si votre travail changera, mais si vous serez celui qui dirige ce changement ou celui qui en est déplacé.

Ce que disent les dernières données d'Anthropic

L'Anthropic Economic Index rapporte que les tâches de développement logiciel et d'ingénierie de données figurent parmi les cas d'utilisation les plus fréquents des assistants IA sur Claude, la génération de code et l'explication de code dominant les charges de travail. [Fait] Ce schéma se retrouve également dans nos données au niveau des tâches. Les tâches qu'un développeur ETL peut raisonnablement déléguer — génération SQL, transformations standards, guides de dépannage — sont exactement les tâches où l'adoption des assistants est la plus élevée dans l'ensemble de la main-d'œuvre logicielle.

L'implication est directe. Si vous êtes développeur ETL et que vous n'avez pas encore établi une relation de travail quotidienne avec un assistant de codage IA, vous vous situez sur la courbe de productivité de la décennie précédente tandis que vos pairs opèrent sur celle de cette décennie. L'écart salarial qui s'ouvrira entre ces deux groupes au cours des trois prochaines années sera plus important que la plupart des décisions déterminantes pour une carrière que vous pourriez prendre. [Estimation]

Ce que cela signifie pour votre carrière

Si vous êtes développeur ETL, la direction stratégique est claire, mais elle exige une action délibérée. Voici les trois pivots qui distingueront les professionnels qui prospèrent de ceux qui stagnent.

Montez dans la pile d'abstraction. Le taux d'automatisation de 78 % sur le code SQL et les scripts signifie qu'écrire du code de transformation à la main perdra progressivement de la valeur. Les développeurs qui prospéreront seront ceux qui conçoivent des architectures de pipeline, définissent des standards de qualité de données et prennent les décisions que les outils IA exécutent. Considérez-vous comme l'architecte des flux de données, non comme le maçon qui pose chaque brique.

Développez une expertise métier approfondie. Le taux de 35 % sur le travail de spécification avec les parties prenantes vous indique où se trouve le terrain solide. Si vous comprenez suffisamment le processus de réclamation d'assurance, la chaîne d'approvisionnement pharmaceutique ou le processus de réconciliation bancaire pour spécifier la logique de transformation en termes métier, vous êtes irremplaçable. Les compétences techniques SQL pures se commoditisent. Les compétences de traduction du contexte métier s'apprécient.

Maîtrisez la nouvelle chaîne d'outils. Résister à l'adoption de l'IA dans l'ingénierie de données est une stratégie perdante. Apprenez dbt, comprenez comment fonctionne la génération de code par IA, devenez compétent avec les plateformes d'observabilité de données, et positionnez-vous comme la personne qui fait fonctionner ces outils dans le contexte spécifique de votre organisation. Le développeur ETL de 2028 écrira moins de code et prendra davantage de décisions stratégiques. Assurez-vous d'être du bon côté de ce basculement.

Le rôle de développeur ETL ne disparaît pas. Il évolue plus rapidement que presque tout autre rôle technologique que nous suivons. Ceux qui évoluent avec lui se retrouveront dans un domaine en croissance, bien rémunéré et de plus en plus stratégique.

Voir l'analyse complète de l'automatisation pour les développeurs ETL

---

Cette analyse utilise la recherche assistée par IA basée sur les données de l'Anthropic Economic Index (2026), du Manuel des perspectives d'emploi du BLS (Administrateurs et architectes de bases de données ; Data Scientists), et nos mesures propriétaires d'automatisation au niveau des tâches. Toutes les statistiques reflètent nos dernières données disponibles en date de mars 2026.

Métiers connexes

• L'IA va-t-elle remplacer les ingénieurs données ?
• L'IA va-t-elle remplacer les administrateurs de bases de données ?
• L'IA va-t-elle remplacer les architectes d'entreprise ?
• L'IA va-t-elle remplacer les développeurs logiciels ?

Explorez plus de 1 000 analyses de métiers sur AI Changing Work.

Historique des mises à jour

• 2026-03-29 : Publication initiale avec données réelles 2025 et projections 2026-2028.
• 2026-05-28 : Ajout des citations BLS OOH (administrateurs et architectes de bases de données croissance 4 %, data scientists croissance 34 %) + référence Anthropic Economic Index. Correction de la croissance « +11 % » vers la croissance officielle BLS de 4 % (SOC parent 15-1245).