Myriam Jessier / Unsplash
L'ONISEP situe le salaire d'un débutant autour de 2 660 € brut par mois ; dans les faits, un junior est le plus souvent recruté entre 35 000 et 50 000 € brut par an (soit environ 2 900 à 4 100 € brut mensuels), davantage en école d'ingénieurs. Un profil confirmé se situe entre 50 000 et 75 000 € brut annuels, un senior entre 70 000 et 120 000 €, soit jusqu'à 7 000 € brut mensuels et plus. Comptez environ 78 % du brut en net avant impôt. Paris majore les salaires de 10 à 20 % par rapport à la province, et les spécialistes IA générative, LLM ou MLOps négocient des packages 30 à 40 % supérieurs. En freelance, le tarif journalier va de 400 à 900 € et plus.
Estimation du net avant impôt sur le revenu (statut cadre, ~25 % de charges). Le montant réel varie selon le statut et la convention collective. SMIC net mensuel ≈ 1 427 €.
Le bac + 5 est le standard du métier : quasiment aucun recrutement en dessous. Parcours type après un bac général avec spécialités mathématiques et NSI (ou physique-chimie) : licence de mathématiques, d'informatique, de MIASHS ou d'économétrie, puis master spécialisé en data science, statistique, intelligence artificielle ou MIAGE. Autre voie très prisée : une école d'ingénieurs avec double compétence maths/informatique (ENSAI, ENSAE, Télécom Paris, INSA, Centrale, Mines, Polytechnique) ou une école spécialisée data. Un BUT science des données (bac + 3) constitue une bonne rampe de lancement, à condition de poursuivre en master ou en école. Beaucoup de data scientists débutent d'abord comme data analyst avant d'accéder au poste. L'alternance en master est très valorisée par les recruteurs, et un doctorat ouvre les postes de R&D en IA.
Trouve des entreprises qui recrutent en alternance pour ce métier.
Au quotidien, une grosse partie du travail consiste à collecter et nettoyer les données : corriger les erreurs, gérer les valeurs manquantes, croiser plusieurs sources. Vient ensuite l'exploration : visualiser, chercher des régularités, formuler des hypothèses. Le data scientist entraîne alors des modèles (machine learning, deep learning, modèles de langage) en Python ou R, teste leur performance, les corrige, recommence. Il consacre aussi beaucoup de temps à restituer ses résultats : graphiques, tableaux de bord, réunions avec les équipes marketing, financières ou médicales à qui il doit expliquer simplement des résultats très techniques. Enfin, il suit ses modèles dans la durée, car un algorithme se dégrade quand le monde réel change.
Le métier se pratique essentiellement devant un ordinateur, en bureau ou en open space, avec des horaires plutôt classiques (pas de nuit ni de week-end en règle générale, hormis quelques pics avant une livraison de projet). Le télétravail est très répandu : 2 à 3 jours par semaine dans beaucoup d'entreprises, parfois du 100 % à distance. On travaille rarement seul : le data scientist échange en permanence avec des data engineers (qui construisent les tuyaux de données), des développeurs et des experts métier. L'anglais est incontournable, la documentation et les publications scientifiques étant presque toutes anglophones. Il faut aussi accepter de se former en continu : les outils évoluent très vite.
Après quelques années, on peut se spécialiser (NLP et modèles de langage, vision par ordinateur, MLOps, IA générative) ou devenir lead data scientist, encadrant une équipe. D'autres évoluent vers le pilotage : chef de projet data, data product manager, puis Chief Data Officer. Les passerelles sont nombreuses vers le métier de data engineer, de machine learning engineer ou de consultant en cabinet. Enfin, l'expertise data se monnaie très bien en freelance, avec des missions facturées à la journée, ou permet de rejoindre la recherche publique (Inria, CNRS, hôpitaux universitaires) après une thèse.
Le marché reste très porteur : en France, le nombre d'offres d'emploi exigeant des compétences en IA est passé d'environ 11 000 en 2018 à plus de 77 000 en 2023, avec des rémunérations en moyenne 25 % supérieures aux autres métiers de la tech. La pénurie de profils est particulièrement forte dans la banque, l'assurance, la santé, l'industrie et les grandes métropoles. Attention toutefois : le marché s'est professionnalisé. Les recruteurs attendent désormais des compétences concrètes de mise en production (MLOps, cloud) et une maîtrise de l'IA générative, et la demande s'est en partie déplacée vers les data engineers et les ingénieurs LLM. Les postes purement « exploratoires » pour débutants sans expérience sont plus rares : les stages, l'alternance et un portfolio de projets font la différence.