Tu as passé cinq ans à maîtriser dbt, Airflow, Spark. Tes pipelines tournent. Tes dashboards sont propres. Et puis un matin, tu ouvres un LLM, tu lui décris une transformation en langage naturel, et il te sort le code en trente secondes.

Première réaction : menace.

La bonne : pivot.

Ce qui disparaît, et pourquoi c’est une bonne nouvelle

Le code que tu écris n’est pas ta valeur. Il ne l’a jamais été.

Ta valeur, c’est la compréhension du problème. Savoir pourquoi cette jointure, ce grain, cette fenêtre de calcul. Le code n’est que l’implémentation de cette compréhension. Si un LLM peut l’écrire à ta place, c’est la preuve que la partie mécanique est soluble, pas que ton métier l’est.

Les tâches répétitives de tuyauterie sont les premières absorbées. Cinq pipelines similaires pour cinq équipes différentes : l’IA les génère plus vite que toi, avec une cohérence que tu ne peux pas garantir à 3h du matin.

La partie exécution de ton job est en train de devenir une commodité. La partie compréhension, elle, devient ton seul avantage concurrentiel.

Ça fait peur. Mais regarde ce que ça libère.

Le nouveau job : orchestrateur, pas exécutant

Regarde autour de toi. Les métiers posent des questions en langage naturel à des assistants. Les analystes construisent leurs propres explorations avec des outils low-code augmentés. Les décideurs veulent des réponses sans intermédiaire.

Quelqu’un doit construire la couche qui rend tout ça possible.

Ce quelqu’un, c’est toi.

Ton job n’est plus de répondre aux questions. C’est de construire le système qui permet à chacun de répondre aux siennes.

Fiable. Gouverné. Scalable. Avec les bonnes données au bon endroit au bon moment. Sans que personne ait besoin de comprendre ce qu’est un DAG ou une window function.

Tu n’es plus le producteur de données. Tu es le constructeur de l’usine.

Platform engineer : le vrai titre de 2026

Le terme est encore flou, mais la réalité est là : le data engineer glisse vers le platform engineer spécialisé data. La différence tient en une phrase.

Avant, tu construisais des pipelines. Maintenant, tu conçois l’expérience de ceux qui vont les utiliser sans toi.

Ça veut dire quoi, concrètement :

• Tu penses en API et en contrats plutôt qu’en scripts.
• Tu penses en produit : qui sont tes utilisateurs, quel est leur flux, où sont les frictions.
• Tu penses en gouvernance : qui accède à quoi, dans quel cadre, avec quelle traçabilité.
• Tu penses en éducation : former, documenter, rendre autonome.

Tu ne livres plus des datasets. Tu livres une expérience.

C’est un changement de posture radical. Et il ne va pas de soi.

Le schéma

↓ LE BASCULEMENT

AUJOURD’HUI Data Engineer → Plateforme

→ Métier (self-service) Analyste (exploration) Décideur (questions directes)

Tradeoffs et limites

Ce basculement n’est pas gratuit. Trois angles morts à regarder en face.

Tout le monde ne veut pas pivoter. Certains aiment coder des pipelines. Ils sont bons là-dedans, et c’est ce qui les fait se lever le matin. Leur dire que leur job devient « construire une expérience développeur pour des analystes métier », c’est leur parler une langue étrangère. Ils ne sont pas de mauvais engineers. Ils sont dans le mauvais paradigme.

La plateforme a un problème de ROI. Un pipeline livré, c’est visible. Une plateforme utilisée par quinze personnes sans que tu le saches, c’est invisible. Ton impact devient plus dur à mesurer, plus dur à vendre en review trimestrielle. Il faut l’assumer, et apprendre à raconter une autre histoire.

Le risque de construire dans le vide est réel. Combien de plateformes magnifiques n’ont jamais trouvé leurs utilisateurs parce que personne n’a été écouté avant la première ligne de code ? Si tu construis une plateforme sans passer du temps avec ceux qui vont s’en servir, tu construis un monument. Pas un outil.

Cette posture exige des compétences hybrides. Technique, oui. Mais aussi produit, pédagogie, communication. On ne devient pas enabler en six mois de formation. On le devient en passant du temps avec les utilisateurs, en itérant, en échouant sur la mauvaise abstraction et en recommençant.

C’est plus dur que de pousser du code. Mais c’est là qu’est la valeur.

Pour finir

Le data engineer de 2026 ne disparaît pas. Il devient invisible.

Quand un métier répond à sa propre question sans même se demander s’il y a un pipeline derrière, c’est que le data engineer a réussi. La plateforme tourne, les données sont fraîches, la gouvernance est respectée : tout ça sans que personne ne le voie.

C’est le signe ultime que tu es devenu un enabler. Pas un exécutant.

Avant de poster

Avant de repenser ton poste, trois questions. Dans cet ordre.

1. Quelle est la dernière fois qu’un métier t’a demandé quelque chose qu’il aurait pu faire lui-même avec le bon outil ? Si la réponse est « cette semaine », tu construis peut-être la mauvaise chose.

2. Quel pourcentage de ton temps passes-tu à construire des pipelines vs à outiller les autres pour qu’ils n’aient pas besoin de toi ? Si le ratio est 90/10, ton poste est en danger. Pas à cause de l’IA. À cause de toi.

3. Si ton poste disparaissait demain, les gens autour de toi seraient-ils bloqués, ou leur as-tu donné les clés ? La réponse dit tout de ton impact réel.