Opérateur de saisie

États-Unis. Le tableau des projections indique pour les opérateurs de saisie (« Data entry keyers », 43-9021) 131 800 emplois en 2025 et 98 200 en 2035, soit une variation de −33 600 ou −25,5 %, avec environ 7 700 postes à pourvoir par an. Le tableau ne donne aucune raison au déclin ; la projection compte des emplois dans un seul pays et n'attribue pas le changement à l'IA.

Une personne nommée, ayant une position reconnue, a publiquement prédit quelque chose, à une date, dans une déclaration attribuable. On l'enregistre pour que qui a dit quoi, et quand, reste vérifiable — et cela ne déplace jamais l'appréciation d'une tâche, car une prévision n'est pas une observation. Sa valeur arrive plus tard : l'enregistrement se trouve sur la même page que les preuves concernant ce métier, donc qui lit la prévision lit à côté le relevé de ce qui s'est passé ensuite. C'est là que les comptes se font ; ce site ne publie aucun verdict sur la réalisation d'une prévision.

Le rapport annuel d'une entreprise d'externalisation des processus métier. Il indique que sa plateforme de traitement intelligent des documents, associée à un traitement des exceptions dédié avec un humain dans la boucle, convertit la correspondance en données électroniques et réduit le besoin de personnel dédié au service courrier qui ouvre, examine et trie les documents, et que dans les secteurs fortement réglementés les flux automatisés exigent toujours une supervision humaine dédiée, son personnel traitant les exceptions complexes, les données sensibles et le contrôle qualité. C'est l'entreprise qui décrit le service qu'elle vend.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Le rapport annuel d'une entreprise de données financières. Il indique qu'elle a continué à déployer et à améliorer des processus de collecte et d'intégration de données fondés sur l'IA, avec des normes indépendantes et une gouvernance avec un humain dans la boucle axée sur la couverture, la fiabilité et la rapidité de traitement, tout en maintenant la qualité des données. C'est l'entreprise qui décrit ses propres opérations ; elle ne relie aucune variation des effectifs à l'IA.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Un banc d'essai d'extraction de données structurées à partir de 35 documents PDF dotés d'étiquettes de référence annotées par des personnes, soit 12 867 champs au total. Les auteurs rapportent que les modèles de pointe restent peu fiables sur des schémas réalistes, que les performances se dégradent fortement avec l'étendue du schéma, jusqu'à 0 % de sorties valides sur un schéma de reporting financier de 369 champs pour tous les modèles testés, et que sur un domaine les modèles atteignent 90 % de sorties valides mais un taux de réussite de seulement 12,5 %. Les auteurs travaillent dans une entreprise qui vend des produits documentaires ; c'est un banc d'essai, non une mesure de la pratique.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

États-Unis, l'IRS. L'audit indique que les projets pilotes dans lesquels des prestataires numérisaient des déclarations papier et en extrayaient les données ont prouvé que les déclarations papier peuvent être numérisées, mais que seuls environ 3,8 millions (7 %) des 53,3 millions de formulaires 940, 941 et 1040 déposés sur papier et reçus de février 2023 à décembre 2024 ont été traités ainsi ; en mai 2025, les prestataires avaient numérisé près de 517 000 (5 %) des 9,8 millions reçus lors de la saison déclarative 2025. En septembre 2025, l'IRS a attribué des contrats de numérisation d'un total de 2,3 milliards de dollars jusqu'à l'exercice budgétaire 2030, et les prestataires doivent recruter du personnel pour réceptionner et ouvrir le courrier et vérifier l'exactitude des données des déclarations. Un travail qui passe à des prestataires n'est pas la même chose qu'un travail automatisé.

Essai à petite échelle dans un cadre réel. Cela nous dit que les conditions de déploiement sont mises à l'épreuve, non qu'elles sont réunies — donc un pilote ne suffit jamais à lui seul ; deux indépendants suffisent.

Un banc d'essai d'extraction de champs de factures et de tickets de caisse par des modèles de langage, sans exemple préalable (zero-shot), sur des jeux de données ouverts. Les auteurs rapportent que Gemini 2.5 Pro a obtenu la meilleure exactitude sur les trois jeux de données : 87,46 % sur les tickets de caisse numérisés, 96,50 % sur les factures propres et 92,71 % sur les factures numérisées. Il mesure l'exactitude par champ sur des jeux de données publics, non l'usage dans les services de comptabilité fournisseurs.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

États-Unis, le centre de traitement du Census Bureau, où des agents saisissent toutes les réponses manuscrites libres des questionnaires numérisés. Lors d'un test portant sur plus de 71 000 valeurs, la reconnaissance de caractères a concordé avec la valeur saisie environ 73 % du temps ; elle n'en a pas lu près de 27 %, et lorsqu'elle ne peut pas déterminer la valeur d'un champ, le champ va à un opérateur de saisie. Sur toutes les valeurs qu'elle a lues, 0,3 % étaient erronées, moins que le taux d'erreur de 1 % exigé pour les lots saisis. C'est un test ancien portant uniquement sur des champs numériques.

Essai à petite échelle dans un cadre réel. Cela nous dit que les conditions de déploiement sont mises à l'épreuve, non qu'elles sont réunies — donc un pilote ne suffit jamais à lui seul ; deux indépendants suffisent.

Si vous envisagez ce métier, attendez-vous à moins d'emplois de pure saisie, et visez les postes qui subsistent autour de la machine : contrôler les enregistrements, traiter les exceptions et les données sensibles, et connaître les règles que les données doivent respecter.

Attendez-vous à ce que le volume que vous saisissez à la main diminue à mesure que les documents sont lus par des logiciels, et à ce que votre travail glisse vers la relecture de ce qu'ils font mal. Connaître le domaine derrière les données (fiscalité, sinistres, finance) est ce qui fait de vous la personne qui traite les exceptions.

Refaçonner le poste

Passer de la saisie au contrôle et aux exceptions

La capture automatisée envoie à des personnes ce qu'elle ne peut pas lire et ce qui doit être contrôlé.

Mouvement latéral

Évoluer vers un poste métier qui utilise les données

Savoir ce que signifient les données (dans les sinistres, la facturation ou la comptabilité) se transpose à des postes qui décident sur leur base.

Rester et se renforcer

Rester là où le papier et les données sensibles demeurent

Les organismes publics reçoivent encore de grands volumes de papier, et la numérisation a été lente.

Une grande partie de la saisie, oui, avec le temps ; le contrôle, pas encore. Les projections américaines prévoient que l'emploi d'opérateur de saisie recule de 25,5 % de 2025 à 2035, et les machines lisent désormais les formulaires de recensement, les déclarations fiscales et les documents financiers. Mais les bancs d'essai d'extraction montrent que les modèles font encore des erreurs qui demandent une relecture, et les entreprises qui automatisent la capture gardent des personnes pour les exceptions et la qualité.

Nous ne répondons pas à cette question par un nombre d'années. Observez quelle part du travail de votre équipe arrive déjà extraite par un logiciel, et si votre employeur a signé un contrat de numérisation. Ces signaux vous en disent plus sur votre propre emploi que n'importe quelle date.

La projection américaine ne le dit pas. Elle prévoit que l'emploi d'opérateur de saisie passe de 131 800 à 98 200 entre 2025 et 2035, mais n'en donne aucune cause ; nous n'attribuons donc pas le déclin à l'IA.

Celles que les machines renvoient aux personnes : contrôler les enregistrements par rapport aux sources, traiter les documents que les logiciels ne peuvent pas lire, et connaître les règles du domaine dont proviennent les données.