L’IA va-t-elle remplacer les opérateurs de saisie ? ABBYY ou UiPath revendiquent 90 à 99 % de précision sur les formulaires types. Ce qui reste humain.
La transcription pure est la partie de la saisie de données qui a déjà disparu ; ce n’est plus un risque à venir. Le premier Magic Quadrant de Gartner consacré au traitement intelligent des documents, publié en 2025, confirme la maturité atteinte par des outils comme ABBYY, UiPath et Hyperscience, qui revendiquent jusqu’à 99 % de précision sur les formulaires standard.
Les opérateurs de saisie font bien plus que taper des informations dans un système. Dans la pratique, ils s’occupent aussi de la transcription des formulaires, de l’importation de fichiers CSV et de listes, de la vérification des champs manquants, du repérage des notations incohérentes et de la mise en forme des informations pour que les processus en aval puissent réellement les exploiter. En 2026, les plateformes de traitement intelligent des documents évaluées par Gartner, dont ABBYY, Hyperscience et UiPath, prennent en charge à grande échelle la version standardisée de ce travail.
La valeur de ce poste tient moins à la seule vitesse de frappe qu’à la capacité d’empêcher que des données erronées n’entrent dans le circuit de travail. L’IA peut automatiser une grande partie de la transcription, de l’étiquetage et des vérifications de base, mais le traitement des données incohérentes, en double ou exceptionnelles continue généralement de revenir aux humains.
Calculé par ai-job-risk.net à partir de quatre jeux de données publics, sur une échelle de 0 à 100 relative aux 188 métiers que nous couvrons. Plus le chiffre est élevé, plus les tâches du métier sont des tâches que l’IA générative peut accomplir ou pour lesquelles elle est déjà utilisée. Ce n’est pas une probabilité de perdre son emploi.
Analyse des tâches par des chercheurs (Eloundou et al. ; OIT). Exprimée en centile parmi tous les métiers qu’ils évaluent.
Usage observé de Microsoft Copilot et d’Anthropic Claude pour les tâches de ce métier. Exprimé en centile parmi tous les métiers qu’ils évaluent.
Substitution du capital au travail : la part de cette profession dans l'emploi des secteurs qui l'emploient devrait diminuer, car les organisations gèrent, stockent et analysent des quantités croissantes de données, ce qui exige de remplacer les méthodes traditionnelles de saisie de données par des processus automatisés reposant sur des technologies élargies, dont l'intelligence artificielle (IA), l'apprentissage automatique (ML), la capture mobile de données et la reconnaissance optique de caractères (OCR).
Capital/labor substitution - share decreases as organizations increasingly manage, store, and analyze large quantities of data, requiring traditional data entry methods to be replaced by automated processes through use of expanded technologies, including artificial intelligence (AI), machine learning (ML), mobile data capture, and optical character recognition (OCR).
Chiffres américains pour la catégorie professionnelle du BLS « Data entry keyers ». Les projections du BLS supposent que la technologie continue d’évoluer à son rythme historique ; elles ne constituent pas une prévision de l’effet de l’IA à elle seule.
Sources
Indice d’exposition calculé par ai-job-risk.net à partir des jeux de données ci-dessous (données au 15 octobre 2026). Les chiffres du travail américains proviennent du BLS, sans modification.
Les éditeurs de ces données n’ont ni préparé, ni relu, ni approuvé ce site. Citations complètes, licences et méthode
L’IA a déjà remplacé l’essentiel de ce que l’on appelait autrefois la saisie de données, et pour répondre honnêtement à la question de savoir si elle finira le travail, il faut reconnaître que la partie standardisée du métier a déjà en grande partie disparu. Gartner a publié en septembre 2025 son tout premier Magic Quadrant consacré au traitement intelligent des documents (IDP), en désignant comme leaders ABBYY, Hyperscience, Infrrd, Tungsten Automation et UiPath, et en 2026, les meilleures plateformes de cette catégorie revendiquent toutes une précision de 90 à 99 % sur les formats de documents courants. C’est précisément le travail pour lequel on embauchait autrefois un opérateur de saisie chargé de le faire à la main.
Ce qui n’a pas été automatisé, c’est tout ce qui se passe lorsqu’un document ne correspond pas au modèle attendu. Rossum, autre acteur majeur du secteur qui compte plus de 450 grandes entreprises clientes, se positionne justement sur les documents transactionnels dont le format varie, soit exactement le cas qui met en échec les outils d’OCR plus simples. L’écart entre 90 et 99 % de précision correspond précisément à la place qu’un humain doit encore occuper : une poignée d’enregistrements sur cent qu’un modèle lit mal, rapproche à tort ou signale comme incertains.
Il existe aussi une raison réglementaire de plus en plus forte de maintenir une personne dans la boucle. Les obligations prévues par le règlement européen sur l’IA n’étant plus théoriques en 2026, les organisations qui traitent des documents au moyen de chaînes automatisées ont de plus en plus besoin d’un contrôle humain documenté des résultats, et pas seulement d’un contrôle rapide. Le travail de saisie passe ainsi de la frappe de caractères dans un système au rôle de dernier contrôle responsable, chargé de vérifier si les résultats d’une chaîne automatisée sont réellement fiables.
Les plateformes de traitement intelligent des documents sont les plus performantes précisément sur le travail standardisé et volumineux que désignait par défaut la saisie de données : lire un formulaire connu et transférer ses champs dans un système.
Les plateformes désignées comme leaders dans le Magic Quadrant 2025 de Gartner consacré au traitement intelligent des documents, dont ABBYY, Hyperscience et UiPath, revendiquent désormais une précision comprise entre 90 et 99 % sur les formulaires standard. Plus la mise en page est prévisible, moins il y a de raisons qu’une personne la saisisse à la main.
Les traitements de base qui consistent à importer des fichiers CSV ou des listes dans des systèmes cibles sont eux aussi faciles à automatiser, en particulier lorsque la structure est claire et que les champs s’alignent de façon cohérente sur l’ensemble d’un lot.
Les tâches d’étiquetage simples, fondées sur des règles connues et des exemples cohérents, sont de plus en plus prises en charge par l’IA à grand volume. Lorsque les catégories sont stables et que les exemples d’entraînement sont propres, ce type de tri de routine n’exige plus qu’une personne traite les enregistrements un par un.
L’IA est bien adaptée pour signaler à grande vitesse les champs vides et les erreurs de format évidentes. Mais des personnes restent nécessaires lorsque la question n’est pas seulement qu’il manque quelque chose, mais de savoir si l’enregistrement a encore un sens une fois complété.
Les taux de précision mis en avant par les éditeurs d’IDP, de 90 à 99 %, sont aussi un aveu : entre un enregistrement sur dix et un sur cent nécessite encore l’intervention d’une personne, et ce sont rarement les plus simples.
Même les plateformes que Gartner classe parmi les leaders lisent encore parfois mal des caractères, rapprochent à tort des dénominations incohérentes ou butent sur des variantes de notation. Il faut toujours quelqu’un pour repérer et corriger ces cas avant qu’ils n’abîment discrètement les données sur lesquelles s’appuient tous les utilisateurs en aval.
Déterminer si deux enregistrements similaires désignent la même personne, la même entreprise ou le même article ne se résume pas toujours à une simple correspondance de motifs, surtout lorsque les informations sont incomplètes ou mises en forme de manière incohérente. Des plateformes comme Rossum sont conçues précisément pour ce type de désordre transactionnel, mais la décision finale nécessite encore souvent une personne.
Lorsqu’un enregistrement ne correspond pas au schéma habituel, il faut encore que quelqu’un décide de ce qu’il faut en faire, auprès de qui le confirmer et s’il peut poursuivre son circuit. Ce type de gestion des exceptions est exactement ce qui échappe à un taux de précision de 90 à 99 %.
Les obligations du règlement européen sur l’IA étant désormais une exigence de conformité bien réelle et non plus une perspective lointaine, les organisations ont besoin d’un contrôle humain documenté du traitement automatisé des documents, et pas seulement d’une chaîne de traitement rapide. Garantir la qualité pour le processus suivant, comme pour le régulateur, reste une responsabilité humaine.
Pour les opérateurs de saisie, l’avenir dépend moins de la vitesse brute que du souci de la qualité des données et de la gestion des exceptions, ainsi que de l’aisance à vérifier le travail des outils automatisés plutôt qu’à rivaliser avec eux.
Comprendre ce qui rend des données exploitables et cohérentes, et pas seulement complètes, compte davantage à mesure que les chaînes automatisées prennent en charge l’essentiel de la saisie courante. Les personnes qui savent comment une petite erreur s’amplifie en aval apportent bien plus que celles qui ne se concentrent que sur la vitesse de saisie.
Lorsque des données tombent dans l’angle mort que le taux de précision d’une plateforme d’IDP ne couvre pas, il faut encore que quelqu’un décide de ce qu’il faut confirmer, auprès de qui et dans quel ordre. Cette compétence devient le cœur du métier, et non plus une tâche annexe.
Savoir travailler dans des plateformes comme ABBYY, UiPath ou Rossum, et savoir où leurs promesses de précision risquent le plus de flancher face à des documents désordonnés ou inhabituels, a désormais plus de valeur que n’en a jamais eu la vitesse de frappe brute.
La maîtrise des tableurs, le travail de nettoyage et les compétences de transformation simples comptent davantage dans un environnement assisté par l’IA, car ce sont elles qui permettent à une personne de vérifier et d’affiner les résultats automatisés au lieu de se contenter de ressaisir manuellement des données brutes.
L’expérience d’opérateur de saisie forge bien plus que des compétences de frappe. Elle crée des atouts en qualité des données, en gestion des exceptions et en traitement structuré de l’information, ce qui permet d’évoluer vers des fonctions qui accordent davantage de poids à l’exactitude, à la vérification des données ou à leur facilité d’exploitation en aval.
L’expérience de l’organisation de l’information et du maintien de l’exactitude se transpose naturellement à un travail administratif plus large. Cette voie convient aux personnes qui veulent passer de la saisie pure à un ensemble plus vaste d’opérations de bureau.
Indice d’exposition 89/100 · Emploi É.-U. 2025–35 -6,0%
Les personnes déjà habituées à manipuler des enregistrements structurés et à repérer les incohérences peuvent souvent évoluer vers des fonctions de soutien en finance. Cette voie convient à ceux qui veulent appliquer un travail minutieux sur les données dans un contexte comptable.
Indice d’exposition 78/100 · Emploi É.-U. 2025–35 -5,6%
Un sens aigu de la qualité des données peut servir de socle à un travail d’analyse. C’est une bonne option pour les personnes qui veulent passer de la saisie des données à leur interprétation et à leur exploitation.
Indice d’exposition 95/100 · Emploi É.-U. 2025–35 +34,6%
L’habitude de traquer les erreurs, les incohérences et les cas limites se transpose également bien à l’assurance qualité. Cette voie convient aux personnes qui veulent mettre leur précision au service des tests et de la validation.
Indice d’exposition 95/100 · Emploi É.-U. 2025–35 +5,7%
La capacité à organiser l’information avec exactitude et à gérer les petites exceptions est aussi un atout pour un travail de coordination plus large. Cette voie convient aux personnes qui veulent passer d’un traitement centré sur les données à des fonctions de soutien et de planification.
Indice d’exposition 91/100 · Emploi É.-U. 2025–35 -6,0%
La transcription pure est la partie de la saisie de données qui a déjà disparu ; ce n’est plus un risque à venir. Le premier Magic Quadrant de Gartner consacré au traitement intelligent des documents, publié en 2025, confirme la maturité atteinte par des outils comme ABBYY, UiPath et Hyperscience, qui revendiquent jusqu’à 99 % de précision sur les formulaires standard. Ce qui reste, c’est l’écart que ces chiffres reconnaissent : les enregistrements désordonnés, les rapprochements de doublons, les exceptions et, de plus en plus, le contrôle humain documenté qu’exigent désormais des règles de conformité comme le règlement européen sur l’IA. Les perspectives de carrière dépendent moins de la vitesse de frappe que de la capacité à repérer ce qu’une chaîne automatisée fait de travers.
Ces métiers appartiennent au même secteur que Commis à la saisie des données. Ils ne recouvrent pas exactement le même travail, mais ils permettent de comparer plus facilement l’exposition à l’IA et la proximité de parcours.
Commis à la saisie des données obtient 93 sur 100 sur notre indice d’exposition à l’IA générative (rang 22 sur 188). Cela mesure quelle part du travail l’IA peut accomplir ou sert à accomplir, et non si le métier va disparaître. Le BLS prévoit une évolution de -25,5% de l’emploi de Commis à la saisie des données aux États-Unis entre 2025 et 2035.
Les plateformes de traitement intelligent des documents sont les plus performantes précisément sur le travail standardisé et volumineux que désignait par défaut la saisie de données : lire un formulaire connu et transférer ses champs dans un système. Par exemple : La transcription de formulaires standard; L’importation de données CSV et de listes; La classification et l’étiquetage de base; Les premières vérifications des champs manquants.
Les taux de précision mis en avant par les éditeurs d’IDP, de 90 à 99 %, sont aussi un aveu : entre un enregistrement sur dix et un sur cent nécessite encore l’intervention d’une personne, et ce sont rarement les plus simples. Par exemple : Corriger les erreurs de lecture et les incohérences de notation; Vérifier les doublons et rapprocher les entités; Décider du traitement des données exceptionnelles; Un contrôle qualité tenant compte de la conformité et de l’usage en aval.
Pour les opérateurs de saisie, l’avenir dépend moins de la vitesse brute que du souci de la qualité des données et de la gestion des exceptions, ainsi que de l’aisance à vérifier le travail des outils automatisés plutôt qu’à rivaliser avec eux. Par exemple : Comprendre les normes de qualité des données; Savoir organiser la gestion des exceptions et les circuits de confirmation; L’aisance dans la relecture et la correction des résultats d’IDP et d’OCR; Des compétences de base en tableur et en nettoyage de données.
