Avant l'IA, il y a la saisie

Pour le recensement américain de 1880, il a fallu entre sept et près de dix ans de dépouillement, selon les sources. Les résultats arrivaient alors que la population avait déjà changé. Pour celui de 1890, le Census Office utilise pour la première fois le système électrique d'un de ses anciens employés, Herman Hollerith : chaque personne devient une carte perforée, et une machine lit les trous en faisant passer du courant. Le dépouillement tombe à deux ou trois ans.

L'entreprise de Hollerith finira, après plusieurs fusions, par devenir IBM. L'histoire retient la machine. La photo ci-dessus rappelle autre chose : en 1940, cinquante ans plus tard, une opératrice perfore encore les cartes à la main, une par une, à partir des formulaires remplis par les agents recenseurs. La machine lisait vite. Mais quelqu'un devait toujours traduire le monde dans le format que la machine comprenait.

La saisie n'a pas disparu, elle a changé de forme

Aujourd'hui, on attend de l'IA qu'elle lise à notre place : les factures en PDF, les emails de clients, les formulaires mal remplis, les notes vocales. Et elle le fait plutôt bien. Un modèle de langage sait extraire un montant, une date et un nom de fournisseur d'une facture qu'il n'a jamais vue.

Le travail de l'opératrice n'a donc plus besoin d'être fait à la main. Mais une partie de ce travail ne relevait pas du geste. Elle relevait de la décision :

• quelle case remplir ;
• que faire d'une réponse illisible ;
• comment noter un cas qui ne rentre dans aucune catégorie.

Ces décisions-là, quelqu'un doit encore les prendre. Si personne ne les prend, c'est le modèle qui les prend, en silence, et différemment d'un document à l'autre.

Ce qui casse vraiment dans un projet d'extraction

Prenons une demande de devis reçue par formulaire : « bjr besoin devis pr 3 postes urgent svp », avec un nom en majuscules et un email écrit avec des capitales au hasard. L'IA en tire sans peine l'intention, l'urgence et le nombre de postes. Les problèmes viennent d'ailleurs :

• Les champs que personne n'a définis. On demande à l'IA « les informations utiles ». Elle en rend sept un jour, quatre le lendemain. Rien ne peut être branché derrière.
• Les doublons. Le même client écrit trois fois, sous trois orthographes. Sans règle pour les rapprocher, l'outil crée trois fiches.
• Le doute non signalé. Le montant est ambigu, la date aussi. Le modèle choisit une valeur plausible et la présente avec la même assurance que les autres.
• La source perdue. On ne garde que le résultat de l'extraction. Le jour où il est faux, impossible de vérifier ce que disait le document d'origine.

Aucun de ces problèmes n'est un problème d'IA. Ce sont des problèmes de saisie, au sens où les entendait le bureau du recensement : définir la fiche avant de la remplir.

La personne au bout de la chaîne

Il reste une question que l'automatisation pose toujours : qui regarde les cas limites ? Dans les outils que je construis, ce n'est jamais personne. Les fiches marquées « à vérifier » arrivent à quelqu'un de précis, au bon endroit, avec le document à côté. Cette personne passe quelques minutes par jour là où elle passait des heures, mais elle reste là.

L'IA est une excellente perforatrice. Elle ne sait pas, seule, ce que la carte doit contenir.

C'est d'ailleurs souvent là que se joue la réussite d'un projet. Pas dans le choix du modèle, qui change tous les six mois, mais dans la qualité de la fiche, qui dure.

Sources

• About the 1890 Census, U.S. Census Bureau, consulté le 10 novembre 2026.
• The punched card tabulator, IBM, consulté le 10 novembre 2026.
• Herman Hollerith's Tabulating Machine, Smithsonian Magazine, consulté le 10 novembre 2026.
• Photographie de l'opératrice et du pantographe Hollerith, National Archives via Wikimedia Commons, domaine public.