OCR et IA : comment lire automatiquement vos documents

OCR classique ou extraction par IA : quelle différence ?

Un logiciel OCR prend une image (scan, photo, PDF image) et renvoie du texte, avec pour chaque mot une position et un score de confiance. Sur un document propre et bien cadré, c'est fiable et bon marché. Mais l'OCR ne sait pas qu'il lit une facture, ne distingue pas le total avant taxes du total à payer et confond les colonnes d'un tableau mal aligné.

L'extraction de données par IA (document AI, ou traitement intelligent de documents) ajoute trois couches :

• La compréhension de la mise en page : titres, tableaux, cases à cocher, tampons, signatures, zones manuscrites, pour reconstituer la structure logique du document.
• L'extraction d'entités : un modèle de langage ou un modèle multimodal lit le texte et l'image, identifie les champs attendus (émetteur, date, numéro, lignes, montants, clauses) et les renvoie dans un format structuré, même quand le document a une mise en page inconnue.
• La validation : règles métier (le total des lignes doit égaler le total avant taxes, le SIRET doit exister, la date doit être plausible), score de confiance par champ, et envoi en relecture humaine sous un seuil.

Une « solution OCR » achetée aujourd'hui pour la comptabilité ou la logistique est presque toujours une chaîne des deux : un moteur OCR pour le texte, un modèle pour le sens. La question utile est : sur quels documents, avec quelle précision mesurée, pour quelle intégration.

Les cas d'usage : factures, notes de frais, contrats, CMR, PLU

Factures fournisseurs et OCR comptabilité

Le cas le plus fréquent. Les factures arrivent par e-mail, en PDF natif ou scanné, sous des centaines de mises en page. La solution extrait l'émetteur, les références, les lignes, la TVA par taux, les échéances, rapproche avec le bon de commande et propose l'imputation. Elle s'intègre à Pennylane, Sage, Cegid ou à l'outil de pré-comptabilité du cabinet. Les logiciels OCR comptabilité du marché couvrent les factures standard ; le sur-mesure se justifie sur les gros flux, les formats particuliers ou une intégration profonde avec l'ERP. Voir IA pour experts-comptables.

Notes de frais

Tickets froissés photographiés au téléphone, reçus thermiques pâlis, additions manuscrites : une solution OCR notes de frais doit lire des images de mauvaise qualité, distinguer le montant payé du pourboire, reconnaître la TVA récupérable et vérifier la politique de remboursement (plafonds, justificatif exigé).

Contrats et documents juridiques

Baux, contrats cadres, conditions générales, avenants : l'enjeu est moins la lecture que l'extraction de clauses (durée, conditions de sortie, indexation, responsabilité) et la comparaison avec un modèle de référence. Voir IA pour le secteur juridique.

Documents logistiques : CMR, bons de livraison, documents douaniers

Lettre de voiture CMR avec réserves manuscrites, bon de livraison signé, packing list, DAU, certificat d'origine : photographiés dans un camion, souvent de travers. L'OCR pour documents logistiques doit lire l'imprimé et le manuscrit, repérer les cases cochées et les signatures, puis rapprocher avec la commande dans le TMS pour déclencher la facturation ou instruire un litige. Détail sur IA pour la logistique.

Documents scannés anciens : PLU, archives, dossiers techniques

Plans locaux d'urbanisme, règlements, rapports scannés il y a vingt ans : pages de travers, tableaux à cheval sur deux pages, annotations. Il faut d'abord choisir le bon moteur OCR par comparaison, puis découper le texte en unités qui respectent la structure (article, zone, tableau) avant de demander au modèle d'extraire les règles. C'est le travail réalisé pour Lokimo, décrit plus bas.

La chaîne de traitement, étape par étape

1. Numérisation et prétraitement. Redressement, recadrage, suppression du bruit, séparation des pages d'un lot. Sur un flux photo, cette étape pèse davantage sur la précision finale que le choix du modèle.
2. OCR. Conversion en texte avec positions et scores. Le moteur se choisit par comparaison sur un échantillon de vos documents.
3. Analyse de mise en page. Détection des blocs, tableaux, colonnes, cases, signatures et tampons.
4. Extraction des entités. Un modèle de langage, ou un modèle multimodal qui voit aussi l'image, renseigne un schéma de champs défini avec vous (type de document, émetteur, dates, montants, lignes, clauses). Chaque champ reçoit un score de confiance et un renvoi vers la zone du document d'où il vient.
5. Validation. Règles de cohérence (totaux, formats, référentiels), rapprochement avec vos données (commande, contrat, fournisseur connu), détection de doublons. Les documents qui passent toutes les règles au-dessus du seuil de confiance sont traités automatiquement ; les autres vont dans une file de relecture avec les champs douteux surlignés.
6. Intégration. Écriture dans l'ERP, le logiciel comptable, le TMS ou la GED, par API ou par export, avec le document source attaché et le journal de ce qui a été lu, décidé et corrigé.

Cette chaîne est celle que je construis dans un projet de développement IA sur mesure. Chaque étape a sa mesure, pour savoir où se perd la précision.

Précision et contrôle humain : à quoi s'attendre

Aucune solution OCR ne lit tout parfaitement, et une solution qui l'affirme n'a pas été mesurée sur vos documents. La bonne façon de raisonner :

• Mesurer champ par champ. Un jeu de test de 100 à 300 documents réels annotés donne la précision réelle par champ et par type de document.
• Séparer l'automatique du relu. L'objectif est d'automatiser entièrement la part des documents où toutes les règles passent et où la confiance est haute, et de réduire la relecture des autres à quelques secondes par document, en présentant le champ douteux à côté de la zone du scan. Sur des flux de factures ou de bons de livraison, la part traitée sans intervention dépend surtout de la qualité des documents entrants ; elle se mesure sur les vôtres.
• Faire remonter les corrections. Chaque correction humaine sert à ajuster les règles, les exemples donnés au modèle ou, à volume suffisant, un modèle spécialisé.
• Distinguer erreur de lecture et erreur de décision. Un montant mal lu est une erreur d'OCR ; une imputation comptable discutable est une décision métier. Les deux ont des garde-fous différents : seuil de confiance pour la première, validation par un comptable pour la seconde au-dessus d'un montant.

Si vous avez déjà une solution OCR en place qui renvoie trop de documents en relecture, l'Audit IA mesure en 3 semaines à quelle étape se perd la précision et livre une preuve de concept sur vos documents.

Deux réalisations : Delibia et Lokimo

Delibia : 200 000 documents par semaine

Delibia, govtech qui équipe 1 200 collectivités, collecte les délibérations et documents administratifs publiés par les communes : PDF natifs, scans, photocopies de photocopies. La chaîne d'extraction documentaire que nous avons mise en place traite 200 000 documents par semaine : détection du type de document, OCR quand le texte n'est pas natif, analyse de structure, extraction des entités (collectivité, date de séance, objet, décisions) et alimentation du système de recherche augmentée par génération (RAG) sur 2,7 millions de délibérations. Détail sur la page réalisation Delibia.

Lokimo : règles d'urbanisme extraites de PLU scannés

Lokimo (PropTech) a besoin des règles d'urbanisme (hauteurs, emprises, reculs, zones) contenues dans les plans locaux d'urbanisme de 10 000 territoires par an, dont beaucoup n'existent qu'en scan de qualité variable. Le travail a commencé par un comparatif de moteurs OCR sur un échantillon représentatif de PLU, puis par la comparaison de trois stratégies de découpage du texte (par page, par article du règlement, par zone avec ses tableaux) avant l'extraction des règles par modèle de langage. Trois preuves de concept ont été livrées, chacune mesurée sur le même jeu de test, pour choisir la combinaison OCR et découpage qui donnait la meilleure exactitude des règles extraites. Détail sur la page réalisation Lokimo.

Point commun : chaque décision technique (moteur, découpage, modèle) a été prise sur des mesures faites sur les documents réels du client.

Les outils : Tesseract, moteurs cloud, modèles multimodaux

Le choix se fait par mesure sur votre échantillon. En général : Tesseract ou PaddleOCR suffisent pour des documents imprimés propres à héberger chez vous ; un moteur cloud apporte un gain net sur les tableaux et le manuscrit ; un modèle multimodal est le bon outil quand les formats sont trop variés pour un schéma fixe, ou pour les cas douteux uniquement, afin de limiter le coût. Un modèle ouvert servi avec vLLM ou Ollama permet de garder cette dernière étape chez vous. Les modèles de Mistral, dont un moteur OCR dédié, offrent une option française hébergeable en Europe.

Coûts et délais d'une solution OCR sur mesure

Ordres de grandeur constatés en France pour un développement par un freelance IA ; une agence IA se situe en général de 30 à 60 % au-dessus pour le même périmètre :

• Un type de document, une intégration (factures vers le logiciel comptable, notes de frais vers l'outil de paie) : de 10 000 à 18 000 €, 4 à 6 semaines.
• Plusieurs types de documents et rapprochement (factures, bons de commande, réceptions ; ou CMR, bons de livraison, documents douaniers) : de 18 000 à 30 000 €, 6 à 10 semaines.
• Extraction à grande échelle ou documents difficiles (archives scannées, réglementaire, multilingue) : sur devis après une preuve de concept sur échantillon, souvent réalisée dans le cadre d'un Audit IA de 3 semaines.
• Exploitation : le coût des moteurs cloud et des modèles va de quelques centimes à quelques dizaines de centimes par page selon l'outil ; un moteur hébergé chez vous ramène ce coût à l'infrastructure. La relecture humaine résiduelle est le poste à surveiller : c'est elle qui fait la rentabilité.

Le délai dépend surtout de la constitution du jeu de test annoté avec vos équipes et de l'accès aux API de vos logiciels. La page prix d'un développement IA sur mesure détaille la construction d'un devis.

Hébergement et confidentialité des documents

Les documents traités contiennent souvent des données personnelles (salariés sur les notes de frais, clients sur les factures, usagers sur les dossiers administratifs) ou des informations contractuelles. Trois niveaux d'hébergement sont possibles :

• Tout chez vous : OCR open source et modèle ouvert sur vos serveurs ou chez un hébergeur français. Aucune donnée ne sort ; le coût d'infrastructure remplace le coût par page. Adapté à la santé, au juridique, au secteur public.
• Hébergement européen : moteurs et modèles opérés dans l'Union européenne, avec un accord de traitement des données conforme au RGPD et sans conservation des documents après traitement.
• Cloud américain : précision et modèles préentraînés au meilleur niveau, sous réserve d'une analyse de transfert de données et d'une pseudonymisation quand elle est possible.

Dans tous les cas, les documents sources et les journaux d'extraction restent dans votre GED, et le système est livré avec son code, ses règles et son jeu de test, pour que rien ne dépende d'un prestataire. Le guide IA souveraine et hébergement en France détaille les options et leurs coûts.

Si vous recevez chaque semaine des documents que quelqu'un ressaisit, un appel de 20 minutes suffit pour estimer ce qu'une solution OCR et IA peut automatiser, sur la base d'un échantillon de vos propres pièces.

Reconnaissance de caractères par intelligence artificielle : ce qui a changé

La reconnaissance de caractères par intelligence artificielle a franchi trois étapes en moins de dix ans : des réseaux de neurones qui lisent une ligne entière, puis des modèles qui lisent le texte et sa position ensemble, enfin des modèles multimodaux qui lisent une page complète, tableaux et mise en page compris. Chaque étape a réduit la part des documents à ressaisir.

Les réseaux de neurones lisent la ligne entière

Les premiers OCR reconnaissaient les caractères un par un, par comparaison avec des formes connues. Depuis sa version 4, sortie en 2018, Tesseract utilise un réseau de neurones récurrent (LSTM) qui lit une ligne entière et tient compte des lettres voisines. Le gain est net sur l'imprimé ; le moteur reste dépendant d'une image propre et d'une analyse de mise en page séparée.

Texte et mise en page lus ensemble

Des modèles comme LayoutLMv3 (Microsoft Research, 2022) prennent en entrée le texte, sa position sur la page et l'image. Ils comprennent qu'un montant placé sous le mot « Total », en bas d'une facture, joue un autre rôle qu'un montant dans une ligne de détail. Ils demandent en général un entraînement sur vos types de documents.

Une page entière en une seule lecture

Depuis 2025, des modèles spécialisés transforment directement l'image d'une page en texte structuré, avec les colonnes et les tableaux reconstitués : Mistral OCR 3 chez Mistral AI, ou des modèles ouverts comme PaddleOCR-VL et olmOCR, hébergeables chez vous, par exemple avec vLLM. Sur les scans de travers ou bruités, ils résistent mieux qu'un OCR classique, et ils lisent nettement mieux les mentions manuscrites courtes. Une écriture cursive longue reste à relire.

Ce qui demande toujours un contrôle

Un modèle multimodal peut compléter un mot illisible par un mot plausible, là où un OCR classique renvoie des caractères incohérents avec un score de confiance bas. L'erreur devient moins visible, donc plus risquée sur un montant ou un numéro de compte. Les règles de validation et la mesure sur vos propres documents restent indispensables : c'est par comparaison sur un échantillon de PLU scannés que le moteur OCR a été choisi pour Lokimo.

Lecture automatique de documents (LAD) et reconnaissance automatique de documents (RAD)

Dans le vocabulaire de la dématérialisation et de la GED, la RAD (reconnaissance automatique de documents) identifie le type d'une pièce, et la LAD (lecture automatique de documents) en extrait les données utiles. Les deux termes viennent des chaînes de numérisation du courrier et des factures ; l'équivalent anglais le plus proche est le traitement intelligent de documents (intelligent document processing, IDP).

Historiquement, la LAD reposait sur des gabarits : pour chaque fournisseur, on indiquait où se trouvaient le numéro, la date et le total. Un modèle de langage ou un modèle multimodal remplit le même schéma de champs quelle que soit la mise en page, et les gabarits disparaissent. Les contrôles restent nécessaires : totaux et rapprochement avec vos référentiels.

Le relevé bancaire illustre bien la chaîne. La RAD reconnaît un relevé et sa banque ; la LAD extrait chaque opération (date, libellé, montant), puis vérifie que le solde de départ augmenté des mouvements donne le solde d'arrivée. Une ligne mal lue fait échouer ce contrôle et part en relecture. Ce traitement revient souvent dans les cabinets d'expertise comptable. En aval, les données extraites alimentent vos logiciels par une automatisation IA, et les documents indexés deviennent interrogeables en langage naturel avec un assistant IA documentaire.