Rendre les documents scannés exploitables par l’IA
Des milliers de PDF scannés dorment sur les serveurs. On espère que l'IA saura les lire. Elle le peut, à condition de lui donner de bonnes images, un texte vérifiable et un minimum de structure.
Un service juridique veut interroger vingt ans de contrats avec un assistant d’IA. Les contrats existent : ce sont des PDF scannés, certains de travers, d’autres annotés à la main, quelques-uns photocopiés trois fois avant d’être numérisés. Les premières réponses de l’assistant sont impressionnantes, puis l’une d’elles cite une clause qui n’existe pas. Rendre exploitables les documents scannés par l’IA n’est pas un problème d’IA d’abord. C’est un problème de matière première.
Comprendre la chaîne
- Imagenumérisation, qualité
- Textereconnaissance, vérification
- Structuredécoupage, typologie
- Métadonnéesdate, parties, type
- Usage IArecherche, extraction, réponse
Chaque maillon dégradé se répercute sur les suivants. Une IA très performante ne compense pas une image illisible ; elle la complète, parfois avec des suppositions.
Étape 1 : des images exploitables
Pour les nouvelles numérisations, quelques règles évitent l’essentiel des difficultés :
- une résolution de 300 points par pouce pour le texte courant, davantage pour les petits caractères ou les plans ;
- le redressement automatique et la suppression des pages blanches ;
- la couleur ou les niveaux de gris quand des tampons, signatures ou annotations portent du sens ;
- un format d’archivage pérenne (PDF/A) pour l’image de référence ;
- le contrôle visuel d’un échantillon de chaque lot.
Pour le stock ancien, il est inutile de tout renumériser. Mesurer d’abord la qualité sur un échantillon de chaque série ; renumériser seulement les séries critiques dont le texte reconnu n’est pas fiable.
Étape 2 : un texte vérifiable
La reconnaissance optique de caractères (OCR) transforme l’image en texte. Les moteurs actuels donnent d’excellents résultats sur un texte imprimé propre ; ils peinent sur l’écriture manuscrite, les tableaux complexes et les copies dégradées. Les modèles d’IA multimodaux lisent souvent mieux ces cas difficiles.
Un moteur OCR classique qui ne lit pas un mot produit un caractère erroné, visible. Un modèle génératif qui ne lit pas un mot peut produire un mot plausible, invisible. Sur des documents à enjeu (contrats, actes, dossiers médicaux), conserver un texte issu d’un OCR avec son score de confiance, et signaler les zones douteuses, plutôt que de faire confiance aveuglément à une transcription fluide.
Dans tous les cas, l’image d’origine reste la référence. Le texte reconnu est une couche dérivée, qu’on peut refaire quand les outils progressent.
Étape 3 : de la structure
Un PDF de 200 pages qui contient trente documents différents est mal exploitable, même parfaitement reconnu. La structuration consiste à :
- Découper Séparer les documents agrégés dans un même fichier : un contrat, ses annexes, ses avenants.
- Typer Attribuer un type à chaque document (contrat, avenant, facture, courrier, procès-verbal). La classification automatique fonctionne bien quand les types sont peu nombreux et bien définis.
- Repérer les éléments clés Titres, articles, tableaux, signatures, dates. Pour un contrat : les parties, l’objet, la durée, les clauses de résiliation.
Étape 4 : quelques métadonnées bien choisies
Les métadonnées rendent les documents interrogeables par des filtres simples, ce que le texte brut ne permet pas : « tous les contrats signés avec ce fournisseur entre 2015 et 2020 ». Cinq à dix champs suffisent souvent : type, date, parties ou auteur, référence, statut (en vigueur, résilié). Ils peuvent être extraits automatiquement, puis vérifiés sur un échantillon.
C’est souvent cette étape qui fait la différence pour un assistant d’IA. Un système de recherche augmentée (RAG) qui peut filtrer par type et par date avant de chercher dans le texte donne des réponses nettement plus fiables qu’un système qui cherche dans tout le stock à la fois.
Étape 5 : mesurer avant de faire confiance
Avant de brancher un assistant ou une extraction automatique sur le stock, mesurer.
| Contrôle | Méthode | Décision |
|---|---|---|
| Qualité du texte | Comparer le texte reconnu au document sur un échantillon de pages | Renumériser ou corriger les séries trop dégradées |
| Justesse des métadonnées | Vérifier manuellement un échantillon de champs extraits | Ajuster les règles d’extraction, ou garder une validation humaine |
| Fiabilité des réponses | Jeu de questions dont on connaît la réponse, sources à l’appui | Décider des usages autorisés : recherche, aide, ou décision |
Exiger que chaque réponse de l’assistant cite le document et la page source. C’est la meilleure protection contre les réponses inventées : l’utilisateur peut vérifier en un clic.
Ne pas oublier la valeur probante
Le traitement par l’IA ne modifie pas la valeur juridique des documents, à condition de conserver l’image numérisée intacte, dans un système qui en garantit l’intégrité. En France, la norme NF Z42-026 encadre la numérisation fidèle. Voir à ce sujet notre article sur la valeur probante des copies numériques.
Premier pas
Choisir une série de documents à forte valeur, en prélever cent pages au hasard, et mesurer : qualité d’image, justesse du texte reconnu, possibilité d’extraire cinq métadonnées. Le résultat dit s’il faut renumériser, structurer ou simplement brancher. Notre offre IA en entreprise et notre expertise automatisation des processus partent de ce diagnostic.
Questions fréquentes
Un modèle d'IA peut-il lire directement un PDF scanné ?
Oui, les modèles multimodaux récents lisent des images de documents. Mais sur une image floue, tachée ou manuscrite, ils peuvent produire un texte plausible et faux. Conserver une reconnaissance de texte classique, vérifiable, et comparer les deux sur les cas douteux reste prudent.
Faut-il renumériser les anciens documents ?
Pas tous. Commencer par mesurer la qualité d'un échantillon : si le texte reconnu est fiable, inutile de renumériser. Réserver la renumérisation aux lots critiques dont la qualité est insuffisante.
Les documents scannés traités par l'IA gardent-ils leur valeur probante ?
La valeur probante dépend du processus de numérisation et de conservation (en France, la norme NF Z42-026 encadre la copie fiable), pas du traitement par l'IA. L'image originale numérisée doit être conservée intacte ; le texte et les données extraits en sont des dérivés.