OCR & Document AI — Automatiser l'extraction de vos documents par IA souveraine

#OCR classique vs Document AI IA — Ce qui a changé en 2026

L'OCR (Optical Character Recognition) existe depuis les années 1990. Des outils comme Tesseract (open source, maintenu par Google), ABBYY FineReader ou Amazon Textract ont permis à des millions d'entreprises de numériser leurs documents pendant deux décennies. Ces approches restent valides pour des cas d'usage simples et très normalisés : un formulaire toujours identique, un document à mise en page rigide et répétable, des textes imprimés en haute qualité. Mais elles atteignent leurs limites structurelles sur les cas d'usage réels des ETI en 2026.

Les limites concrètes de l'OCR classique. (1) Mise en page variable : un document OCR classique est entraîné sur des modèles de mise en page spécifiques — dès que la facture d'un nouveau fournisseur a une structure différente (logo déplacé, colonnes inversées, tableau atypique), le moteur de règles tombe en échec et l'extraction produit des résultats incorrects ou incomplets.

(2) Documents scannés de mauvaise qualité : les scans obliques, en basse résolution (DPI < 150), avec fond coloré ou ombres génèrent nettement plus d'erreurs sur les solutions OCR à base de règles. (3) Écriture manuscrite : Tesseract et ABBYY gèrent mal l'écriture manuscrite cursive.

Sur des formulaires CERFA partiellement manuscrits, les erreurs deviennent fréquentes. (4) Extraction contextuelle impossible : un OCR classique extrait du texte, pas du sens. Il ne peut pas déduire que « Total TTC 12 847,00 EUR » et « À payer : 12 847 EUR » dans deux factures de mise en page différente correspondent au même champ.

(5) Documents multi-pages et raisonnement inter-pages : un contrat de 40 pages où la date d'entrée en vigueur est en page 1 et les clauses de résiliation en page 32 — l'OCR classique n'établit pas de lien. (6) Multilinguisme : sur des documents mixtes français/anglais/allemand ou des factures de fournisseurs étrangers, les modèles OCR monolingues produisent des erreurs importantes.

Ce que le Document AI LLM apporte en rupture. Les modèles de langage multimodaux de dernière génération (Mistral Vision, Mistral OCR) opèrent une transformation qualitative. Ils comprennent la mise en page sans règles prédéfinies, raisonnent sur plusieurs pages simultanément, interprètent le contexte sémantique pour distinguer un montant HT d'un montant TTC même quand leur positionnement dans le tableau varie, extraient mieux les données manuscrites selon leur lisibilité, et gèrent nativement le multilinguisme.

Sur des factures de fournisseurs étrangers (anglais, espagnol, allemand, arabe, japonais), l'extraction s'adapte sans règle propre à chaque fournisseur, là où une solution à règles doit être reparamétrée. Cf OCR IA et Document AI — définitions et comparatif.

#Stack Nehos Document AI — Mistral OCR + Vision + LLM extraction

L'architecture que Nehos déploie en production sur les projets Document AI est modulaire, entièrement auto-hébergée sur OVHcloud (zones fr-ouest et fr-sud selon le niveau de criticité) et sans aucun transfert hors UE.

#Ingestion et pré-traitement

Le pipeline accepte les formats PDF (natif et scanné), DOCX, XLSX, images (JPEG, PNG, TIFF, WebP), et fax numérisés. Chaque document entrant passe par une étape de pré-traitement automatisé : détection d'orientation et redressement (deskew via OpenCV), débruitage (denoising — filtre bilatéral ou filtre médian selon le type de bruit), binarisation adaptive (Otsu ou Sauvola selon le contraste du fond), détection et découpage des pages multiples dans les PDF natifs.

Cette étape de pré-traitement remonte systématiquement la précision de 4 à 8 points sur les documents dégradés, et jusqu'à 12 points sur les documents très basse qualité.

#Extraction Mistral OCR + Mistral Vision

Après pré-traitement, chaque document est soumis à Mistral OCR pour l'extraction du texte et de la structure de mise en page (blocs, colonnes, tableaux, listes), puis à Mistral Vision pour l'analyse des éléments visuels non textuels : figures, graphiques, schémas, signatures, tampons, codes QR et codes-barres.

Mistral OCR fournit un output JSON intermédiaire avec la structure de page complète (bounding boxes, ordre de lecture, hiérarchie des blocs). Mistral Vision complète cet output avec les métadonnées des éléments visuels et la lecture des zones manuscrites. Les deux outputs sont fusionnés en un document JSON enrichi.

#LLM d'extraction fine-tuné sur domaine métier

Sur ce JSON enrichi, un LLM d'extraction (fine-tuné Mistral sur le domaine métier du client — comptabilité achats, RH, assurance, immobilier, etc.) extrait les champs selon le schéma JSON cible défini avec le client en phase de cadrage. Chaque champ extrait reçoit un score de confiance entre 0 et 1.

Le schéma JSON de sortie est validé par Pydantic (validation de type, formats, contraintes métier — un montant HT ne peut pas être négatif, un SIREN doit être à 9 chiffres, une date doit être antérieure à aujourd'hui, etc.). Les documents dont la confiance globale est inférieure à un seuil paramétrable sont routés vers un workflow de revue humaine avec les champs à faible confiance surlignés et les alternatives proposées par le LLM.

#Workflow de revue humaine et boucle d'apprentissage actif

La revue humaine n'est pas un aveu d'échec — c'est le filet de sécurité qui maintient la qualité sur l'ensemble du flux. L'interface de revue humaine affiche le document original côte à côte avec le JSON extrait, surligne les champs à faible confiance, et propose les alternatives calculées par le LLM.

Corriger un champ est beaucoup plus rapide que saisir le document en intégralité ; le temps de correction se mesure pendant le POC. Chaque correction humaine alimente la boucle d'apprentissage actif (active learning) qui améliore le modèle d'extraction au fil du temps.

#8 types de documents et niveaux de précision attendus

#1. Factures fournisseurs

Le cas d'usage le plus courant. Sur les factures PDF natifs (e-factures), les champs standards (numéro de facture, date, SIREN fournisseur, montant HT, TVA par taux, montant TTC, RIB, référence commande, conditions de paiement) s'extraient le plus fiablement. Les factures scannées de bonne qualité suivent ; les factures étrangères à mise en page atypique demandent plus de contrôle.

La précision réelle se mesure sur votre stock. Le pipeline gère nativement les factures multi-lignes de détail, les avoirs fournisseurs et les factures d'acompte. Conformité PDP/PPF disponible pour la facturation électronique 2026 (voir section dédiée ci-dessous). Cf facturation électronique PDP — définitions et obligations.

#2. Contrats et avenants — extraction des clauses clés

Les contrats présentent une complexité structurelle plus élevée : mise en page variable, langage juridique dense, clauses imbriquées et renvois internes. Le LLM d'extraction peut être fine-tuné pour identifier et extraire les clauses clés selon un dictionnaire métier défini avec le client : parties contractantes (dénomination, SIREN, représentants), objet du contrat, durée et date d'entrée en vigueur, montants et échéances de paiement, clauses de résiliation, clauses pénales, clauses de confidentialité, juridiction compétente.

Les contrats structurés (CDD, CDI, contrats commerciaux standards) s'extraient plus facilement que les contrats complexes multi-annexes, où la revue humaine sur les champs critiques reste indispensable. Intégration vers système RAG pour constitution d'une base de connaissances contractuelle interrogeable.

#3. Formulaires administratifs CERFA

Les formulaires CERFA présentent l'avantage d'une structure normalisée, mais sont fréquemment remplis à la main et en mauvais état (photocopies de photocopies, annotations marginales, corrections manuscrites). La précision sur les CERFA courants (déclarations sociales, formulaires RH, autorisations administratives) dépend de la qualité du document source.

L'identification automatique du type de CERFA (numéro de cerfa en en-tête) permet de sélectionner dynamiquement le schéma d'extraction adapté.

#4. Bulletins de paie

Les bulletins de paie français suivent une structure très standardisée définie par la Direction de la Sécurité Sociale (DSN, bulletin simplifié depuis 2018). L'extraction est plus fiable sur les bulletins d'éditeurs standard (Sage Paie, Silae, Cegid Paie, ADP) pour les champs principaux (salarié, matricule, période, salaire brut, cotisations par ligne, salaire net fiscal, net à payer, avantages en nature).

Point réglementaire important : le bulletin de paie est un document RH sensible au sens RGPD — le pipeline applique une pseudonymisation systématique des données personnelles (nom, prénom, adresse) avant tout traitement analytique ou stockage longue durée.

#5. Relevés bancaires

Les relevés bancaires PDF natifs exportés depuis les interfaces bancaires (BNP Paribas, Société Générale, Crédit Agricole, CIC, LCL, BPCE, Banque Populaire) s'extraient avec une bonne fiabilité sur les transactions (date, libellé, montant débit/crédit, solde). Sur les relevés scannés (particulièrement dans les dossiers de crédit ou les procédures judiciaires), la revue humaine est recommandée sur les montants. Intégration directe vers les outils de comptabilité (Cegid, Sage, Quadratus) via connecteur ou export FEC.

#6. Documents d'identité (CI, passeport, Kbis) — Conformité RGPD obligatoire

Les documents d'identité (carte nationale d'identité, passeport, titre de séjour) constituent des données biométriques au sens de l'article 9 du RGPD. Leur traitement par IA exige une base légale explicite et renforcée (obligation légale ou consentement explicite de la personne concernée — l'intérêt légitime est insuffisant sur les données biométriques).

Le pipeline pour les documents d'identité inclut : extraction structurée des données MRZ (Machine Readable Zone) et des champs lisibles, pseudonymisation immédiate post-extraction (jamais de stockage de l'image originale au-delà de 24 heures sauf obligation légale documentée), traçabilité complète de chaque accès aux données personnelles, DPIA spécifique obligatoire avant déploiement.

Les Kbis (extrait d'immatriculation RCS) sont des données publiques et ne posent pas de problème réglementaire particulier.

#7. Documents RH (CV, entretiens annuels)

Les CV et entretiens annuels tombent dans le champ de l'AI Act haut risque Annexe III (gestion des travailleurs, évaluation des performances) dès lors que l'extraction sert à alimenter une décision RH. Le pipeline pour les CV extrait : coordonnées, formations (diplômes, établissements, années), expériences professionnelles (entreprises, fonctions, durées), compétences déclarées, langues.

L'extraction est structurée pour alimenter un ATS (Lever, Greenhouse, Cegid Recruitment) via connecteur natif. La précision est meilleure sur des CV structurés que sur des CV manuscrits ou très créatifs (mises en page atypiques). Cf Agent IA RH Nehos pour le périmètre conformité AI Act complet sur les usages RH.

#8. Documents techniques (plans, schémas, normes)

Les documents techniques — plans CAD exportés en PDF, schémas électriques, fiches techniques produits, normes ISO/EN — présentent une densité d'informations visuelles élevée. Mistral Vision excelle sur l'extraction des métadonnées de plans (référence, révision, échelle, cartouche technique) et des tableaux de nomenclature.

La lecture des éléments textuels est fiable sur les documents techniques bien structurés. L'extraction des données des schémas complexes (topologie d'un synoptique électrique, liens entre composants d'un P&ID) requiert un fine-tuning, chiffré sur devis selon la richesse du corpus d'entraînement disponible.

#Intégrations — ERP, GED, comptabilité, workflow

Un pipeline Document AI sans intégration fluide vers les systèmes cibles ne fait gagner aucun temps. L'output JSON est certes précis, mais si le comptable doit encore le copier-coller dans son ERP, on a juste déplacé le problème. Nehos livre des connecteurs natifs pour les principaux systèmes du marché français.

ERP et comptabilité : SAP FI (module Financial Accounting, interface BAPI/RFC ou iDoc selon la version SAP), Cegid Comptabilité (API REST v3), Sage 100 et Sage X3 (connecteur ODBC et API REST), Quadratus (fichier structuré XML ou FEC selon le cas d'usage), Divalto (API REST ou import CSV structuré).

Pour les ERP non listés, Nehos développe un connecteur custom via API REST ou fichier structuré sécurisé — délai 1-3 semaines selon la qualité de la documentation API du système cible.

GED (Gestion Électronique de Documents) : Alfresco (API CMIS standard), SharePoint Online (API Graph Microsoft), Laserfiche (API REST v11+), M-Files (API REST et connecteur Vault), Documentum (API DFC ou REST). L'intégration GED permet le déversement automatique du document enrichi (avec métadonnées extraites et indexées) directement dans l'arborescence documentaire cible, sans intervention manuelle.

Flux EDI et messagerie : flux EDI EDIFACT (INVOIC pour les factures fournisseurs), flux X12 pour les partenaires américains, échange de fichiers sécurisé via SFTP, webhook REST sur événement (document reçu, document traité avec succès, document en revue humaine). Pour les PME et ETI moins sophistiquées sur le plan IT : connecteur Zapier et Make (ex-Integromat) pour brancher le pipeline sur des outils métier sans code.

Messagerie entrante : polling IMAP sur Exchange (on-premise et Office 365) et Gmail Workspace pour la réception automatique des factures fournisseurs par email — cas très fréquent sur les ETI où les fournisseurs envoient les factures en PJ email.

#Conformité RGPD et AI Act sur le traitement documentaire

Le traitement automatisé de documents d'entreprise n'est pas neutre sur le plan réglementaire. Plusieurs points d'attention spécifiques à maîtriser avant déploiement.

RGPD et données personnelles dans les documents. Presque tous les documents d'entreprise contiennent des données personnelles : les factures contiennent le nom du commercial contact ou du signataire, les contrats les noms des parties et représentants, les bulletins de paie des données salariales complètes, les CV et entretiens des données candidats/collaborateurs.

Le pipeline Nehos applique une stratégie de minimisation des données by design : seuls les champs nécessaires à l'usage métier cible sont extraits et stockés — le reste n'est jamais persisté. Les images originales des documents sensibles (identité, bulletins de paie, données médicales) sont purgées automatiquement après extraction et validation, dans un délai paramétrable (24h à 30 jours selon le type documentaire et la base légale). La conformité RGPD est traitée dans la phase d'audit initiale avec une DPIA dédiée.

Documents d'identité — Article 9 RGPD données biométriques. Les documents d'identité contiennent des données biométriques (photo, MRZ) qualifiées de données particulières au sens de l'article 9 du RGPD. L'intérêt légitime est insuffisant comme base légale — il faut une obligation légale (ex : vérification KYC réglementaire dans le secteur financier) ou un consentement explicite de la personne concernée.

Nehos ne déploie le traitement automatisé des documents d'identité que dans des contextes où la base légale est documentée et validée par un DPO.

Documents médicaux — HDS obligatoire. Si le pipeline traite des documents contenant des données de santé (arrêts maladie, dossiers médicaux d'aptitude au travail, attestations CPAM), l'hébergement HDS (Hébergement de Données de Santé, certification ANS) est obligatoire. OVHcloud propose une offre HDS certifiée ; nous travaillons avec un hébergeur certifié HDS sur ces périmètres.

AI Act — classification selon l'usage final. La plupart des pipelines Document AI sont classés risque limité au sens de l'AI Act (extraction de données ne servant pas directement une décision à impact individuel significatif). En revanche, si l'extraction documentaire alimente directement une décision classée haut risque Annexe III (ex : extraction de données d'un CV pour alimenter un scoring de recrutement), le système global est classé haut risque et les obligations AI Act complètes s'appliquent. Nehos qualifie ce point en phase d'audit initiale.

Facturation électronique 2026 — Spécificité PDP/PPF. La réforme de facturation électronique inter-entreprises impose des obligations de format (Factur-X, UBL, CII) et de transmission via PDP ou PPF. Le pipeline Document AI Nehos est PDP-compatible (voir section dédiée ci-dessous).

#Facturation électronique 2026 — PDP/PPF et Document AI

La réforme française de facturation électronique obligatoire est l'un des plus importants chantiers de transformation documentaire de la décennie. Depuis septembre 2026, les grandes entreprises françaises doivent émettre et recevoir leurs factures inter-entreprises via des formats dématérialisés normés (Factur-X, UBL 2.1, UN/CEFACT CII) et les transmettre via le Portail Public de Facturation (PPF, ex-Chorus Pro) ou via une Plateforme de Dématérialisation Partenaire (PDP) immatriculée par la DGFiP.

Pourquoi le Document AI accélère la conformité PDP. Pour les entreprises recevant encore des factures PDF non structurées (fournisseurs non encore conformes, fournisseurs étrangers hors UE) ou des factures au format papier/scan, le pipeline Document AI Nehos permet de : (1) extraire automatiquement les données de la facture depuis le PDF ou le scan, (2) générer le fichier au format Factur-X (PDF/A-3 avec données XML embarquées) ou UBL conforme, (3) transmettre au PPF ou à la PDP du client via API, (4) mettre à jour le statut de la facture dans l'ERP (reçue, validée, en litige, payée).

L'output du pipeline Nehos est directement compatible avec les PDP immatriculées les plus courantes sur le marché français.

Conformité fiscale. L'extraction automatisée par IA ne dispense pas des obligations de conservation légale des factures originales (6 ans pour les factures au regard fiscal, 10 ans pour les documents comptables). Nous configurons le pipeline pour conserver l'original (PDF ou image) en archivage immuable (stockage objet avec protection contre la modification et la suppression, par exemple chez OVHcloud) et l'output JSON enrichi pour les usages ERP.

Cf facturation électronique PDP — définitions et obligations et la page officielle DGFiP sur la facturation électronique.

#Monitoring et amélioration continue

Un pipeline Document AI en production sans monitoring dégénère. La précision initiale d'un modèle déployé tend à se dégrader progressivement si les distributions de documents évoluent (nouveaux fournisseurs, nouveaux formats, nouvelles mises en page) sans que le modèle soit mis à jour — c'est le phénomène de data drift.

Surveillance de la précision par type documentaire. Nehos déploie un tableau de bord de monitoring qui calcule en continu, pour chaque type documentaire et chaque champ extrait : le taux de confiance moyen (avec un objectif cible fixé avec vous), le taux de routage vers la revue humaine (avec un objectif cible), le taux de correction en revue humaine (avec un objectif cible), et le taux d'erreur post-validation (suivi par sampling mensuel). Toute dérive d'un indicateur au-delà d'un seuil convenu déclenche une alerte.

Boucle d'apprentissage actif (active learning). Chaque correction effectuée par un opérateur en revue humaine est enregistrée avec les métadonnées du document (type, fournisseur, qualité scan). Ces corrections alimentent un dataset d'amélioration qui est intégré dans un cycle de fine-tuning mensuel du modèle d'extraction. La précision s'améliore au fil des corrections, puis se stabilise ; on la suit mois après mois.

Rapports mensuels de performance. Nehos livre chaque mois un rapport de performance documentant : volume traité par type documentaire, précision par champ et par type, taux d'automatisation complète (sans revue humaine), temps moyen de traitement par document, évolution vs mois précédent, recommandations d'amélioration (nouveaux exemples d'entraînement identifiés, ajustements de seuil proposés).

#Méthodologie de déploiement — De la qualification à la production

Phase 1 — Audit et qualification documentaire (5-10 jours, audit IA approfondi à partir de 2 125 € HT). Cartographie des types documentaires du client (volumes, formats, qualité, complexité), qualification RGPD et AI Act sur chaque type (données personnelles présentes, usage final de l'extraction, base légale applicable), identification des systèmes cibles (ERP, GED, CRM), définition des schémas JSON de sortie par type documentaire. Output : dossier de qualification complet, schémas JSON cibles validés, go/no-go.

Phase 2 — POC agent IA (à partir de 11 000 € HT). Traitement d'un échantillon de documents réels pseudonymisés par type documentaire. Mesure de la précision réelle, identification des cas difficiles (fournisseurs à mise en page atypique, documents dégradés), fine-tuning initial du modèle d'extraction, validation des schémas JSON de sortie avec les équipes métier.

Output : rapport de précision réelle par type et par champ, schémas JSON finalisés, démonstration live sur le stock réel du client.

Phase 3 — MVP en production (8-14 semaines, sur devis). Déploiement de l'infrastructure (configurations RGPD et HDS si applicable), intégrations ERP/GED finalisées, workflow de revue humaine déployé, formation des opérateurs, mise en production par batches progressifs. Monitoring activé dès J+1.

Phase 4 — Exploitation et amélioration continue. SLA contractuel défini avec vous. Fine-tuning mensuel sur base des corrections de revue humaine, rapports mensuels de performance, comité trimestriel de revue avec les équipes métier et DSI du client. Maintenance mensuelle à partir de 750 €/mois selon volume et complexité.

#Exemple de situation — une ETI et ses factures fournisseurs

Prenons une ETI de distribution qui traite plusieurs milliers de factures fournisseurs par mois, une partie en PDF natif et une partie en scan ou par email. Avant automatisation : plusieurs comptables dédiés à la saisie fournisseurs, un délai de plusieurs jours entre la réception et l'enregistrement dans l'ERP, et un taux d'erreur de saisie qui génère des litiges fournisseurs récurrents et des anomalies de réconciliation comptable. Il s'agit d'un exemple de situation, pas d'un client cité.

La démarche : audit documentaire (types de factures, ERP à connecter), POC sur un échantillon de factures réelles pour mesurer la précision initiale, fine-tuning sur les fournisseurs à mise en page atypique, déploiement en production avec workflow de revue humaine.

Ce que nous mesurons pendant le POC puis en production : la part de factures traitées sans revue humaine, la précision par champ, le délai entre réception et enregistrement ERP, le taux d'erreur après traitement comparé à la saisie manuelle et le temps de comptabilité libéré pour des tâches à plus forte valeur (analyse des écarts, relations fournisseurs, clôtures). Aucun de ces chiffres n'est promis à l'avance : ils servent à décider d'aller plus loin ou non.

#Tarification — POC à partir de 11 000 € HT

Trois niveaux selon le volume documentaire, le nombre de types documentaires à traiter et la complexité des intégrations.

PME/ETI — 1 à 3 types documentaires, volume modéré, 1-2 intégrations : à partir de 11 000 € HT (MVP agent IA), sur 3 à 6 mois. Maintenance à partir de 750 €/mois.

ETI mid-market — 4 à 8 types documentaires, volume soutenu, 3-5 intégrations : sur devis, chiffré en 48 h après un premier échange, sur 5 à 9 mois. Cas typique : DAF/DSI d'une ETI qui automatise l'extraction factures + contrats + RH + relevés bancaires avec intégration SAP FI, SharePoint GED et Lucca RH.

Grands comptes / scale-ups volume — 8+ types documentaires, gros volumes, intégrations complexes : à partir de 50 000 € HT (plateforme multi-agents), sur 8 à 12 mois. Cas typique : courtier assurance ou ETI industrielle avec flux documentaires complexes multi-entités, compatibilité PDP pour la facturation électronique, traitement multilingue, intégrations multiples ERP/GED/CRM.

Estimation en 30 minutes sur la base d'un échantillon de documents fournis par le client : Calendly Document AI. Nous pouvons traiter cet échantillon à titre de démonstration pour fournir une mesure de précision réelle avant engagement.