L’extraction de données par IA consiste à faire lire un document par un modèle, qui en sort les informations utiles (montants, dates, références, clauses) et les range dans vos outils. Lire est devenu facile. Le vrai travail est ailleurs : contrôler chaque donnée extraite, et envoyer les cas douteux à une personne avant qu’ils entrent dans vos logiciels.
Qu’est-ce que l’extraction de données par IA ?
C’est l’étape qui transforme un document, PDF, scan ou photo, en données structurées : des champs nommés, avec une valeur chacun, prêts à entrer dans un ERP, un CRM ou un tableau. L’OCR reconnaît les caractères ; l’IA comprend la mise en page et le sens, ce qui lui permet de trouver la bonne valeur même quand le format change.
OCR et IA : qui fait quoi
L’OCR transforme une image en texte. L’IA y ajoute la lecture du sens : un modèle capable de lire des PDF et des images retrouve le total ou la date, même quand la mise en page change d’un fournisseur à l’autre. C’est ce qu’on appelle souvent l’OCR IA.
La documentation d’Anthropic sur la lecture des PDF indique que le modèle peut être interrogé sur le texte, les images, les graphiques et les tableaux d’un PDF, puis en sortir des informations structurées. Microsoft présente Azure Document Intelligence comme un service de traitement de documents : un modèle extrait le texte imprimé ou manuscrit, un autre extrait les tableaux et la structure.
IDP : le nom donné aux chaînes complètes
« Intelligent document processing » désigne, chez les éditeurs, la chaîne complète : réception, lecture, extraction et contrôle.
Quels documents peut-on traiter, au-delà des factures ?
Presque tous les documents qui arrivent régulièrement et contiennent des informations à recopier : bons de commande, bons de livraison, contrats, justificatifs de frais, attestations, pièces de dossiers clients ou fournisseurs. Les factures fournisseurs ont leur propre circuit jusqu’au bon à payer. Le bon candidat est fréquent, assez homogène, et sa ressaisie coûte du temps qualifié.
Le tableau suivant est illustratif et aligne des documents courants, les données qu’on en tire d’habitude, et un contrôle qu’on peut écrire en code.
| Service | Documents | Données extraites | Contrôle possible |
|---|---|---|---|
| Ventes et ADV | Bons de commande, bons de livraison | Client, articles, quantités, date | Client et article connus dans l’ERP |
| Achats | Devis, attestations | Fournisseur, montant, validité | Fournisseur connu, date non dépassée |
| Juridique | Contrats | Dates, durée, reconduction, préavis | Préavis avant l’échéance |
| RH | Justificatifs | Identité, période, nature de la pièce | Champs limités au besoin, périmètre à faire valider |
| Finance | Relevés, justificatifs | Date, montant, libellé | Total recalculé, date plausible |
Le circuit des factures fournisseurs est décrit à part, dans le guide pour automatiser les factures fournisseurs jusqu’au bon à payer.
La réforme de la facturation électronique fera arriver une partie des factures déjà structurées. Les bons de commande, les contrats et les justificatifs de ce guide arrivent encore en PDF, en scan ou en photo.
Les étapes d’une extraction fiable
Une extraction fiable suit sept étapes : recevoir le document, le classer, le lire, extraire les champs dans un format fixé à l’avance, contrôler les valeurs, faire valider les cas douteux, puis intégrer les données dans l’outil cible avec une trace. L’IA intervient surtout à la lecture et à l’extraction ; le reste relève du code et des personnes.
- Recevoir. Le code récupère le fichier dans la boîte mail, le dossier partagé ou le formulaire.
- Classer. Le code suffit si le canal indique le type. L’IA classe quand le flux mélange plusieurs pièces.
- Lire. L’IA produit le texte et la mise en page, avec l’OCR si le fichier est une image.
- Extraire. L’IA remplit le format fixé à l’avance, sans ajouter de champ.
- Contrôler. Le code vérifie les formats, les totaux, les références et les dates.
- Faire valider. Une personne traite la file et voit la pièce, la valeur proposée et la règle en échec.
- Intégrer. Le code écrit dans l’outil cible et conserve le document, les champs, la version des règles et la décision.
Fixer le format de sortie avant tout
On écrit le schéma avant le modèle : nom du champ, type, obligatoire ou non. La documentation d’OpenAI sur les sorties structurées décrit un mécanisme qui contraint la réponse à ce schéma. Le format est tenu. La justesse de la valeur ne l’est pas. Un champ absent du document reste vide. S’il est obligatoire, le dossier part en exception.
Les PDF qui mélangent plusieurs documents
Un fichier qui empile un bon de commande, un bon de livraison et une autre pièce mélange les champs. On découpe, on classe, puis on extrait chaque pièce avec son schéma. L’extraction de données PDF se joue souvent sur ce découpage.
Contrôler les données extraites : règles, seuils, file d’exceptions
Chaque donnée extraite passe par des contrôles écrits en code : formats, totaux qui doivent tomber juste, références qui doivent exister dans vos logiciels, dates plausibles. Ce qui échoue ou reste incertain part dans une file d’exceptions traitée par une personne. On relit aussi un échantillon des cas validés, pour vérifier que les contrôles ne laissent rien passer.
| Contrôle | Exemple | Si échec |
|---|---|---|
| Format | Date convenue, numéro de TVA intracommunautaire, IBAN et sa clé | File d’exceptions |
| Cohérence | La somme des lignes égale le total | Montant non intégré |
| Référentiel | Client, article ou fournisseur connu dans l’ERP | Une personne confirme ou crée la fiche |
| Plausibilité | Échéance postérieure à la date du document | Relecture avant écriture |
| Doublon | Document déjà intégré | Seconde écriture bloquée |
Au-delà d’un seuil fixé avec le métier, on envoie en revue ce que la règle laisse incertain : une date à deux lectures, un champ obligatoire vide, un total qui ne retombe pas. On le règle avec le jeu de test. Un indice de confiance du modèle ne tient pas lieu de contrôle : le modèle peut affirmer une valeur et se tromper.
La file d’exceptions
Une personne du métier, nommée, traite la file dans un délai convenu, plus court si le document bloque une commande. La revue montre la pièce, la valeur proposée et la règle en échec. On qualifie chaque correction : erreur de lecture, règle trop large, ou document hors périmètre. Les deux premiers cas mettent à jour le schéma, la règle ou le jeu de test. La méthode générale est décrite pour contrôler les sorties de l’IA.
Votre équipe recopie encore des informations depuis des PDF ou des scans ?
Parlons de votre transformation
Les erreurs de lecture les plus fréquentes
Les erreurs viennent rarement d’un caractère mal lu. Elles viennent des scans de mauvaise qualité, des tableaux coupés sur plusieurs pages, du manuscrit, des documents mélangés dans un même fichier, des formats de date ou de nombre ambigus, et surtout des champs absents que le modèle remplit par une valeur plausible mais fausse.
- Scan trop faible. On fixe une qualité minimale et l’on redemande une pièce lisible.
- Tableau coupé. On rassemble les pages avant d’extraire.
- Manuscrit. Le champ part en revue dès qu’il alimente une écriture.
- Pièces mélangées. On découpe et on classe avant l’extraction.
- Date ou nombre à deux lectures. On fixe le format. Le cas ambigu part en exception.
- Champ absent. Il reste vide. Le contrôle de cohérence reprend ce qui aurait été complété.
La CNIL, dans ses questions-réponses sur l’IA générative, décrit ces systèmes comme capables d’un résultat inexact qui paraît plausible. Un champ manquant, rempli par une valeur crédible, en est le cas sur un document.
Un jeu de test avant la mise en production
On constitue un lot de documents réels, cas difficiles compris, avec la valeur attendue de chaque champ. On mesure avant d’écrire dans les logiciels, puis on rejoue le lot à chaque changement de modèle, de schéma ou de règle. Pour passer d’un prototype IA à la production, le guide dédié prend l’exemple d’un assistant qui lit des bons de commande. Le jeu de test est ici la condition de mise en service.
Données personnelles dans les documents : ce qu’il faut cadrer
Beaucoup de documents contiennent des données personnelles : noms, coordonnées, parfois des informations sensibles. Avant d’automatiser, on fixe ce que le système a le droit d’extraire, chez quel fournisseur les documents sont traités, combien de temps ils sont conservés et qui accède aux résultats. N’extraire que les champs utiles est la première protection.
L’article 5 du RGPD, au chapitre 2 publié par la CNIL, demande des données adéquates, pertinentes et limitées au nécessaire au regard des finalités. C’est la minimisation : le schéma ne retient que les champs qui servent l’étape suivante. Le même article limite aussi la conservation à la durée nécessaire à ces finalités. On écrit combien de temps le document et les champs sont gardés, et qui peut les ouvrir.
Si les pièces contiennent des données personnelles et partent chez un fournisseur, les questions-réponses de la CNIL sur l’IA générative demandent de clarifier les rôles, de prévoir un contrat lorsqu’un tiers traite les données, et de rester vigilant sur ce qui est envoyé par une API, y compris une réutilisation par le fournisseur. On tranche ces points avant la première pièce réelle, avec le délégué à la protection des données lorsqu’il y en a un.
Justificatifs RH
Un justificatif RH peut porter un nom et une période. Il peut aussi révéler une donnée que l’article 9 du même chapitre range parmi les catégories particulières, dont les données concernant la santé. L’article 9 interdit en principe le traitement de ces catégories. Il prévoit des exceptions, notamment pour des obligations en droit du travail, lorsque le droit applicable autorise le traitement et prévoit des garanties. Savoir si un champ entre dans ce cadre se fait valider par le délégué à la protection des données ou par le conseil habituel de l’entreprise. Klaryx ne donne pas de conseil juridique.
Du document lu à la donnée exploitée : brancher l’extraction sur le processus
Une extraction n’a de valeur que si la donnée arrive au bon endroit et déclenche la suite : une commande créée, une échéance suivie, un dossier complété. Il faut donc relier la lecture aux logiciels de l’entreprise, garder une trace de chaque document et prévoir qui traite les exceptions. C’est là qu’on passe d’un outil de lecture à un processus automatisé.
Klaryx est le partenaire de transformation IA des PME et ETI. C’est l’automatisation des processus métier.
Un contrat dont la date de préavis a été extraite peut alimenter une relance client automatique : la date entre dans l’outil de suivi, et une personne valide le message avant l’envoi. Quand les pièces varient beaucoup, on peut confier la lecture à un agent IA, et les contrôles écrits restent devant l’écriture dans les logiciels.
Pour aller plus loin
Choisir comment lire les documents ne décide pas de l’outil qui porte le flux. Une fois les champs, les contrôles et la file d’exceptions décrits, on regarde si une plateforme suffit ou s’il faut coder les étapes critiques. Ce choix se fait sur les exceptions et les volumes, sans palmarès d’éditeurs.
Pour choisir l’outil d’un workflow, on part de ce que le flux doit prouver après coup : qui a validé, quelle règle a joué, et comment reprendre un dossier arrêté.
Vous voulez savoir si vos documents se prêtent à une extraction fiable, et quels contrôles il faudrait ? Apportez deux ou trois exemples anonymisés, on les regarde avec vous.