Extraction de données depuis vos PDF : lire une fois, exploiter partout.
Bons de commande, contrats, comptes rendus, CV, relevés, formulaires remplis à la main : ces documents contiennent des données que quelqu'un finit toujours par recopier. Nous les faisons lire, contrôler et déposer directement dans vos outils.
Le PDF est un cul-de-sac informatique
Le format s’est imposé parce qu’il garantit qu’un document s’affiche partout à l’identique. C’est aussi sa limite : il fige une mise en page et perd la structure. Un tableau reste visuellement un tableau et devient, pour une machine, une suite de mots posés à des coordonnées.
Le résultat se voit dans toutes les entreprises. Un bon de commande client arrive en PDF, quelqu’un ressaisit les références dans l’outil de gestion. Un rapport d’intervention rempli sur le terrain repart en photo, quelqu’un reporte les relevés dans un tableur.
Les métiers du document appellent cela la lecture automatique de documents, ou RAD-LAD. La technique existe depuis longtemps ; ce qui a changé récemment est sa tolérance : une mise en page inhabituelle, un formulaire rempli à la main, un document dont chaque fournisseur a sa version ne bloquent plus la chaîne.
Restent deux exigences que nous ne négocions pas : savoir ce qui a été lu avec certitude, et savoir ce qui ne l’a pas été.
Quatre familles que nous traitons
Chacune a sa difficulté propre.
Bons de commande et appels d'offres
Chaque client a son modèle, aucun ne ressemble au précédent. La lecture porte sur les références, les quantités et les conditions, avec un rapprochement au catalogue.
Rapports et relevés
Remplis à la main, photographiés de travers, parfois annotés. La difficulté est l'écriture manuscrite, et le fait qu'un relevé faux vaut moins qu'un relevé absent.
Contrats et conventions
L'enjeu n'est pas le champ mais la clause : durée, préavis, indexation, reconduction. Nous extrayons les échéances pour les faire remonter avant le délai de dénonciation.
CV et dossiers de candidature
Volume élevé sur une période courte. La lecture prépare le tri, elle ne le décide pas : écarter automatiquement une candidature est un choix que nous refusons d'automatiser.
Ce qui sépare une chaîne d’un outil en ligne
Convertir un PDF en texte se fait gratuitement en trois clics sur des dizaines de sites. Ce n’est pas ce dont une entreprise a besoin, et la différence tient à quatre points.
La sortie va dans vos outils, pas dans un fichier. Un texte extrait puis collé dans un tableur n’a rien réglé : la ressaisie a seulement changé de forme. La donnée doit atterrir dans le champ du logiciel qui l’attend.
Chaque champ porte un niveau de confiance. C’est le point le plus important de cette page. Une chaîne sérieuse dit non seulement ce qu’elle a lu, mais à quel point elle en est sûre. Les champs sous le seuil que nous fixons ensemble partent en vérification humaine, ciblée sur la zone concernée.
Les règles passent avant le modèle. Un numéro de SIRET se valide par un calcul, un IBAN aussi, une date se contrôle par sa vraisemblance. Ces vérifications ne coûtent rien et rattrapent la majorité des erreurs de lecture. Le modèle de langage n’intervient que là où la compréhension du sens est nécessaire, ce qui limite la facture.
Rien ne sort sans être passé par vos règles métier. Une référence qui n’existe pas au catalogue, une quantité aberrante, un montant hors des bornes habituelles sont signalés même quand la lecture est parfaite. C’est souvent le document qui est faux, pas la lecture.
Le cas des factures
Les factures fournisseurs répondent à une logique propre, avec leur rapprochement, leurs contrôles et le calendrier de la facturation électronique. Elles sont traitées séparément sur lecture et traitement des factures.
Ce que devient la donnée extraite
Elle part dans votre outil de gestion, ce qui suppose une liaison fiable décrite sur synchronisation et intégrations. Le document d’origine, lui, doit rester retrouvable et rattaché, sujet du classement et de l’indexation.
Extraction de données, ce qu’on nous demande
Les questions posées avant de confier ses documents à une machine.
Pas nécessairement, mais cela change le résultat et donc la décision. Un scan de travers, un document plié, une photo prise en contre-jour font baisser la certitude de lecture, ce qui augmente le nombre de champs partant en vérification. Le test sur vingt documents donne ce chiffre avant tout engagement.
Beaucoup moins qu’avant. Une chaîne moderne s’adapte à des mises en page qu’elle n’a jamais vues, ce qui règle le cas des documents où chaque client a sa version. Un travail de calage reste nécessaire sur les documents très structurés et à fort volume, où la précision prime.
Oui, avec une fiabilité inférieure à l’imprimé et très dépendante de la main qui écrit. Nous ne le proposons que sur des champs contraints, une case cochée, un nombre, une date, avec vérification humaine systématique sur les champs qui engagent.
Cela dépend du montage, et la question mérite d’être posée avant, surtout sur des contrats ou des dossiers de candidature. Des traitements hébergés en Europe existent, et certains fonctionnent sur vos propres serveurs. Le sujet est traité sur IA souveraine et hébergement.
Le coût unitaire dépend du nombre de pages et de la part traitée par un modèle plutôt que par des règles. C’est la raison pour laquelle nous poussons les règles au maximum : elles sont gratuites à l’exécution. Nous chiffrons le coût par document avant le développement.
C’est fréquent, sur un CV comme sur un contrat. Selon la finalité, une partie de ces données peut être retirée avant traitement, ce que nous mettons en oeuvre sur le plan technique et documentaire aux côtés de votre DPO. Voir anonymisation avant traitement.
Des PDF que quelqu'un recopie à la main
Dites-nous quel document vous recevez le plus souvent et ce qu'on en fait ensuite. Nous vous dirons ce qui se lit, ce qui résiste et à quel coût.
