PDF scanné, OCR et IA : vérifier une extraction avant de l’utiliser

Intelligence artificielle

Une page lisible à l’écran peut produire un texte erroné ou un tableau décalé. Une méthode pour distinguer reconnaissance, structure et interprétation avant de réutiliser une extraction.

Avant de réutiliser les données d’un PDF scanné, vérifiez trois éléments séparément : le texte reconnu, l’association entre les lignes et les colonnes, puis l’interprétation produite par l’IA. Un montant correctement lu peut appartenir à la mauvaise ligne. Une synthèse bien rédigée peut aussi masquer une information que le fichier ne permettait pas de déterminer.

Cette méthode concerne des usages documentaires et administratifs, sur des fichiers publics, fictifs ou autorisés. Elle n’est pas un protocole de décision clinique, de paiement ou de validation juridique. Aucun outil n’a été comparé dans cet article et aucun taux de précision n’est annoncé.

OCR et IA générative interviennent à des niveaux différents

L’OCR, ou reconnaissance optique de caractères, transforme les caractères présents dans une image en texte exploitable. Selon les outils, l’analyse peut aussi restituer des positions ou une structure. L’IA générative peut ensuite interpréter, reformuler ou extraire des informations à partir du document ou de sa représentation. Certaines solutions combinent plusieurs briques dans une même interface.

La documentation Adobe sur la correction du texte reconnu montre qu’une image peut rester affichée alors qu’un texte reconnu est placé derrière elle. Ce texte peut comporter des incertitudes. Le fait de voir une page correcte à l’écran ne suffit donc pas à valider ce qu’un autre système recevra lors d’une extraction ou d’un copier-coller.

Une publication technique de Microsoft du 2 octobre 2026 illustre les difficultés liées à la disposition des pages, aux tableaux et aux associations entre champs. C’est une source de fournisseur, utile pour comprendre ces mécanismes, pas une preuve indépendante qu’un produit serait le meilleur pour tous les documents.

Vérifier d’abord le fichier que l’on transmet

Repérez la version, le nombre de pages et les annexes nécessaires. Une page manquante ne sera pas compensée par une consigne plus détaillée. Vérifiez l’orientation, la lisibilité des petits caractères et les zones coupées. Si une meilleure version existe dans le système autorisé de l’organisation, privilégiez-la plutôt que de demander au modèle de deviner.

Essayez de sélectionner un court passage et de le coller dans un éditeur adapté. Comparez ce texte à l’image. Ce test donne un indice sur la couche textuelle disponible ; il ne valide pas toutes les pages et ne garantit pas que l’outil d’IA utilisera exactement cette représentation.

Contrôlez aussi l’autorisation de partage. Un fichier scanné peut contenir des données personnelles, une signature ou des informations confidentielles. Les questions-réponses de la CNIL recommandent de cadrer les usages autorisés et de vérifier les entrées comme les sorties. Utilisez l’environnement approuvé et sollicitez les interlocuteurs de protection des données ou de sécurité lorsque le contexte le demande.

Une grille de contrôle pour les champs qui comptent

La grille suivante est originale. Les catégories servent à organiser la revue d’une extraction ; elles ne forment pas une certification de fiabilité. La profondeur du contrôle dépend de la conséquence possible d’une erreur.

Contrôler une extraction documentaire à partir de la page source
ÉlémentErreur à rechercherContrôle utileSi le doute persiste
Caractères.Confusion entre lettre et chiffre, signe perdu ou décimale déplacée.Comparer le champ à la zone correspondante de l’image.Conserver l’incertitude et demander une source plus lisible.
Dates et unités.Format interprété différemment, unité ou période omise.Lire l’en-tête et la légende avec la valeur.Ne pas normaliser silencieusement une date ou une unité ambiguë.
Tableaux.Valeur attribuée à une autre ligne, colonne fusionnée ou en-tête oublié.Vérifier l’intersection exacte et les éventuels en-têtes sur plusieurs niveaux.Reprendre manuellement la zone ou utiliser une autre méthode validée.
Cellules vides.Case complétée par une valeur voisine ou par zéro.Distinguer vide, illisible, non applicable et zéro écrit.Marquer le statut observé sans inventer une valeur.
Notes et réserves.Une condition importante disparaît de la synthèse.Lire les renvois, astérisques et notes de bas de page associés.Bloquer la réutilisation de la conclusion concernée jusqu’à clarification.

Exemple fictif : une valeur correcte dans la mauvaise cellule

Document et chiffres entièrement fictifs. Une feuille de suivi d’atelier contient deux lignes, A et B. La colonne « durée réalisée » indique 12 minutes pour A ; elle est vide pour B. Une extraction restitue 12 minutes pour les deux lignes.

La valeur reconnue existe bien dans le document. L’erreur porte sur son attribution. Une vérification limitée à la présence du nombre 12 ne détecterait donc pas le problème. Il faut comparer chaque valeur à son en-tête et à son libellé de ligne. Pour B, la restitution doit conserver « cellule vide » ou un statut équivalent défini par le projet.

On ne peut pas conclure que B a duré zéro minute, que l’atelier n’a pas eu lieu ou que la valeur de A doit être répétée. Le fichier ne permet simplement pas de déterminer cette durée. L’interlocuteur compétent peut rechercher l’information manquante dans une source autorisée.

Ce cas illustre une règle de travail : distinguer l’absence d’information de l’information négative. Cette distinction doit être prévue dans le format de sortie avant d’automatiser le traitement.

Demander une extraction traçable plutôt qu’une réponse seulement fluide

Une consigne peut demander, pour chaque champ, la valeur observée, le numéro de page du fichier, le libellé de ligne ou de section et le statut de l’information. Si le document possède sa propre pagination, précisez comment elle sera distinguée de celle du fichier PDF.

Exemple de consigne, à adapter dans un outil autorisé : « Extrais uniquement les champs indiqués. Pour chacun, fournis la page du fichier et le libellé qui permet de retrouver la zone. Conserve les cellules vides comme vides. Si un caractère est incertain, signale-le. N’utilise pas de connaissance extérieure pour compléter le document. »

Cette consigne aide à organiser la revue ; elle ne garantit pas que l’outil la respectera. Les pages et extraits cités doivent eux-mêmes être contrôlés. Un modèle peut produire une référence plausible mais incorrecte, comme il peut produire une valeur erronée.

Gardez la différence entre extraction et calcul. Une valeur recopiée, une somme recalculée et une hypothèse sont trois objets différents. Si un calcul est nécessaire, il doit être identifié, réalisé avec une méthode appropriée et vérifié indépendamment de la formulation générée.

Prévoir les critères d’acceptation avant une utilisation répétée

Pour un essai, constituez un petit ensemble de documents publics ou fictifs représentatifs : page simple, tableau complexe, scan de qualité moyenne et information manquante. Préparez une référence vérifiée. Vous pourrez ensuite comparer les erreurs selon les champs et les types de document, plutôt qu’évaluer l’outil sur un seul exemple facile.

Les champs dont l’erreur aurait une conséquence importante demandent un niveau de contrôle adapté, pouvant aller jusqu’à une revue systématique avant utilisation. Un score global satisfaisant peut masquer un champ critique mal extrait. De même, une réussite sur un échantillon ne justifie pas d’étendre automatiquement l’usage à un autre type de fichier.

Définissez qui peut corriger, qui valide et comment une anomalie est signalée. Conservez la version source et la trace utile de la correction dans l’environnement autorisé. Évitez d’envoyer des extractions non vérifiées vers un système qui déclencherait directement une action irréversible.

Pour prolonger la démarche, consultez notre grille de tests d’un assistant IA et nos repères sur les réponses inventées. DEMETER SANTÉ propose une offre de formation et des services d’accompagnement IA. Pour étudier un besoin documentaire, décrivez votre cas d’usage sans joindre de données confidentielles lors du premier contact.

Questions fréquentes

Pourquoi un PDF lisible peut-il être mal extrait ?

L’image visible, le texte reconnu et la structure interprétée peuvent être différents. Des caractères peuvent être confondus et des valeurs attribuées à la mauvaise ligne. La lisibilité à l’écran ne valide donc pas toutes les données utilisées par l’outil.

L’OCR suffit-il pour comprendre un tableau ?

Reconnaître les caractères ne garantit pas l’association correcte entre une valeur, sa ligne et son en-tête. Il faut vérifier la structure, les cellules fusionnées et les notes éventuelles. Certaines solutions ajoutent une analyse de mise en page, qui reste à évaluer sur les documents concernés.

Une cellule vide doit-elle être remplacée par zéro ?

Non, sauf si une règle métier autorisée permet explicitement cette interprétation et qu’elle est documentée. Une cellule vide, une valeur illisible, une mention non applicable et un zéro écrit doivent rester distincts pendant le contrôle.

Un prompt qui demande de ne rien inventer garantit-il la fiabilité ?

Non. Il peut préciser le format attendu et faciliter la revue, mais les sorties restent à contrôler. Vérifiez aussi les pages et extraits cités. La fiabilité dépend de l’ensemble du traitement, des documents et des contrôles retenus.

Peut-on transmettre un dossier confidentiel à un outil public pour tester ?

Ne le faites pas sans autorisation et analyse du cadre applicable. Un premier essai peut utiliser des documents publics ou fictifs. Pour les fichiers internes, respectez les outils approuvés, les règles de confidentialité et les décisions des interlocuteurs compétents.

Sources et méthode

Article rédigé le 25 octobre 2026 sous la signature éditoriale de Dimitri Jorand. Sources primaires consultées à cette date. Préparation rédactionnelle assistée par IA et contrôle documentaire des références. Les exemples sont fictifs ; les grilles et propositions pratiques sont originales. Ce support d’information ne remplace pas une analyse de votre situation par les interlocuteurs compétents ni les procédures de votre structure.

Sources