Traitement documentaire par IA : extraire vos données, sans perdre le lien avec leurs sources.
Contrats, factures, formulaires, documents numérisés : nous concevons des chaînes qui lisent, extraient et classent les informations utiles, montrent d'où vient chaque valeur et signalent ce qui doit être vérifié avant d'entrer dans vos logiciels.
Démonstration : contrat, société et montants fictifs. Une valeur extraite n'est pas une valeur validée : les champs signalés attendent une personne.
Illustration en six étapes, données fictives. 1. Un contrat de maintenance numérisé est reçu. 2. Sept zones sont repérées : référence, date, client, équipement, montant, annotation manuscrite, signature. 3. Le texte de chaque zone est lu. 4. Les valeurs sont structurées dans une fiche, chacune reliée à sa zone : référence CM-2026-0418, date 14/03/2026, client Société Aldane, compresseur d'air C-12. 5. Les ambiguïtés sont signalées : le montant imprimé de 4 800,00 euros est barré et corrigé à la main en 4 300, à vérifier ; l'annotation manuscrite n'est lue qu'en partie, non déterminée ; un tracé est présent dans la zone de signature, signataire non identifié, à vérifier. 6. La fiche est soumise au contrôle d'une personne ; aucun champ n'est validé.
Contrat de maintenance · page 1numérisé, fictif
Fiche d'extractionsource : page 1
- 1RéférenceCM-2026-0418CM-2026-0418 Extrait
- 2Date du contrat14 mars 202614/03/2026 Extrait
- 3ClientSociété AldaneSociété Aldane Extrait
- 4Équipementcompresseur d'air C-12, série 7741-BCompresseur d'air C-12 · série 7741-B Extrait
- 5Montant annuel HT4 800,00 € (barré) · 4 300 (à la main)4 800,00 € imprimé, barré ; 4 300 écrit à la main À vérifiercorrection manuscrite
- 6Annotation manuscritevisite suppl. en j? ?« visite suppl. en j… ? » : un mot incertain Non déterminélecture partielle
- 7Signature du clienttracé détectéUn tracé est présent À vérifiersignataire non identifié
Soumise au contrôle : 4 champs extraits, 2 à vérifier, 1 non déterminé. Aucune validation pour l'instant.
Extraction d'un contrat numérisé, six étapes
Contrats, factures, formulaires, scans : les informations utiles, sorties des documents qui les cachent.
Les documents d'entreprise sont rarement propres : des PDF natifs, des scans de travers, des modèles qui changent d'un émetteur à l'autre. Nous partons de ceux que vous recevez vraiment.
Les documents
- Contrats et avenants
- Factures et bons de commande
- Bons de livraison
- Formulaires et dossiers
- Rapports d'intervention
- Courriers numérisés
Les informations
- Montants, dates, échéances
- Références, numéros, identifiants
- Parties, adresses, signataires
- Quantités et lignes de tableau
- Mentions et annotations, lorsque la qualité le permet
- Le type et l'émetteur du document lui-même
Cinq opérations
- Lire le texte de la page, avec sa position.
- Extraire les champs attendus, au bon format.
- Classer le document par type et par émetteur.
- Rapprocher un bon de commande et sa facture, par exemple.
- Signaler une incohérence, comme un total qui ne correspond pas aux lignes.
Selon votre secteur : BTP et construction, maintenance et services techniques, industrie et logistique. Les documents de vos plateformes métiers peuvent aussi être alimentés de cette façon.
OCR, règles, IA : la méthode la plus simple qui suffit.
Lire un document mobilise plusieurs techniques. Nous les combinons selon vos documents, et pas l'inverse.
Reconnaissance de texte (OCR)
- Ce qu'elle fait
- Transforme l'image d'une page en texte, avec la position de chaque mot.
- Quand elle suffit
- Indispensable pour un scan ou une photo ; inutile pour un PDF natif, dont le texte est déjà lisible.
Règles et modèles de document
- Ce qu'elle fait
- Retrouve un champ par son libellé, sa position et son format ; vérifie un total ou une date.
- Quand elle suffit
- Souvent suffisant pour des documents réguliers : simple à contrôler et à maintenir.
Modèles d'IA, dont les grands modèles de langage
- Ce qu'elle fait
- Comprennent une mise en page variable ou un libellé inhabituel.
- Quand elle suffit
- Utiles quand les règles ne suffisent plus ; leurs résultats restent contrôlés comme les autres.
Ce qui décide de l'architecture
- Le type de document
- La qualité de l'image
- Les variations de mise en page
- Les champs recherchés
- Le volume à traiter
- Les contraintes de confidentialité
- Le budget et les exigences d'exploitation
Un grand modèle de langage n'est pas imposé : là où des règles suffisent, elles sont plus simples à contrôler. Ce que montre une image — un objet, un état, un défaut apparent — relève plutôt de la vision par ordinateur ; produire ou reformuler des textes, de l'IA générative ; interroger tout un fonds de documents, de la recherche documentaire.
Un montant, plusieurs lectures possibles : le bon chiffre, avec sa source et sa validation.
Trouver un nombre dans un document ne suffit pas. Choisissez un cas : la fiche montre les valeurs candidates, d'où elles viennent, pourquoi l'une est retenue ou non, et ce qui attend une personne.
Contrat CM-2026-0418 · page 1document fictif
Zone source, agrandie · 4 800,00 €
Le cadre plein orange montre la zone de la valeur choisie avec « Voir la source ».
Champ recherché : montant annuel HT du contrat
- 4 800,00 €valeur lue · texte imprimé, barréIncertaine : barré : remplacé ?
- 4 300valeur corrigée à la main · correction manuscrite paraphéeIncertaine : se lit 4 300 ; 4 800 n'est pas exclu ; ni décimales ni devise
- Indice de sélection
- Le montant imprimé est barré ; une correction paraphée est écrite au-dessus, sans décimales ni devise.
- Ambiguïté
- La correction s'applique-t-elle au contrat ? Le chiffre manuscrit se lit 4 300, mais 4 800 n'est pas exclu.
- Résultat transmis
- Aucun montant : le champ part « À vérifier », avec les deux candidats et l'image de la zone.
Contrôle attendu
Une personne choisit la valeur, ou demande l'avenant signé.
Bilan du champ
À vérifier
Aucune valeur retenue.
À vérifier : aucune valeur n'est retenue tant qu'une personne n'a pas choisi.
Les cinq cas, leurs valeurs candidates et ce qui attend une personne.
Cas A. Montant clairement identifié : Extrait
- 4 800,00 € (valeur lue, article 4, ligne « Montant annuel HT ») : Retenue par les règles, libellé attendu, symbole €, deux décimales.
- 14/03/2026 (valeur lue, en-tête, « Date ») : Écartée, une date, pas une somme.
- CM-2026-0418 (valeur lue, en-tête, référence du contrat) : Écartée, un identifiant.
- 12 (valeur lue, article 6, « 12 mois ») : Écartée, une durée.
Montant annuel HT = 4 800,00 €, avec la page et la zone d'origine ; retenu par les règles, pas encore validé par une personne.
Contrôle attendu : Une règle vérifie que le montant reste dans la fourchette prévue par le modèle de contrat. Une personne peut valider le champ ; sinon, vos contrôles par sondage continuent.
Cas B. Montant corrigé à la main : À vérifier
- 4 800,00 € (valeur lue, texte imprimé, barré) : Incertaine, barré : remplacé ?.
- 4 300 (valeur corrigée à la main, correction manuscrite paraphée) : Incertaine, se lit 4 300 ; 4 800 n'est pas exclu ; ni décimales ni devise.
Aucun montant : le champ part « À vérifier », avec les deux candidats et l'image de la zone.
Contrôle attendu : Une personne choisit la valeur, ou demande l'avenant signé.
Cas C. Plusieurs montants : Extrait
- 4 800,00 € (valeur lue, ligne « Total HT ») : Retenue par les règles, libellé attendu, et égal à la somme des lignes.
- 4 800,00 € (valeur calculée, somme des deux lignes : 3 600,00 + 1 200,00) : Contrôle arithmétique, calculée pour contrôler le total, pas lue dans le document.
- 5 760,00 € (valeur lue, ligne « Total TTC ») : Écartée, toutes taxes comprises : un autre montant.
- 960,00 € (valeur lue, ligne « TVA ») : Écartée, une taxe.
- 3 600,00 € (valeur lue, ligne « Visites trimestrielles ») : Écartée, une ligne du tableau.
Montant annuel HT = 4 800,00 €, retenu par les règles ; le total TTC peut être transmis dans son propre champ, si vous l'attendez.
Contrôle attendu : Le contrôle arithmétique est cohérent : aucune validation individuelle n'est exigée, sauf en cas d'écart. Une personne peut tout de même valider le champ.
Cas D. Numérisation insuffisante : Non déterminé
- 4 ?00,00 € (lecture partielle, article 4, ligne « Montant annuel HT ») : Illisible, le deuxième chiffre est illisible.
Non déterminé : le champ reste vide, avec l'image de la zone.
Contrôle attendu : Obtenir une meilleure copie, ou faire saisir le montant par une personne à partir de l'original.
Cas E. Document hors modèle : Hors modèle
- 135,00 € (valeur lue, ligne « Total ») : Non rattachée, pas de montant de contrat ici.
- 45,00 € (valeur lue, « Prix unitaire ») : Non rattachée, pas de montant de contrat ici.
« Document hors modèle » : aucun champ rempli ; le document attend d'être orienté.
Contrôle attendu : Une personne oriente le document : un autre modèle d'extraction, ou un traitement manuel.
À retenir : le bon montant, avec la bonne provenance et la bonne validation. Les mêmes règles valent pour une date, une référence, un identifiant ou une quantité.
Documents, société et montants fictifs. Aucun indice de confiance chiffré n'est affiché : les raisons du choix sont écrites.
Ce qu'un document permet de lire, et ce qu'il ne permet pas : vous le savez avant de compter dessus.
La qualité de l'extraction dépend d'abord du document. Nous la mesurons sur vos exemples avant de promettre un résultat.
- Scan flou, de travers ou incomplet
- Redressement de la page ; une page illisible est refusée, avec une nouvelle copie demandée.
- Écriture manuscrite
- Lue lorsque la qualité le permet ; sinon signalée, jamais devinée.
- Tableaux complexes, lignes sur plusieurs pages
- Contrôle des totaux par des règles, et lignes rattachées à leur tableau.
- Modèles inconnus
- Classement « hors modèle », sans remplissage forcé.
- Documents en plusieurs langues
- Langues prévues au cadrage, et documents imprévus signalés.
- Annexes et pièces jointes
- Règles d'association au document principal.
Une valeur extraite n'est pas une valeur validée : chaque champ garde sa source, ses contrôles et son validateur.
Une chaîne documentaire utile ne se contente pas de remplir des champs : elle dit d'où vient chaque valeur, ce qui a été vérifié, et par qui.
Extrait
lu et conforme aux règles prévues
À vérifier
une ambiguïté est signalée, avec ses candidats
Non déterminé
rien n'est inventé ; le champ reste vide
Validé par une personne
seulement après une action réelle de validation
Ce que garde chaque champ
- La page et la zone d'origine
- Le texte lu, avant toute normalisation
- Les règles appliquées et leur résultat
- La personne qui a validé ou corrigé, et quand
Confidentialité et traitement local
Données personnelles, documents contractuels, informations financières : les champs extraits se limitent au nécessaire, les accès suivent des habilitations, la durée de conservation est convenue, les accès et les validations sont journalisés, et l'hébergement se décide au cadrage.
Selon les contraintes et les outils retenus, certaines chaînes peuvent fonctionner sur une infrastructure que vous contrôlez, sans transmettre de documents à un service d'IA externe. Ce choix se fait après l'étude du besoin : un traitement local ne garantit à lui seul ni la confidentialité ni la conformité, et ne lit pas mieux l'écriture manuscrite.
Lorsqu'une donnée validée doit déclencher une action dans vos outils, elle peut être confiée à des agents IA, dans un périmètre défini.
Des données qui arrivent là où elles servent : dans vos logiciels, avec leur provenance.
Extraire n'a de valeur que si les données arrivent au bon endroit, au bon format, et que chacune garde la trace de son document.
Entrées
Boîte de réception, numérisation, dépôt de fichiers, gestion électronique de documents, portail fournisseur.
Sorties
ERP, comptabilité, GMAO, CRM ou tableur, selon les logiciels métiers que vous utilisez : format attendu, contrôle des doublons, rejets expliqués.
Suites
Un rapprochement, une relance, la création d'une intervention : des opérations enchaînées par l'automatisation des processus.
Questions fréquentes sur le traitement documentaire
Ce que nous demandent les équipes avant de confier leurs documents à une chaîne d'extraction.
Peut-on extraire des données de PDF scannés ?
Oui. Une étape de reconnaissance de texte transforme l'image de la page en texte, avec la position de chaque mot, avant l'extraction des champs. La qualité du scan compte : une page floue, de travers ou incomplète est signalée, et une nouvelle copie demandée, plutôt que d'en tirer des valeurs incertaines.
L'IA peut-elle lire des annotations manuscrites ?
Parfois, lorsque l'écriture et la numérisation le permettent. Une annotation peu lisible est signalée comme non déterminée ou à vérifier, jamais complétée au hasard. Les mentions manuscrites qui modifient un document, comme une correction de montant, sont toujours soumises à une personne.
Comment éviter les erreurs de montants ou de références ?
En exigeant plus qu'un nombre trouvé : un libellé attendu, un format, une cohérence avec les autres champs, comme une somme de lignes, une date plausible ou une référence connue. Chaque valeur garde sa zone d'origine, et les cas ambigus partent en vérification au lieu d'être transmis.
Faut-il nécessairement un LLM pour traiter des documents ?
Non. Pour des documents réguliers, la reconnaissance de texte et des règles suffisent souvent, et elles sont plus simples à contrôler. Un grand modèle de langage devient utile quand les mises en page varient beaucoup ou que les libellés sont imprévisibles. Le choix se fait document par document.
Peut-on traiter les documents sur nos propres serveurs ?
Selon vos contraintes et les outils retenus, une chaîne peut fonctionner sur une infrastructure que vous contrôlez, sans envoyer vos documents à un service d'IA externe. Ce choix s'étudie avec vos équipes : il n'assure pas à lui seul la confidentialité ni la conformité, et ne garantit pas la lecture de l'écriture manuscrite.
Comment envoyer les données extraites vers notre logiciel métier ?
Les champs validés sont transmis dans le format attendu par votre outil, ERP, comptabilité ou GMAO, par une interface prévue à cet effet ou par un fichier d'échange. Les rejets sont expliqués, et chaque donnée envoyée garde la trace de son document d'origine.
Votre chaîne documentaire, du PDF au logiciel métier : un cadrage fait sur vos vrais documents.
Bordereau de cadrage · projet d'extraction documentaire
Ce que nous examinons avec vous
À examiner ensemble
- 01
Types de documents
Contrats, factures, bons, formulaires, rapports : lesquels, et sous quelle forme ?
- 02
Volumes
Combien par jour ou par mois, et avec quels pics ?
- 03
Qualité des scans
PDF natifs, scans, photos de téléphone : lisibles ou dégradés ?
- 04
Champs recherchés
Quelles informations exactement, et sous quel format ?
- 05
Variations de mise en page
Un modèle unique, ou des documents de dizaines d'émetteurs ?
- 06
Annotations manuscrites
Corrections, mentions, signatures : que faut-il en faire ?
- 07
Règles de contrôle
Totaux, dates, références : quelles cohérences vérifier ?
- 08
Validations humaines
Qui confirme les champs signalés, et dans quel délai ?
- 09
Logiciels destinataires
ERP, GMAO, comptabilité, GED : où vont les données ?
À joindre : quelques documents réels, y compris les moins lisibles
Le premier travail consiste à regarder vos vrais documents : leurs variations, leur qualité, les champs qui comptent. C'est là que se décide la méthode, et ce qui restera à contrôler.
- Un examen d'un échantillon de vos documents
- Les champs attendus et leurs règles de contrôle
- Une architecture proposée, selon vos contraintes
Réponse sous 24 à 48 heures ouvrées.
contact@crawleragency.com
+33 4 94 36 20 09
N'envoyez aucun document sensible par le formulaire : les modalités d'échange des exemples se conviennent ensemble.