Extraire des données de documents avec l'IA
Extraire des données fiables de vos factures, bons de commande, formulaires, contrats et pièces d'identité avec l'IA : outils, schémas, mesure de la précision, validation humaine.
Extraire des données d'un document avec l'IA, c'est passer d'un PDF ou d'une photo à une fiche structurée : le numéro de facture, la date, le fournisseur, le total, chaque ligne de commande, rangés dans un objet JSON (un format de données que tous les logiciels lisent). Trois voies existent : un modèle spécialisé prêt à l'emploi (par exemple le modèle facture d'Azure Document Intelligence), un service d'extraction complet (Mindee, Rossum, Klippa), ou un grand modèle de langage (LLM) à qui l'on impose un schéma de sortie. Ce site, mis à jour le 15/11/2026, explique comment choisir, comment rendre l'extraction fiable et comment le prouver.
La chaîne d'une extraction
Amazon décrit le traitement intelligent des documents (IDP) comme l'automatisation de la saisie manuelle à partir de documents papier ou d'images. Dans la pratique, la chaîne compte cinq étapes :
- Capter le document (courriel, dépôt, scan) et le classer : facture, contrat, formulaire.
- Lire le texte : couche texte du PDF, ou reconnaissance optique de caractères (OCR) pour un scan.
- Extraire les champs voulus, au format JSON.
- Valider : règles métier, score de confiance, relecture humaine des cas douteux.
- Envoyer les données vers le logiciel comptable, le progiciel de gestion (ERP) ou un tableur.
La lecture et la préparation des fichiers (conversion en Markdown, OCR, tableaux) sont traitées sur Cercle IA Tech · Documents. Ici, on s'occupe des étapes 3 et 4 : sortir les bons champs, et savoir quand on peut leur faire confiance.
Les pages de ce site
| Votre question | La page |
|---|---|
| Quel service pour les factures, à quel prix ? | API d'extraction de factures |
| Modèle spécialisé ou LLM ? | LLM ou modèle spécialisé |
| Comment décrire les champs attendus ? | Le schéma JSON d'extraction |
| Mon extraction est-elle fiable ? | Mesurer la précision champ par champ |
| Quand faire relire par un humain ? | Seuil de confiance et validation |
| Et les factures électroniques ? | Lire le XML d'une facture Factur-X |
| Bons de commande | Extraire un bon de commande |
| Contrats | Extraire les clauses d'un contrat |
| Formulaires remplis à la main | Lire un formulaire manuscrit |
| Pièces d'identité | Pièces d'identité et RGPD |
| Des milliers de fichiers | Extraction par lots |
| Mistral OCR | Les annotations de Mistral OCR |
| Le vocabulaire | IDP : définition |
Ce qui fait une extraction fiable
La forme et le fond sont deux problèmes différents. Les sorties structurées des API de LLM garantissent un JSON conforme au schéma ; elles ne garantissent pas que le montant lu soit le bon. Les services spécialisés, de leur côté, renvoient un score de confiance : Microsoft le définit comme une probabilité estimée, entre 0 et 1, que la prédiction soit juste, et conseille de s'en servir pour accepter automatiquement une valeur ou la faire vérifier.
D'où les trois réflexes que l'on retrouve dans toutes nos pages :
- Un schéma strict, avec des types, des formats de date et une valeur « absent » prévue.
- Une mesure sur un échantillon de vos propres documents, champ par champ, avant la mise en production.
- Une règle de relecture : contrôles de cohérence (le total égale-t-il la somme des lignes ?) et seuil de confiance au-dessous duquel un humain valide.
Qui édite ce site
Cercle IA Tech est édité par IArche, à Bayonne, qui édite aussi ALMA, une plateforme pour créer des agents IA alimentés par vos documents : l'agent répond aux questions à partir de vos PDF et de vos pages web. C'est l'autre façon de tirer parti de vos documents, à côté de l'extraction de champs décrite ici. Les outils cités sur ce site ne sont pas édités par IArche ; leurs caractéristiques et leurs prix ont été relevés sur leurs pages officielles le 15/11/2026.
Toutes les pages
Guides
- Extraire des milliers de documents par lots
Traitement par lots chez Anthropic et Mistral : 50 % de remise, limites, reprise sur erreur, coût à calculer et contrôle qualité pour de gros volumes.
- Extraire les clauses d'un contrat avec l'IA : méthode
Parties, durée, préavis, reconduction : extraire les clauses d'un contrat en citant le texte exact, et connaître les limites des modèles.
- Extraire les données d'un bon de commande avec l'IA
Champs à extraire d'un bon de commande, schéma JSON, services qui le gèrent (Azure, Google), format Order-X et contrôles avant d'envoyer à l'ERP.
- Lire le XML d'une facture Factur-X, sans IA
Une facture Factur-X contient ses données en XML : profils, extraction avec une bibliothèque Python, contrôles et repli sur l'extraction par IA.
- Lire un formulaire manuscrit : ce que l'IA sait faire
Écriture manuscrite, cases à cocher, scans : ce que disent Azure, Google et Mistral, comment préparer les images et valider les champs douteux.
- Mesurer la précision d'une extraction, champ par champ
Constituer un jeu de test, comparer champ par champ, ne pas confondre confiance et précision : la méthode pour savoir si votre extraction est fiable.
- Mistral OCR : les annotations pour extraire en JSON
Comment fonctionnent les annotations de Mistral OCR : schéma JSON, annotation de document ou de zone, prix de 5 $ les 1 000 pages (relevé 15/11/2026).
- Pièces d'identité : extraction par IA et RGPD
Lire une carte d'identité ou un passeport avec l'IA : ce que savent faire Azure et Google, et les règles du RGPD à respecter (minimisation, conservation).
- Schéma JSON d'extraction : bien décrire les champs
Types, dates, montants, valeurs absentes, listes de lignes, descriptions : écrire le schéma JSON qui guide l'extraction d'un document par une IA.
- Seuil de confiance : quand faire relire par un humain
Comment lire un score de confiance, fixer un seuil par champ avec un jeu de test et décider ce qui passe seul ou part en relecture humaine.
Comparatifs
- API d'extraction de factures : six solutions comparées
Azure, Google Document AI, Mindee, Rossum, Klippa, Mistral OCR : champs extraits, français, prix relevés le 15/11/2026, et comment les départager.
- LLM ou modèle spécialisé pour extraire des documents
Modèle prédéfini (Azure, Google) ou grand modèle de langage avec schéma imposé : forces, limites, coûts à calculer et règle de choix pour vos documents.
Définitions
- IDP : définition du traitement intelligent des documents
IDP, ou traitement intelligent des documents : définition, différence avec l'OCR, les étapes de la chaîne, et ce que le terme recouvre chez les éditeurs.