Lire factures, bons et documents manuscrits avec l’IA : fiabilité, contrôle et intégration

Ce que c’est : de l’OCR aux modèles vision-langage

La reconnaissance optique de caractères (OCR) existe depuis des décennies : elle transforme l’image d’un texte en texte. Mais elle ne comprend pas ce qu’elle lit. Pour extraire le numéro de facture, le montant hors taxes ou la date d’échéance, il fallait définir des modèles par fournisseur, fragiles dès que la mise en page changeait.

Le traitement intelligent des documents (en anglais Intelligent Document Processing, IDP) va plus loin : il combine lecture, compréhension et extraction de données structurées. Les approches les plus récentes s’appuient sur des modèles vision-langage : des modèles d’IA qui reçoivent directement l’image d’un document et peuvent répondre à une consigne comme « extrais le fournisseur, la date, le total HT, la TVA et chaque ligne de produit, au format JSON ».

Leur force : ils comprennent la structure du document sans modèle préalable. Un tableau, un tampon, une mention manuscrite dans la marge, une facture en anglais ou en espagnol sont interprétés dans leur contexte. Ils lisent également l’écriture manuscrite bien mieux que l’OCR classique, même si la qualité dépend fortement de la lisibilité.

Pourquoi c’est important maintenant

Deux mouvements se rejoignent :

• La maturité technique : les grands modèles actuels intègrent nativement la vision, et des modèles plus légers spécialisés dans les documents sont apparus, y compris en open source. La lecture de documents variés, de photos prises au téléphone et de manuscrits est devenue exploitable en production, sous contrôle humain.
• La facturation électronique : avec la réforme, les factures entre entreprises assujetties établies en France vont progressivement arriver dans des formats structurés. Mais de nombreux documents resteront sur papier ou en PDF : bons de livraison, tickets, factures de fournisseurs étrangers, notes de frais, documents d’intervention, courriers. La lecture automatisée reste donc utile, et devient complémentaire des flux structurés.

Cas d’usage concrets pour une TPE/PME

Artisan : bons d’intervention et tickets de fournitures

Le technicien photographie la fiche d’intervention signée par le client et les tickets du distributeur. L’IA extrait heures, matériaux, références et montants, et les rattache au bon chantier. La facturation et le calcul de marge sont préparés sans ressaisie.

Restaurant et commerce : bons de livraison

Chaque livraison est photographiée ; les quantités et les prix sont comparés automatiquement à la commande. Un écart (produit manquant, prix différent) déclenche une alerte avant le paiement de la facture.

Cabinet : pièces justificatives

Un cabinet reçoit des pièces hétérogènes de ses clients : l’IA les classe par type, extrait les données utiles et signale les pièces illisibles ou incomplètes. Le collaborateur se concentre sur la vérification et l’analyse.

Domaine viticole : documents d’export et registres

Documents de transport, factures d’importateurs étrangers, fiches de suivi manuscrites en cave : l’IA aide à les numériser et à alimenter les tableaux de suivi, avec vérification humaine pour tout ce qui a une portée réglementaire.

Tourisme : formulaires et courriers

Fiches de réservation papier, courriers de réclamation, bons d’échange d’agences : extraction des informations et création automatique de la fiche dans le logiciel de gestion.

Fiabilité et contrôle humain

Aucun système de lecture n’est parfait. La question n’est pas « l’IA se trompe-t-elle ? » mais « comment détecter et corriger ses erreurs avant qu’elles ne coûtent ? ».

Les causes d’erreur

• Qualité de l’image : flou, reflet, pli, photo prise de biais, faible résolution.
• Écriture manuscrite difficile, chiffres ambigus (1 et 7, 5 et S).
• Documents longs ou tableaux complexes, lignes qui débordent sur plusieurs pages.
• « Correction » abusive : un modèle vision-langage peut proposer une valeur plausible au lieu de la valeur réellement écrite, ou compléter une information absente. C’est une forme d’hallucination à surveiller particulièrement.

Les garde-fous indispensables

• Contrôles de cohérence automatiques : la somme des lignes correspond-elle au total ? Le taux de TVA est-il plausible ? Le SIREN du fournisseur existe-t-il ? La date est-elle cohérente ?
• Rapprochement avec les données existantes : commande, bon de livraison, fiche fournisseur, historique des prix.
• Validation humaine ciblée : les documents qui passent tous les contrôles peuvent être traités rapidement ; ceux qui présentent un doute sont présentés à un opérateur, avec l’image à côté des valeurs extraites.
• Conservation de l’original : l’image ou le PDF d’origine reste attaché à la donnée extraite, pour pouvoir vérifier à tout moment.
• Mesure continue : suivre le taux de corrections faites par les opérateurs permet de savoir objectivement où le système est fiable et où il ne l’est pas.

Limites et précautions

• Données personnelles : les documents contiennent souvent des noms, adresses, parfois des données sensibles. Le RGPD s’applique : finalité, minimisation, sous-traitance encadrée, localisation de l’hébergement connue.
• Valeur probante : la donnée extraite par l’IA ne remplace pas l’original. Les règles de conservation des pièces comptables et la numérisation fidèle des factures papier obéissent à des exigences spécifiques ; consultez votre expert-comptable et la documentation de l’administration fiscale.
• Coût et volume : l’appel à un grand modèle vision a un coût par page. Pour de gros volumes homogènes, une combinaison OCR classique et modèle plus léger peut être plus pertinente.
• Dépendance au fournisseur : concevoir l’extraction autour d’un schéma de données qui vous appartient permet de changer de modèle sans tout refaire.

Intégration : par où commencer

1. Choisissez un type de document fréquent et pénible à saisir : bons de livraison, factures fournisseurs, fiches d’intervention.
2. Définissez les champs à extraire et les contrôles de cohérence associés.
3. Organisez la collecte : adresse courriel dédiée, dossier partagé, photo depuis une application mobile.
4. Constituez un échantillon de test représentatif, y compris les documents difficiles, et mesurez les erreurs.
5. Intégrez le résultat dans vos logiciels (gestion, comptabilité, suivi de chantier) via leurs API, avec une file de validation pour les cas douteux.
6. Suivez les corrections et ajustez les consignes et les contrôles.

Groupe Solution met en place des chaînes de lecture automatique de documents reliées aux logiciels existants, avec contrôles de cohérence, validation humaine ciblée et conservation des originaux.