La démo utilise toujours le même document : un PDF natif, généré par un autre système, bien mis en page, dans une seule langue, avec des tableaux au carré et le logo en haut à gauche. L'outil le lit en deux secondes et rend tous les champs. Applaudissements. Et c'est vrai, il n'y a pas de truc : ce document-là, n'importe quel produit correct du marché le traite aujourd'hui, et il le traite pour pas cher. Le problème, c'est que ce document n'est pas le tien. Ou plus exactement : c'est 85 % du tien, et les 85 % n'ont jamais été le projet.
La thèse en une phrase : en extraction documentaire, le budget et le calendrier ne sont pas fixés par la partie facile. Ils sont fixés par les 15 % de documents bizarres qu'aucune démo ne montre — le scan de travers, le tableau coupé entre deux pages, le bon de livraison manuscrit avec un tampon dessus, le fournisseur qui a changé son modèle en juillet sans prévenir personne. Et le chiffre avec lequel on te le vend, le taux moyen de précision, est précisément la métrique conçue pour que cette traîne reste invisible.
Les erreurs d'extraction de données de documents par IA ne se répartissent pas uniformément
Quand un prestataire annonce « 97 % de précision », ce que tu entends, c'est une moyenne. Et une moyenne, par définition, répartit : elle suggère que sur cent documents, trois ont un souci mineur, tirés au hasard, comme on perd trois chaussettes par an. Ça ne marche pas comme ça. Les erreurs d'extraction ne se saupoudrent pas sur l'ensemble : elles se concentrent, et toujours aux mêmes endroits. La même poignée de fournisseurs, le même type de scan, le même champ maudit.
C'est cette concentration qui transforme un joli chiffre en projet long. Si les 3 % d'échec étaient vraiment répartis, le processus les absorbe : quelqu'un corrige trois trucs isolés et on avance. Si les 3 %, ce sont toujours les documents des mêmes quatorze fournisseurs, tu n'as pas 3 % d'erreurs : tu as quatorze fournisseurs qui continuent d'être saisis à la main, avec leur flux parallèle, leur personne dédiée et leur tableur. L'économie que tu avais budgétée s'évapore là, pas dans le modèle.
La logique générale — pourquoi un pourcentage de précision ne suffit pas en production et comment le seuil se fixe selon le coût de l'erreur — on l'a racontée à part. Ici, on va au concret : ce que sont exactement ces documents, pourquoi ils cassent, et ce qu'il faut exiger avant de signer quoi que ce soit.
Les cinq documents qui bouffent le projet
Ce ne sont pas cinq cas exotiques. Ce sont les cinq qui apparaissent dans n'importe quelle opération réelle dès que tu passes deux semaines à regarder la vraie boîte de réception, et pas le dossier d'exemples que quelqu'un a préparé pour la réunion.
| Ce qui arrive | Pourquoi ça casse | Ce que ça coûte vraiment |
|---|---|---|
| La photo prise au téléphone et le scan à 150 ppp | Texte de travers, ombre sur la moitié de la page, résolution sous le seuil qui permet de distinguer un 3 d'un 8 | L'erreur ne se voit pas : le montant entre, il est plausible, et personne ne l'attrape avant la clôture |
| Le tableau coupé entre deux pages | Le système lit chaque page comme une unité ; la dernière ligne de la première et la première de la seconde sautent ou se dupliquent | Le total tombe juste et les lignes non — c'est exactement ce dont la compta analytique a besoin |
| Le manuscrit, le tampon et la note au stylo | La quantité reçue corrigée à la main sur le bon de livraison est la bonne donnée, et c'est la seule qui n'est pas imprimée | Le système rend le chiffre imprimé avec une confiance totale : erreur silencieuse, la plus chère de toutes |
| Le fournisseur qui a changé son modèle en juillet | Ce qui marchait avec un modèle cesse de marcher sans que personne ne touche à rien, et le système ne prévient pas puisqu'il trouve encore des champs | Des semaines de mauvaises données avant que quelqu'un ne voie le motif ; le coût, ce n'est pas de retraiter, c'est de ne plus faire confiance |
| Le document ambigu : avoir, copie, proforma | Le problème n'est pas de le lire, c'est de décider ce que c'est. La forme est identique à celle d'une facture et le sens est l'inverse | Un avoir comptabilisé comme facture se paie deux fois ; on le découvre au rapprochement, des mois plus tard |
Regarde la troisième colonne, celle que personne ne lit en phase d'achat. Aucun des cinq ne tombe en panne bruyamment. Un système qui plante et renvoie une erreur est bon marché : tu le vois, tu l'envoies en file manuelle et tu continues. Les cinq du dessus renvoient une donnée : plausible, bien formatée, avec la confiance habituelle. C'est ce mode de défaillance-là qui fixe vraiment le calendrier du projet, parce qu'on ne le règle pas avec un meilleur modèle — on le règle avec des validations, des règles métier et quelqu'un qui regarde au bon endroit.
Pourquoi le taux moyen de précision masque justement la partie chère
L'arithmétique qui explique qu'une précision par champ de 95 % puisse donner un taux de documents valides de 60 %, on l'a déjà démontée en comparant l'OCR classique et les modèles multimodaux pour lire des documents : ça se mesure par champ et ça se paie par document, et le champ qui échoue n'est jamais le code postal. Ce qui nous intéresse ici, c'est la conséquence, et elle est budgétaire, pas métrologique : l'écart entre ces deux chiffres n'est pas du bruit statistique, c'est la traîne de documents difficiles transformée en travail manuel permanent.
Et ce n'est pas une intuition de salle de réunion : c'est le goulot que la recherche sectorielle mesure depuis des années. Dans The State of ePayables 2025, Ardent Partners situe le taux moyen d'exceptions sur factures à 18,4 % — près d'une facture sur cinq sort du flux automatique et finit entre les mains d'une personne — et affirme explicitement que les exceptions sont la première cause isolée de la stagnation des autres indicateurs du service. Dans la même mesure, les organisations du premier quartile ne traitent pas des factures différentes : elles ont un taux d'exceptions 47 % plus bas et traitent 1,8 fois plus de factures sans intervention humaine que les autres. L'écart entre un service comptable bon et un service moyen n'est pas dans le document facile. Il est entièrement dans la traîne. (Périmètre : échantillon majoritairement nord-américain de professionnels de la comptabilité fournisseurs ; ce chiffre dimensionne le problème, ce n'est pas un résultat de notre part.)
Traduit en budget : si tu dimensionnes le projet sur les 85 % qui passent tout seuls, tu budgètes la partie qui était déjà bon marché. La vraie facture vient de l'autre bout, et elle arrive en semaines de calendrier, pas en licences.
Quoi demander au prestataire avant de signer
Cinq questions. Aucune n'est technique et les cinq sont inconfortables — ce qui est exactement le signe qu'elles servent. Un prestataire qui y répond bien vaut plus qu'un autre avec une démo impeccable.
- « Donnez-nous votre taux sur nos deux cents pires documents, pas sur votre benchmark. » C'est la seule question qui compte. C'est toi qui choisis l'échantillon : les mauvais scans, les fournisseurs bizarres, les manuscrits. Si la réponse est qu'il faut d'abord entraîner dessus, c'est une réponse valable et honnête — mais tu sais désormais qu'il y a une phase de projet qui n'était pas au devis.
- « Donnez-moi la précision détaillée par champ, pas le chiffre global. » Le global, c'est du marketing. Par champ, on voit tout de suite si le montant et le numéro fiscal tiennent, ou si la moyenne est portée par la date et le code postal.
- « Que fait le système quand il n'est pas sûr ? » La bonne réponse, c'est qu'il le signale et l'envoie en revue. Si le système rend toujours une valeur, il n'a pas d'incertitude : il est aussi confiant sur ce qu'il sait que sur ce qu'il invente, et c'est l'erreur silencieuse du tableau ci-dessus.
- « Comment j'apprends qu'un fournisseur a changé son modèle ? » Cherche une réponse avec un mécanisme concret — une alerte sur la chute de confiance ou sur la dérive de la distribution des valeurs. Si la réponse est « tu le verrais dans les données », la traduction, c'est que tu le verras tard.
- « Qui paie le retraitement, et sous quel délai. » Pas pour punir qui que ce soit : pour savoir si le coût des 15 % reste de ton côté de la table. Il y reste presque toujours. Mieux vaut le savoir avant de signer qu'à la deuxième clôture.
Un avertissement sur la première question : prépare l'échantillon avant la réunion, pas après. Deux cents documents choisis par toi, avec leur vérité notée à la main. C'est une journée de travail ennuyeuse et c'est la seule chose qui transforme une décision d'achat en mesure.
Comment budgéter ça pour que ça arrive en production
La méthode qui marche est contre-intuitive : on budgète d'abord la traîne difficile et on ne budgète presque pas la partie facile. En pratique, ça veut dire trois décisions prises avant d'écrire une ligne de code. Un, quels champs sont critiques et lesquels sont confortables — le montant se valide contre la commande, le code postal ne se valide contre rien. Deux, où se place la personne : pas à tout relire, ça tue l'économie, mais exactement sur les documents que le système marque comme douteux et sur les champs qui coûtent de l'argent. C'est la conception de l'humain dans la boucle d'une automatisation appliquée au cas le plus littéral qui soit. Et trois, ce qui arrive en aval à un document illisible, parce qu'un projet d'extraction qui laisse un trou à l'étape suivante n'a rien automatisé : il a déplacé le goulot, qui est le piège classique d'automatiser un processus de bout en bout avec l'IA.
Ces trois-là tranchées, le choix technologique devient presque secondaire — et le moment venu, la comparaison entre l'OCR classique et les modèles multimodaux pour lire des documents est racontée à part. Nous, on monte exactement ça dans les deux cas qui reviennent le plus : extraire les données des factures et classer les documents qui entrent pour que chacun finisse à sa place. Dans les deux, le travail sérieux n'est pas de lire le beau PDF. C'est de décider ce qui se valide, qui regarde les douteux et ce qui se passe quand arrive le document moche.
La conclusion, sans décor
La question sur laquelle presque tout le monde achète — « quelle précision ça a ? » — est la mauvaise question, et pas parce que le chiffre serait faux, mais parce qu'il décrit la part du travail qui était déjà réglée. La question utile, c'est ce que fait ton système le jour où arrivent le bon de livraison manuscrit, le tableau coupé et le nouveau modèle du gros fournisseur. Si la réponse est « il le marque, il l'écarte et il prévient », tu as un projet. Si la réponse est un pourcentage, tu as une démo.
N'achète pas une précision moyenne. Achète un comportement face au document moche.