Si vous avez essayé d'automatiser du traitement de documents il y a cinq ou six ans, vous en gardez probablement un mauvais souvenir. L'OCR de l'époque transcrivait du texte, ligne par ligne, et perdait absolument tout le reste : la structure du tableau, la relation entre un libellé et sa valeur, la différence entre un en-tête et une note de bas de page. On récupérait une bouillie de mots qu'il fallait redécouper à la main avec des règles fragiles.
Ça a réellement changé, et c'est une des rares fois où je le dis sans nuance. Les outils actuels ne rendent plus une suite de mots : ils rendent une structure. Un tableau reste un tableau, une facture rend ses lignes, un formulaire rend ses champs avec leurs étiquettes.
Ce que ça débloque concrètement
La conséquence pratique est qu'un pan entier de travail disparaît. Avant, l'essentiel du chantier consistait à écrire les règles de redécoupage, et à les réécrire à chaque fournisseur qui changeait la mise en page de ses factures. C'était du travail à perte, sans fin, et c'est la raison pour laquelle beaucoup de projets s'arrêtaient au prototype.
Aujourd'hui, le chantier se déplace vers la question intéressante : qu'est-ce qu'on fait de la donnée une fois qu'on l'a. C'est-à-dire le métier, pas la plomberie.
Le piège : la confiance sans filet
Voilà où presque tout le monde se fait avoir, et c'est d'autant plus vicieux que ça marche très bien au début. L'extraction est bonne, on la branche directement sur la comptabilité ou sur l'ERP, et on passe à autre chose.
Sauf qu'une extraction ne dit jamais qu'elle a mal lu. Un montant mal reconnu ne ressemble pas à une erreur : il ressemble à un montant. Il n'y a pas de bordure rouge, pas d'alerte, juste un chiffre plausible au mauvais endroit. Et vous le découvrirez au rapprochement bancaire, trois semaines plus tard, quand personne ne se souviendra du document d'origine.
Le filet, en trois règles
Rien de compliqué, mais il faut le poser dès le premier jour, pas après le premier incident :
- — Garder le document source à côté de la donnée extraite. Pas dans un autre dossier : accessible en un clic depuis la ligne. C'est ce qui transforme une vérification de dix minutes en une vérification de dix secondes.
- — Faire vérifier ce qui est vérifiable par le calcul plutôt que par un humain. Un total qui ne correspond pas à la somme des lignes, une date hors période, un numéro qui n'existe pas dans vos référentiels : la machine le voit, et elle ne se fatigue jamais.
- — Relire un échantillon au hasard, pas seulement ce que le système a signalé. Les cas qu'il signale sont ceux qu'il a su douter. Les vrais problèmes sont dans ceux qu'il n'a pas signalés.
Pour finir
La lecture de documents est un des rares endroits où la technologie a vraiment rattrapé la promesse qu'on en faisait. Le travail restant n'est plus d'extraire. C'est de savoir quand se méfier de ce qu'on a extrait, et d'avoir prévu de quoi le vérifier sans rouvrir une enquête.