Numériser ses documents papier pour un assistant IA

Pour qu'un assistant d'intelligence artificielle (IA) exploite un document papier, il ne suffit pas de le scanner : il faut en tirer du texte, par reconnaissance optique de caractères (OCR, le procédé qui transforme l'image d'une page en texte), puis vérifier ce texte. Et avant tout cela, il faut choisir ce qui mérite d'être numérisé : dans une PME (petite ou moyenne entreprise), le tri fait gagner plus de temps que n'importe quel réglage du scanner.

Étape 1 : trier avant de scanner

Ne numérisez pas un classeur entier « au cas où ». Pour chaque document papier, posez trois questions :

1. Est-il encore en vigueur ? Une ancienne grille tarifaire ou une procédure remplacée n'a rien à faire dans l'assistant.
2. Répond-il à une question qu'on vous pose ? Si personne ne le demande, il peut attendre.
3. Existe-t-il déjà en version numérique ? Le fichier d'origine (Word, tableur, fichier PDF du fournisseur, le format de document figé) vaut toujours mieux qu'un scan de son impression. Cherchez-le, ou demandez-le au fournisseur.

Ce tri vous évite de passer du temps à numériser, contrôler et ranger des documents qu'il faudrait retirer ensuite.

Étape 2 : scanner ou ressaisir ?

La ressaisie a un avantage caché : c'est l'occasion de relire, corriger et dater le document. Un document ressaisi devient une source vivante ; un scan reste une photo du passé.

Étape 3 : soigner la numérisation

Adobe résume les conditions d'une bonne reconnaissance : une numérisation de bonne qualité, bien éclairée et parfaitement droite. La même page rappelle que les systèmes d'OCR ne sont pas parfaits et que leur résultat dépend de la qualité de l'image, de la complexité du texte, de la mise en page, des polices et du formatage.

En pratique :

• enlevez agrafes et post-it, dépliez les coins cornés ;
• gardez une image nette : Adobe conseille, dans la même page, des images de haute qualité pour éviter les erreurs ;
• vérifiez l'orientation : la documentation d'Anthropic sur les PDF conseille de remettre les pages à l'endroit et de garder un texte net et lisible ;
• faites un fichier par document, pas un fichier par lot de numérisation : un PDF qui mélange trois procédures donne des réponses mélangées.

Étape 4 : passer la reconnaissance de caractères

Beaucoup de logiciels de numérisation et d'édition de PDF proposent l'OCR à l'enregistrement. Certains outils d'IA la font aussi eux-mêmes, avec des limites. Google, par exemple, documente pour son moteur de recherche d'entreprise un analyseur OCR réservé aux PDF, qui ne traite que les 500 premières pages d'un fichier, et recommande son analyseur de mise en page pour les scans complexes, avec tableaux ou texte dans des images. Il précise aussi qu'un changement d'analyseur ne s'applique qu'aux documents importés ensuite.

Ne comptez donc pas sur l'outil final pour rattraper un mauvais scan : faites l'OCR vous-même, une fois, et contrôlez le résultat.

Étape 5 : contrôler

Pour chaque fichier numérisé :

1. Le test de la sélection. Ouvrez le PDF et essayez de sélectionner une phrase. Si rien ne se sélectionne, il n'y a pas de texte.
2. Le test de la recherche. Cherchez un mot rare du document (une référence, un nom de produit). S'il n'est pas trouvé, l'OCR l'a mal lu.
3. Le test du copier-coller. Copiez un paragraphe dans un éditeur de texte. Les lettres confondues, les colonnes mélangées et les tableaux éclatés apparaissent tout de suite.
4. Le test des chiffres. Vérifiez les prix, dosages, dimensions et numéros : une erreur d'OCR sur un chiffre est la plus dangereuse, parce qu'elle passe inaperçue.

Étape 6 : nommer et ranger

Donnez au fichier un nom qui dit ce qu'il est et sa date, par exemple selon la règle des Archives municipales de Nancy : type de document, puis date au format AAAAMMJJ (année, mois, jour). Voir les règles de nommage et le plan de classement.

Et l'original papier ?

La numérisation pour un assistant n'est pas un archivage. Gardez les originaux tant que vous n'avez pas vérifié les règles de conservation qui s'appliquent à chaque type de document : voir les durées de conservation.