Aller au contenu

IA

RAG sur des PDF scannés : ce qui casse vraiment

Par , fondateur de SIMGSOFT ·Publié le 1 septembre 2026 · Mis à jour le 18 octobre 2026 · 13 min de lecture

Réponse courte

Un RAG ne s'effondre presque jamais à cause du modèle, mais à cause de l'entrée. Sur des documents numérisés, quatre défauts dominent : une reconnaissance de caractères approximative, des tableaux transformés en bouillie, des en-têtes répétés qui polluent chaque extrait, et un ordre de lecture perdu sur les mises en page à colonnes.

Les quatre repères

Plafond de qualité
Entrée
Échantillon initial
30 doc.
Tableaux
Cas à part
Source citée
Page exacte

Les démonstrations de recherche augmentée fonctionnent admirablement sur des documents nés numériques. Le réel des entreprises est différent : des contrats scannés il y a douze ans, des plans annotés à la main, des procès-verbaux photocopiés plusieurs fois. Sur ce corpus, le système déçoit, et l'on accuse généralement le mauvais coupable.

Ce qui casse réellement

DéfautEffet sur les réponsesDétection
Reconnaissance approximativeChiffres et références faux, recherche qui ne trouve rienTaux de mots hors dictionnaire par page
Ordre de lecture perduPhrases entrecoupées, deux colonnes fusionnéesLecture manuelle du texte extrait, pas du PDF
Tableaux aplatisValeurs séparées de leur libellé, totaux inexploitablesComparaison visuelle sur dix pages contenant des tableaux
En-têtes et pieds répétésChaque extrait pollué par le même bloc, similarité artificielleRecherche des lignes identiques répétées dans le corpus
Pages tournées ou obliquesTexte illisible sur des documents entiersContrôle du taux de caractères reconnus par page
Tampons et annotationsMots parasites au milieu des phrasesInspection de l'échantillon initial
Le premier réflexe, quand un système répond mal, devrait être de lire le texte extrait plutôt que d'ajuster le prompt. Dans la majorité des cas, le problème est visible à l'œil nu dès la deuxième page.

Choisir et régler la reconnaissance de caractères

Le réglage compte autant que l'outil. Quatre décisions font l'essentiel de l'écart de qualité, et elles se prennent sur l'échantillon initial plutôt que sur des principes.

  • Le prétraitement de l'image. Redressement, correction du contraste, suppression du bruit. Sur des photocopies anciennes, ce seul travail change davantage le résultat que le choix du moteur.
  • La langue déclarée. Un corpus multilingue traité en une seule langue produit des erreurs systématiques sur les accents et les mots rares.
  • Le seuil de confiance. Conservez l'indice de confiance par bloc. Il permet de signaler à l'utilisateur qu'une réponse s'appuie sur un passage mal lu.
  • La préservation de la mise en page. Un moteur qui restitue les positions permet de reconstruire l'ordre de lecture et de repérer les colonnes ; un moteur qui rend un texte à plat rend cette reconstruction impossible.

Le cas particulier des tableaux

Un tableau aplati en texte perd la relation entre l'en-tête et la valeur. La ligne extraite devient une suite de nombres sans étiquette, et le système répond faux avec assurance : il trouve bien le chiffre, mais il l'attribue à la mauvaise colonne.

Trois traitements donnent des résultats nettement supérieurs à l'extraction brute. Détecter les tableaux comme des objets distincts et les convertir en une représentation structurée, conservée à part. Reformuler chaque ligne en une phrase complète qui répète l'en-tête, ce qui la rend autonome à la recherche. Et conserver une image de la zone, pour permettre à l'utilisateur de vérifier d'un coup d'œil.

Quand les tableaux portent l'essentiel de la valeur, comme dans des relevés ou des bordereaux, il faut accepter de les traiter par une chaîne dédiée plutôt que de les faire passer par le même tuyau que le texte courant.

Découper des documents sales

Sur un corpus propre, un découpage par taille fixe avec recouvrement suffit. Sur un corpus numérisé, il produit des extraits qui commencent au milieu d'une phrase et se terminent dans un en-tête. Quatre ajustements suffisent à redresser l'essentiel.

  1. Supprimer les blocs répétés. En-têtes, pieds de page, numéros : ils polluent chaque extrait et rendent tous les documents artificiellement similaires.
  2. Découper sur la structure quand elle existe. Articles, sections numérotées, titres reconnaissables. Un extrait qui correspond à une unité de sens répond mieux qu'un extrait de longueur idéale.
  3. Attacher le contexte à chaque extrait. Nom du document, date, page, section. Ces métadonnées servent au filtrage et à la citation.
  4. Isoler les passages douteux. Les extraits dont la confiance de lecture est basse sont conservés mais signalés, pour que la réponse puisse le mentionner.

Mesurer avant d'optimiser

Sans mesure, chaque ajustement est une intuition. Deux niveaux de mesure sont nécessaires, et ils ne disent pas la même chose : la qualité de la chaîne d'ingestion, et la qualité des réponses.

NiveauIndicateurCe qu'il détecte
IngestionTaux de caractères reconnus par pageDocuments illisibles à retraiter
IngestionPart de mots hors dictionnaireMauvais réglage de langue, bruit
RechercheLe bon passage figure-t-il dans les extraits retenusDécoupage ou indexation inadaptés
RéponseExactitude sur un jeu de questions validéesQualité perçue par l'utilisateur

Ce dernier indicateur suppose un jeu d'évaluation construit avec les métiers : sans lui, vous ne saurez jamais si une modification améliore le système. Notre guideconstruire un jeu d'évaluation détaille la méthode, et le guide RAG sur documents internes pose l'architecture d'ensemble.

Sources officielles

Textes et pages officielles consultés le 18 octobre 2026.

  1. Improving the quality of the output

    Tesseract OCR, documentation officielle

    Prétraitement recommandé : redimensionnement, binarisation, suppression du bruit, redressement, bordures, modes de segmentation.

  2. Command Line Usage

    Tesseract OCR, documentation officielle

    Combinaison de langues (-l fra+eng) et sorties TSV ou hOCR avec positions et confiance par mot.

Questions fréquentes

Non. Un modèle ne peut pas restituer une information qu'il n'a jamais reçue. Si la reconnaissance de caractères a transformé un montant en suite de caractères illisibles, aucune amélioration de prompt ne le retrouvera. La qualité d'entrée fixe le plafond de qualité des réponses.

Les deux approches se combinent plutôt qu'elles ne s'opposent. Un OCR classique reste efficace, rapide et peu coûteux sur des documents nets. Les modèles capables de lire une image apportent surtout sur les mises en page complexes, les tableaux et les documents manuscrits, au prix d'un coût et d'une latence supérieurs.

En les isolant. Ils demandent un traitement différent, produisent une confiance de lecture plus faible, et méritent d'être signalés comme tels dans les réponses. Le pire scénario consiste à les mélanger aux documents propres : le système répond avec le même aplomb sur des données dont la lecture est incertaine.

Toujours, et il faut pouvoir y renvoyer l'utilisateur avec la page exacte. Sur un corpus numérisé, la citation de la source n'est pas un confort : c'est le seul moyen pour l'utilisateur de vérifier une information dont la lecture automatique peut être fautive.

Par un échantillon de trente documents représentatifs, traités de bout en bout et vérifiés à la main. Ce petit lot révèle en deux jours les défauts structurels du corpus : mises en page à colonnes, en-têtes répétés, tampons, annotations manuscrites. Sans lui, on optimise à l'aveugle.

À lire ensuite

Besoin d'un avis sur votre cas ?

Décrivez votre contexte en trois lignes. On répond avec une estimation argumentée, pas un formulaire de qualification.

Poser la question →