IA
RAG sur des PDF scannés : ce qui casse vraiment
Par François Castellani, fondateur de SIMGSOFT ·Publié le 1 septembre 2026 · Mis à jour le 18 octobre 2026 · 13 min de lecture
Réponse courte
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
| Défaut | Effet sur les réponses | Détection |
|---|---|---|
| Reconnaissance approximative | Chiffres et références faux, recherche qui ne trouve rien | Taux de mots hors dictionnaire par page |
| Ordre de lecture perdu | Phrases entrecoupées, deux colonnes fusionnées | Lecture manuelle du texte extrait, pas du PDF |
| Tableaux aplatis | Valeurs séparées de leur libellé, totaux inexploitables | Comparaison visuelle sur dix pages contenant des tableaux |
| En-têtes et pieds répétés | Chaque extrait pollué par le même bloc, similarité artificielle | Recherche des lignes identiques répétées dans le corpus |
| Pages tournées ou obliques | Texte illisible sur des documents entiers | Contrôle du taux de caractères reconnus par page |
| Tampons et annotations | Mots parasites au milieu des phrases | Inspection 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.
- Supprimer les blocs répétés. En-têtes, pieds de page, numéros : ils polluent chaque extrait et rendent tous les documents artificiellement similaires.
- 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.
- Attacher le contexte à chaque extrait. Nom du document, date, page, section. Ces métadonnées servent au filtrage et à la citation.
- 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.
| Niveau | Indicateur | Ce qu'il détecte |
|---|---|---|
| Ingestion | Taux de caractères reconnus par page | Documents illisibles à retraiter |
| Ingestion | Part de mots hors dictionnaire | Mauvais réglage de langue, bruit |
| Recherche | Le bon passage figure-t-il dans les extraits retenus | Découpage ou indexation inadaptés |
| Réponse | Exactitude sur un jeu de questions validées | Qualité 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.
- Improving the quality of the output
Tesseract OCR, documentation officielle
Prétraitement recommandé : redimensionnement, binarisation, suppression du bruit, redressement, bordures, modes de segmentation.
- 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 →