Lire un PDF ou en extraire les chiffres : deux promesses à comparer

Un vieux devis scanné peut devenir consultable par mots-clés. Cela ne veut pas dire que son tableau de prix sera transformé correctement en données exploitables. Ce comparatif documentaire distingue ces deux objectifs à travers deux outils : OCRmyPDF, logiciel libre utilisable sur son propre ordinateur, et le service de reconnaissance de documents de Mistral, accessible en ligne.

Aucun document n'a été traité par LEMOVIA pour cet article, et aucun essai n'est revendiqué. La comparaison porte sur les fonctions et les limites décrites dans les documentations en vigueur en novembre 2026, complétées par un reportage de 2025 qui rapporte des essais menés par d'autres.

Rendre un scan cherchable

La reconnaissance optique de caractères, ou OCR, transforme l'image d'un texte en texte que l'ordinateur peut lire. Selon sa documentation d'introduction, OCRmyPDF ajoute une « couche » de texte aux images d'un PDF, ce qui permet de chercher un mot ou de le copier. Il s'appuie pour cela sur Tesseract, un moteur de reconnaissance libre.

OCRmyPDF cherche à modifier le moins possible le PDF d'origine, même si certaines options ou conversions peuvent retoucher les images. Par défaut, OCRmyPDF produit un fichier au format d'archivage PDF/A, conçu pour rester lisible à long terme.

Cette approche a des limites que la documentation énumère elle-même. La précision peut être inférieure à celle de solutions commerciales. L'écriture manuscrite n'est pas reconnue. Un scan de mauvaise qualité donne un résultat médiocre, et le moteur peut produire du charabia. Il peut aussi mal suivre l'ordre de lecture, par exemple en fusionnant deux colonnes. Surtout, Tesseract ne fournit que le texte et sa position : le fichier obtenu ne contient aucune information sur la structure du document, ni paragraphes, ni titres.

Pour un tableau de prix, un mot retrouvé par la recherche ne garantit donc pas que chaque montant soit associé à la bonne ligne.

Extraire une structure

Le service de Mistral vise un autre résultat. Sa documentation du processeur OCR décrit une extraction qui conserve la structure du document. Les tableaux peuvent être restitués séparément, en Markdown ou en HTML. Des scores de confiance sont proposés par page, par bloc ou par mot.

Ces fonctions dépendent toutefois de la version du modèle. Selon la même documentation, la mise en forme des tableaux et l'extraction des en-têtes n'existent qu'à partir du modèle « OCR 2512 ». Le découpage en blocs exige « OCR 4 » ou plus récent ; les modèles plus anciens acceptent le réglage mais renvoient une liste vide. Le nom « mistral-ocr-latest » pointe vers le dernier modèle et peut donc changer avec le temps. Pour comparer deux résultats, il faut savoir quel modèle a réellement été utilisé.

Un score de confiance n'est pas non plus une vérification. Il indique ce que le système estime de sa propre lecture, pas que le montant extrait correspond à celui de la facture.

Ce que montraient des essais publiés en 2025

En mars 2025, peu après le lancement du premier modèle OCR de Mistral, Ars Technica a rapporté des observations de spécialistes. Derek Willis, enseignant en journalisme de données à l'université du Maryland, a déclaré que ce modèle avait mal traité un vieux tableau à la mise en page complexe, en répétant des noms de villes et en abîmant de nombreux chiffres.

Le chercheur Simon Willison y soulignait un risque plus général des modèles qui « lisent » des images : une erreur d'interprétation de tableau peut associer la mauvaise ligne au mauvais titre et produire un résultat faux qui paraît correct. Un texte illisible peut aussi être inventé.

Ces témoignages portent sur un document précis et sur l'expérience de modèles de vision antérieurs à mars 2025. Ils ne mesurent pas les performances des versions disponibles en novembre 2026 et ne constituent pas un banc d'essai indépendant. Ils rappellent cependant pourquoi un contrôle humain reste nécessaire lorsque des chiffres comptent.

Où vont les documents

Le lieu de traitement distingue aussi les deux outils. OCRmyPDF s'exécute sur la machine de l'utilisateur. Sa documentation précise toutefois que son interface web de démonstration n'est pas destinée à être exposée sur Internet et ne comporte aucune mesure de sécurité. Elle précise aussi qu'OCRmyPDF n'est pas conçu pour résister aux PDF contenant des logiciels malveillants.

Avec Mistral, le document est envoyé au service, sous forme d'adresse publique, de fichier encodé ou de fichier téléversé. La documentation de Mistral sur la conservation zéro indique que cette option, qui évite de conserver les entrées et sorties au-delà du traitement, couvre l'appel OCR. Elle doit cependant être demandée, n'est accordée qu'aux offres payantes après examen, et ne s'applique pas au service de fichiers téléversés ni au traitement par lots. Le mode d'envoi du document a donc des conséquences sur sa conservation.

Le bon outil dépend de la question posée

Pour retrouver un mot dans des archives scannées, une couche de texte comme celle d'OCRmyPDF peut suffire, à condition d'accepter ses erreurs possibles. Pour transformer des factures en tableaux de chiffres, une extraction structurée apporte davantage, mais chaque montant doit encore être contrôlé, surtout sur des documents anciens ou mal scannés.

Dans les deux cas, la documentation décrit ce que l'outil cherche à faire, pas le résultat obtenu sur vos propres fichiers. Seul un essai sur des documents représentatifs et non confidentiels, avec une vérification manuelle des chiffres, peut répondre à cette question.

Sources principales

• OCRmyPDF, Introduction, documentation « latest » (version 17.14.0 affichée), sans date indiquée.
• Mistral AI, Document AI OCR processor, documentation sans date indiquée.
• Mistral AI, Zero data retention, documentation sans date indiquée.
• Benj Edwards, Ars Technica, Why extracting data from PDFs is still a nightmare for data experts, 11 mars 2025.

Comparatif documentaire. Aucun document n'a été traité par LEMOVIA ; les observations de 2025 sont celles de personnes citées par Ars Technica.