Cas d'usage de Document AI

Des applications concrètes dans chaque industrie

Document AI ne se limite pas à extraire du texte. C’est la combinaison OCR + Annotations + QnA qui rend le service intéressant, parce qu’elle couvre l’ensemble du trajet d’un document, depuis sa réception jusqu’à son exploitation. Cette leçon parcourt les cas d’usage les plus courants secteur par secteur, en indiquant à chaque fois quels services sont mobilisés — un point utile à trancher tôt, car chaque service ajouté a un coût et une latence.

Finance et banque : le KYC automatisé

L’entrée en relation client est le cas le plus demandé, parce qu’il est répétitif, réglementé et chronophage. Le processus Know Your Customer suit toujours la même séquence :

1. Scan des pièces d’identité : passeport, carte d’identité, permis de conduire
2. Extraction OCR : nom, prénom, date de naissance, numéro de document
3. Annotations structurées : validation des champs via un schéma Pydantic
4. Vérification croisée : comparaison automatique avec les bases de données internes
5. Archivage enrichi : document indexé et interrogeable via QnA

Ce qui prenait plusieurs heures à un chargé de conformité se joue désormais en quelques secondes par dossier, et l’agent n’intervient plus que sur les cas signalés comme douteux.

Santé : dossiers patients et ordonnances

Le secteur médical produit des volumes considérables de documents, dont une grande part reste manuscrite. Une ordonnance rédigée à la main, réputée illisible, est correctement transcrite y compris lorsque le praticien mélange des termes latins et la langue locale. Les formulaires à cases à cocher, longtemps un casse-tête pour les OCR classiques, voient leurs réponses booléennes extraites avec une précision remarquable. Sur les comptes rendus, le modèle identifie l’identité du patient, le diagnostic et les prescriptions.

Un comportement mérite d’être souligné, car il conditionne la confiance qu’on peut accorder au système : lorsqu’un champ est absent du document — un numéro de téléphone non renseigné, par exemple —, le modèle indique cette absence au lieu d’inventer une valeur plausible. C’est exactement l’inverse du réflexe d’un modèle généraliste, et c’est ce qui rend l’extraction exploitable sans relecture systématique.

Juridique : analyser des contrats à la chaîne

Les cabinets d’avocats et les directions juridiques utilisent surtout l’extraction de clauses et le QnA. Le premier usage consiste à identifier automatiquement, dans un corpus, les clauses de résiliation, de non-concurrence ou de confidentialité, ce qui transforme une revue manuelle en tri assisté. Le second prend tout son sens en due diligence : lors d’une acquisition portant sur plusieurs centaines de contrats, on interroge le corpus en langage naturel plutôt que de le lire intégralement, quitte à ne relire dans le détail que les documents remontés par la recherche.

Comptabilité : le traitement de factures

C’est le cas d’usage le plus mature, et souvent le premier déployé. Tout tient dans un schéma Pydantic qui décrit ce que vous voulez récupérer :

from pydantic import BaseModel, Field

class Facture(BaseModel):
    fournisseur: str = Field(..., description="Nom du fournisseur")
    numero_facture: str = Field(..., description="Numéro de la facture")
    date: str = Field(..., description="Date de la facture au format YYYY-MM-DD")
    montant_ht: float = Field(..., description="Montant hors taxes en euros")
    montant_ttc: float = Field(..., description="Montant TTC en euros")
    tva: float = Field(..., description="Montant de la TVA en euros")

Passé à l’API Annotations, ce schéma extrait les champs de chaque facture scannée sans qu’aucun modèle de facture fournisseur n’ait à être configuré au préalable. Notez le soin porté aux descriptions et au typage : c’est ce qui indique au modèle qu’un montant doit revenir en nombre, et une date au format YYYY-MM-DD plutôt que dans la forme trouvée sur le papier.

Logistique, archives et secteur public

En logistique, les milliers de bons de livraison, lettres de voiture et documents douaniers traités chaque jour se prêtent à une extraction automatique des informations expéditeur et destinataire, à la lecture des codes-barres et numéros de suivi présents dans les images, et à la numérisation des checklists d’entrepôt remplies à la main sur un support souvent froissé.

La numérisation d’archives forme un cas à part. Les documents y sont anciens, parfois en mauvais état, écrits dans une main du XIXe ou du XXe siècle, avec des typographies et des tournures qui ne se rencontrent plus. OCR 4 s’en sort mieux que les OCR traditionnels grâce à sa compréhension visuelle, mais soyez lucide sur les limites : la précision diminue sur les pièces très dégradées, et un projet d’archives sérieux prévoit toujours une phase de relecture humaine.

Le workflow type en production

Quel que soit le secteur, la chaîne se ressemble : ingestion du document par scan, upload ou courriel ; OCR pour extraire le texte et la structure via mistral-ocr-latest ; annotations pour obtenir les données structurées selon votre schéma métier ; indexation du Markdown enrichi dans une base vectorielle ou une base de données ; puis exploitation par la recherche, le QnA, le reporting ou l’automatisation de workflows. Si vous concevez un projet, dessinez ces cinq étapes avant d’écrire la moindre ligne de code : elles déterminent où vous stockez, ce que vous rejouez en cas d’erreur et ce que vous facturez.

Points clés à retenir

• Document AI s’applique à tous les secteurs qui manipulent des documents
• Le workflow standard est : ingestion, OCR, annotations, indexation, exploitation
• Les annotations Pydantic permettent d’extraire exactement les données dont vous avez besoin
• Le QnA permet d’interroger les documents en langage naturel après indexation
• La combinaison des trois services crée une solution documentaire de bout en bout