Vérifier l’OCR d’un PDF avant de demander un résumé à une IA évite de confondre deux problèmes. Le modèle peut mal interpréter un texte correct. Mais il peut aussi recevoir un texte déjà abîmé : montant déformé, négation perdue, colonnes mélangées ou page oubliée. Un résumé très propre ne permet pas de savoir à quelle étape l’erreur est entrée.
Ce guide documentaire propose un contrôle de l’extraction avant les usages IA fondés sur le texte. Sources officielles consultées le 26 octobre 2026 ; aucun document personnel traité, aucun essai d’OCR ni taux de réussite inventé. Si votre outil travaille directement sur les images des pages, son fonctionnement doit être évalué séparément : ce protocole ne décrit pas tous les systèmes de lecture de PDF.
Vérifier l’OCR d’un PDF : regarder ce qui est réellement lisible
Ouvrez une copie de travail et tentez de sélectionner quelques lignes, puis de les copier dans un éditeur de texte. Regardez le résultat, pas seulement la surbrillance. Une page peut être visuellement nette alors que le texte copié est désordonné. À l’inverse, un fichier peut contenir certaines pages avec texte et d’autres réduites à une image.
La documentation officielle d’OCRmyPDF explique que l’outil ajoute une couche de texte reconnue aux PDF scannés afin de permettre leur recherche. Cette couche est une interprétation de l’image. Sa présence est utile ; elle ne garantit pas que tous les caractères ont été reconnus fidèlement.
Garder l’original pour pouvoir trancher
Ne remplacez pas votre seul fichier source par une version retraitée. Conservez l’original, la copie sur laquelle vous travaillez et une note indiquant la date et la méthode d’extraction. Pour un document signé ou soumis à une procédure particulière, ne supposez pas qu’une transformation préserve sa valeur ou sa signature : consultez les exigences applicables avant modification.
Cette séparation a une utilité simple. Lorsqu’une réponse paraît étrange, vous pouvez revenir à la page visible et distinguer ce qu’elle contient de ce que le logiciel a reconstruit. Sans cette référence, une correction ultérieure risque de masquer la première erreur plutôt que de l’expliquer.
Choisir un échantillon qui met le fichier à l’épreuve
Contrôler seulement le titre ne suffit pas. Choisissez une page ordinaire, une page dense et une page qui contient les données importantes pour votre question. Ajoutez une page de fin pour détecter une extraction incomplète. Ce choix est une méthode pratique proposée ici, pas une certification statistique du document entier.
Sur chaque page retenue, comparez quelques passages entre l’image et le texte copié. Privilégiez les éléments dont une petite erreur changerait le sens : une négation, une référence, une date, une unité ou un nombre. Si votre tâche dépend d’un tableau, contrôlez aussi l’association entre ses lignes et ses colonnes, pas seulement les chiffres isolés.
| Élément à comparer | Question de contrôle |
|---|---|
| Noms et références | Les caractères ambigus et les identifiants sont-ils conservés exactement ? |
| Nombres et unités | La virgule, le signe, le pourcentage et l’unité restent-ils associés à la valeur ? |
| Phrases importantes | Une négation, une réserve ou une condition a-t-elle disparu ? |
| Colonnes et tableaux | L’ordre de lecture relie-t-il encore chaque valeur à son bon libellé ? |
| Pages et annexes | Les passages utiles sont-ils présents, avec un repère pour retrouver leur page ? |
Corriger la source avant de changer de modèle
La documentation de Tesseract sur la qualité de reconnaissance décrit les difficultés liées notamment au bruit et à l’inclinaison des pages. Elle signale aussi les limites de reconnaissance des tableaux sans analyse de mise en page adaptée. Un moteur de résumé plus puissant ne répare pas automatiquement ces défauts en amont.
Avant une nouvelle tentative, examinez la netteté du scan, son orientation et la langue choisie dans l’outil d’OCR. Changez un réglage à la fois et comparez le même passage. Ne multipliez pas les traitements sans conserver la version précédente. Si une retouche rend les caractères moins lisibles, revenez à la copie intacte.
Pour un passage critique illisible, la bonne sortie peut être « information non vérifiable ». Demander à une IA de deviner un nombre manquant produit une hypothèse, pas une transcription. Mieux vaut demander une meilleure copie à la source que laisser une réponse fluide remplacer la preuve.
Tester la chaîne complète avec une question courte
Une fois l’extraction contrôlée, commencez par une question dont vous pouvez vérifier la réponse manuellement. Demandez le passage utilisé et la page correspondante lorsque votre outil peut les fournir. Puis comparez cette citation à l’image originale. Une référence de page plausible ne suffit pas si le contenu cité est absent.
Par exemple, choisissez un document public sans données sensibles et demandez d’identifier une condition explicitement écrite. Ce petit essai vérifie votre parcours de travail ; il ne prouve pas que toutes les questions futures seront justes. Notre guide du RAG local et de sa méthode de test prolonge ce contrôle lorsque les textes alimentent une base documentaire.
Protéger le document autant que son interprétation
Faire de l’OCR est déjà traiter un document. Avant d’envoyer le fichier ou son texte à un service, vérifiez la destination, la sensibilité des données et les conditions de conservation. Retirer une page personnelle du PDF n’aide pas si le texte extrait envoyé ensuite la contient encore. Contrôlez donc également ce que vous transmettez réellement.
Le dossier sur la confidentialité des prompts et documents IA traite cette décision séparément. Une exécution locale ne rend pas le texte exact ; une extraction exacte ne donne pas l’autorisation de partager le document. Les deux questions doivent rester distinctes.
Le verdict : revenir à la page, pas à la confiance affichée
Vérifier l’OCR d’un PDF ne consiste pas à attendre un indicateur vert. Gardez l’original, comparez des passages difficiles, notez les limites et testez une réponse courte avant le grand résumé. Lorsqu’un résultat pourrait entraîner une décision importante, relisez les informations concernées dans la source et faites intervenir la personne compétente. L’IA peut faciliter la lecture ; elle ne doit pas effacer le chemin qui permet de la contrôler.
