Ouvrez un contrat scanné
Prenez un contrat scanné dans votre espace partagé, de préférence un ancien, passé par un photocopieur. Essayez de sélectionner une phrase avec la souris, puis faites une recherche avec Ctrl+F sur un mot que vous voyez à l'écran.
Pour une partie de vos fichiers, la réponse est non : ils ne contiennent aucun texte. Ce sont des images. Vous les lisez sans difficulté parce que votre œil reconnaît des formes. Un ordinateur, lui, ne voit que des points sombres sur une page blanche.
Le test vous dit lesquels sont dans ce cas. Si le texte se surligne et si la recherche trouve le mot, ce document-là est lisible par une machine. Si rien ne se passe alors que le mot est sous vos yeux, il ne l'est pas.
Recommencez sur cinq ou six fichiers de familles différentes. Ce que vous obtiendrez vaut mieux que n'importe quelle statistique, parce que c'est votre fonds.
Pourquoi deux fichiers identiques à l'écran ne le sont pas
Le mot « PDF » recouvre deux choses très différentes, et rien ne permet de les distinguer à l'œil.
Quand un logiciel produit un PDF, il y enregistre les caractères eux-mêmes : le « D » de « Dupont » est écrit comme la lettre D. Quand un scanner produit un PDF, il y enregistre une photographie de la page, et le même « D » n'est plus qu'une tache d'encre. Les deux fichiers portent la même icône, s'ouvrent dans le même logiciel et s'impriment de la même façon.
S'ils cohabitent dans vos dossiers, c'est que vos documents n'arrivent pas tous par le même chemin. Un devis sort de votre logiciel de gestion et contient du texte ; un contrat signé revient par la poste, passe au photocopieur, et n'en contient pas. Personne n'a jamais eu de raison de vérifier lequel est lequel.
C'est la suite directe de ce que nous décrivions à propos des cartons d'archives : ce qui n'a jamais été écrit ne s'écrit pas tout seul quand on change de support.
Il existe une réponse à ce problème, et elle est ancienne : la reconnaissance optique de caractères, l'OCR. Un programme examine l'image, reconnaît les formes et écrit à côté le texte correspondant. Certains photocopieurs le font automatiquement, d'autres seulement si quelqu'un a activé l'option un jour.
Copiez un tableau
Si vos six fichiers ont passé le premier test, ne concluez rien tout de suite. Le second est plus révélateur.
Prenez un document qui contient des colonnes, copiez le tableau et collez-le dans un document vierge.
Il y a de fortes chances que les colonnes aient disparu : vous obtenez une suite de nombres sans savoir lequel appartient à quelle ligne. Tous les caractères sont pourtant là. Le premier test était réussi, le second échoue quand même.
C'est ce qui distingue la reconnaissance de caractères d'une véritable lecture. Le programme ne lit pas, il reconstruit : il propose la lettre la plus probable au vu de la forme. Sur un scan net, il se trompe rarement. Sur une photocopie de photocopie, sur un document tamponné ou annoté à la main, il se trompe davantage — et il ne signale jamais ses hésitations.
Ce que la recherche a mesuré
Ce que vous venez d'observer sur deux fichiers a été mesuré, puis publié.
Une équipe de Beijing Qiyuan Technology a construit un banc d'essai public couvrant onze catégories de documents difficiles : mises en page inhabituelles, arrière-plans filigranés, documents anciens dont l'ordre de lecture n'est pas standard, tableaux, formules.
Leur résultat principal est exactement celui que votre tableau vient d'illustrer. Une bonne précision caractère par caractère ne garantit pas un bon résultat en bout de chaîne. Les erreurs de structure suffisent à faire échouer la recherche, même quand presque tous les caractères ont été correctement reconnus.
L'exemple qu'ils donnent vaut pour n'importe quel contrat. Prenez une clause barrée : la reconnaissance perd le barré et transcrit le texte comme s'il était toujours valable. Le modèle qui rédige reçoit une clause devenue incohérente, et il met cette incohérence sur le compte d'une erreur de rédaction. Personne ne s'aperçoit qu'une information a disparu en chemin.
Les auteurs ajoutent que le problème varie selon le type de document, et qu'il se produit à deux endroits : quand le système cherche le document, et quand il rédige sa réponse.
Une précision, parce qu'elle change la portée du résultat : ce banc d'essai porte sur des documents choisis pour leur difficulté, et il vient d'une équipe d'entreprise. Nous ne transposons pas ses chiffres à un fonds français.
Posez une question dont un seul document a la réponse
Le troisième test est le plus court des trois, et c'est le seul qui révèle ce que les deux autres laissent passer.
Choisissez un document scanné dont vous connaissez le contenu, et repérez-y une information qu'on ne trouve nulle part ailleurs : un montant, une date d'effet, un nom de signataire. Posez la question à votre outil.
Il vous répondra — nous avons expliqué ailleurs pourquoi il répond toujours. Regardez alors une seule chose : sur quel document s'est-il appuyé ?
S'il n'a jamais cité le vôtre, vous venez de mesurer le silence. Un système ne vous dira jamais qu'il n'a pas réussi à lire quatorze documents du dossier — ce serait une bonne nouvelle, vous sauriez quoi faire. Les documents illisibles n'apparaissent nulle part et ne déclenchent aucune alerte, et la réponse que vous recevez ressemble en tout point à une réponse complète.
Une erreur se corrige. Un silence ne se remarque pas.
Nous ne savons pas quelle part de votre fonds est concernée, et personne ne le sait : aucune source sérieuse ne publie ce chiffre. Faites le test sur trois documents, et vous l'aurez pour le vôtre.
Ce que nous faisons de tout ça
Ce problème a une particularité désagréable : il ne se signale pas, et il se recrée tous les jours. Un courrier revient scanné depuis un téléphone ; un photocopieur est remplacé et personne ne pense à réactiver l'option de reconnaissance. Un fonds mis en ordre sans outil ne le reste pas, et celui-là se dégrade sans bruit.
C'est le travail que fait MIKURA, et il se fait à un seul endroit : au moment où le document arrive.
Chaque pièce qui entre est lue avant de rejoindre le fonds. Si son contenu n'est pas accessible à une machine, elle n'est pas traitée comme s'il l'était. Elle ne rejoint pas les autres en silence pour manquer à la première question qu'on lui posera. Ce qui n'a pas pu être lu part en bannette, et une personne décide de ce qu'on en fait : la repasser au scanner, la ressaisir, ou l'accepter en connaissant sa limite. La décision est consignée, et la pièce cesse d'être un angle mort.
Ce qui a été lu est identifié. Sa famille, sa date de référence, son statut, ce qu'elle remplace : les informations qui permettent de la retrouver et de la distinguer des autres versions sont écrites au moment où quelqu'un sait encore de quoi il s'agit. Six mois plus tard, cette connaissance a disparu de l'entreprise.
Et le fonds devient interrogeable en langage naturel. Vos équipes posent leurs questions comme elles les poseraient à un collègue et les réponses citent les documents sur lesquels elles s'appuient. Vous pouvez donc vérifier, au lieu de faire confiance.
Voilà pourquoi ce travail vaut d'être fait, même si vous ne branchez jamais d'IA sur vos documents. Un fonds identifié sert d'abord vos équipes, et il sert le jour où la personne qui savait s'en va, le jour où un client réclame une pièce, le jour où un contrôle demande un justificatif.
Sources
Lin Sun, Wangdexian, Jingang Huang, Linglin Zhang, Change Jia, Zhengwei Cheng, Xiangzheng Zhang (Beijing Qiyuan Technology), When Good OCR Is Not Enough: Benchmarking OCR Robustness for Retrieval-Augmented Generation, actes de la conférence ACL 2026, Industry Track, pages 884-894. DOI 10.18653/v1/2026.acl-industry.60.
Éléments cités : banc d'essai couvrant onze catégories de documents difficiles ; une bonne précision caractère par caractère ne garantit pas un bon résultat en bout de chaîne, les erreurs de structure et de sens provoquant des échecs de recherche à taux d'erreur caractère faible ; exemple de la clause barrée dont la perte est réattribuée à une erreur de rédaction ; écart dépendant de la catégorie de document et se produisant à la fois au moment de retrouver et au moment de rédiger. Banc d'essai public.
Aucun taux de documents illisibles dans un fonds d'entreprise n'est avancé dans cet article, faute de source primaire consultable.