La reconnaissance optique de caractères, ou OCR (optical character recognition), est la technique qui transforme l'image d'un document, numérisation ou photographie, en texte qu'un logiciel peut lire puis traiter.
Elle ne comprend pas le document : elle le rend lisible par une machine. Tout ce qui vient après, classement, extraction de champs, contrôle de cohérence, relève d'autres briques. Confondre les deux est la source la plus fréquente de déception sur ce sujet.
Ce qu'elle règle dans une entreprise
Le point d'entrée du papier :
- factures fournisseurs ;
- bons de livraison ;
- relevés d'heures ;
- comptes rendus d'intervention manuscrits.
Ces documents arrivent en image, puis ils se ressaisissent à la main. Un chauffeur photographie le bon de livraison signé ; la reconnaissance en tire le numéro de commande, la date, les quantités, qui alimentent ensuite une application métier sans double saisie.
Les moteurs récents ne rendent plus seulement le mot à mot : ils restituent la structure, colonnes, tableaux, ordre de lecture, ce qui compte souvent davantage qu'un caractère isolé. Mistral, éditeur français, publie un modèle consacré à cette lecture.
La reconnaissance conditionne enfin toute recherche documentaire : sans texte, aucune génération augmentée par recherche documentaire (RAG) ne fonctionne sur des documents numérisés.
Quand la lecture est douteuse
C'est la vraie question ; la réponse surprend souvent. Un moteur d'OCR ne s'abstient pas.
Il rend une valeur même quand le caractère est illisible, sans signaler de lui-même son embarras. Ce qu'il fournit en plus, selon les outils, est un indice de confiance, champ par champ.
Le travail consiste à fixer un seuil puis à décider ce qui se passe en dessous :
01
Sous le seuil
Le document part dans une file de relecture.
02
À l'écran
L'image s'affiche à côté du champ suspect.
03
La décision
Une personne tranche en quelques secondes.
Sans ce seuil, une erreur de lecture entre silencieusement dans votre base, puis elle ressort dans une commande. Les cas qui coincent sont connus : chiffres voisins, tampons, cases cochées, écriture manuscrite, pages de travers, photocopies de photocopies.
Aucun éditeur ne garantit un taux sur vos documents ; un taux mesuré sur des pages propres ne dit rien des vôtres. La supervision humaine fait donc partie de la chaîne, pas de l'exception.