Vos scans empêchent-ils l’extraction ?
Une partie de vos contrats dort en scans de qualité inégale et vous vous demandez s’il faut tout rescanner avant de lancer une extraction (le relevé automatique des données).
Ne rescannez pas tout par principe. Un mauvais scan plafonne le résultat, mais le type de champ et le modèle décident du reste. Mesurez donc d’abord l’écart entre vos PDF natifs, vos bons scans et vos mauvais scans, puis rescannez un petit lot pour voir si le résultat remonte.
Pour ce que vous numérisez de toute façon, visez 300 dpi : c’est le minimum de Tesseract et le niveau que Google conseille pour les meilleurs résultats. Microsoft ne donne pas de dpi dans la page lue : le choix de ce repère commun est le nôtre. Le manuscrit et les annotations se traitent à part, en comptant sur une lecture humaine.
Notre avis
À notre avis, la qualité des scans plafonne l’extraction ; le type de champ et le modèle décident du reste. Rescannez seulement les groupes où un test montre que cela change un champ qui compte.
Pourquoi
- Un score faible peut venir d’ailleurs : sur du texte propre de contrats américains en anglais, CUAD et ContractEval trouvent déjà de forts écarts entre champs. Rescanner ne réparera pas un préavis mal compris.
- Le sens de l’effet est établi, sa taille sur un contrat ne l’est pas. Nous n’avons trouvé aucune mesure publique sur des contrats scannés, en français ou non.
- Le moteur de lecture pèse aussi. Des auteurs de Box, un éditeur, constatent des écarts significatifs entre outils de conversion, à modèle égal, sur un jeu interne non public dont ils ne donnent pas la langue.
Ce qui change notre avis
Si votre lot rescanné remonte nettement au niveau de vos bons scans sur les champs utiles, rescannez ce groupe, à condition d’avoir encore les originaux. Pour le manuscrit, ne comptez pas là-dessus.
Ce qu’écrivent les moteurs de lecture
Ces seuils ne décrivent pas la même chose et aucun n’est accompagné d’un taux d’erreur. Nous retenons 300 dpi comme point commun prudent. Votre éditeur utilise peut-être un autre moteur : demandez lequel, et pour quels documents.
| Moteur | Ce qui est écrit | Ce qui n’est pas dit |
|---|---|---|
| Tesseract | Fonctionne mieux à 300 dpi au moins ; une page trop penchée dégrade fortement la lecture ; problème connu sur les tableaux | Aucun taux d’erreur |
| Google Document AI | Au moins 200 dpi ; 300 et plus donnent généralement les meilleurs résultats ; recommande de tester | Aucun taux chiffré |
| Microsoft Document Intelligence | Une photo nette ou un scan de haute qualité ; texte d’au moins 12 pixels sur une image de 1024 × 768, que Microsoft dit correspondre à environ 8 points à 150 dpi | Pas de dpi imposé, aucun taux sur le français |
| Ironclad (éditeur de CLM) | Limites sur les tableaux, le manuscrit, le papier filigrané, les scans de faible qualité et les champs qui se chevauchent | Aucun taux publié |
La seule étude lue qui mesure ce bruit, en français
MultiOCR-QA (CIKM 2025) pose des questions à six modèles ouverts sur des documents historiques français, une fois sur le texte corrigé, une fois sur le texte brut de la lecture optique. La présence de la bonne réponse chute d’environ 20 % : de 54,82 à 42,99 pour l’un des modèles. Le score sémantique, lui, bouge de moins de 2 %.
Cette étude porte sur des archives et des questions-réponses, ni sur des contrats ni sur l’extraction de champs. Elle montre le sens de l’effet, et le fait qu’il change selon ce qu’on mesure. Elle n’indique pas ce que perdrait votre stock.
Décider sur un petit lot avant de tout rescanner
- Triez le stock en groupes. PDF natif, bon scan, mauvais scan, manuscrit ou annoté. Un échantillon de pages suffit pour estimer la part de chacun. Certains services notent la qualité par page, comme Google (flou, bruit, texte trop petit, reflet) : utile pour orienter, avec des faux positifs possibles sur des documents numériques, et ce n’est pas un test d’extraction.
- Testez chaque groupe séparément. Mêmes champs et même règle, environ 35 occurrences par groupe. Le calcul de taille est sur la page voisine.
- Comparez les intervalles par champ. Si le mauvais scan décroche sur un champ qui compte, passez à l’étape suivante. Sinon, arrêtez : rescanner ne vous apportera rien de visible.
- Rescannez ce même lot à 300 dpi et rejouez. Mêmes contrats, même référence. Évitez de réduire la définition d’images déjà compressées : Google signale que cela peut dégrader la qualité et la précision.
- Décidez groupe par groupe. Si le résultat remonte, rescannez ce groupe. S’il stagne, la cause est ailleurs : relisez ces champs à la main plutôt que de payer une numérisation.
Un exemple inventé, pour voir la décision
Les nombres sont fictifs. Sur 35 préavis présents par groupe, l’outil en trouve juste 33 en PDF natif, 31 en bon scan, 20 en mauvais scan. Après un nouveau passage du lot à 300 dpi, il en trouve 30.
Le bon scan ne se distingue pas du natif : leurs intervalles se recouvrent largement. Le mauvais scan décroche : le haut de son intervalle (72,0 %) reste sous le bas de celui du bon scan (74,0 %). Le lot rescanné revient au niveau du bon scan, donc nous rescannerions ce groupe. S’il était resté à 21 ou 22, nous garderions ces scans tels quels et ferions lire ces préavis.
| Groupe | Justes sur 35 | Rappel | Intervalle |
|---|---|---|---|
| PDF natif | 33 | 94,3 % | 81,4 à 98,4 |
| Bon scan | 31 | 88,6 % | 74,0 à 95,5 |
| Mauvais scan | 20 | 57,1 % | 40,9 à 72,0 |
| Mauvais scan rescanné à 300 dpi | 30 | 85,7 % | 70,6 à 93,7 |
Manuscrit, annotations, tampons : à part
Tesseract répond qu’on peut l’essayer sur du manuscrit mais que cela marchera mal, car il est conçu pour l’imprimé. Ironclad cite le manuscrit parmi ses limites. Du côté de Microsoft, les tableaux de langues citent le français pour le manuscrit, alors qu’une phrase de la page du modèle Layout écrit « handwritten (English-only) » : les deux pages ne concordent pas, et aucune ne donne de taux.
Une mention ajoutée à la main sur un contrat signé peut changer une date ou un montant. Repérez ces contrats, sortez-les du calcul, et faites-les lire. Les réglages de numérisation et la valeur d’une copie face à l’original ont leur propre page.
Limites de cette page
Aucune mesure publique lue ne porte sur des contrats français scannés ni sur l’effet d’un scan dégradé sur l’extraction de clauses. MultiOCR-QA porte sur des archives. Les seuils en dpi sont ceux de documentations de moteurs, et le repère de 300 dpi notre choix prudent ; rien ne prouve qu’il suffise à vos documents. Nous n’avons lu aucun coût public de numérisation applicable ici : demandez un prix pour votre lot.
Preuves et sources
Documentation de Tesseract, Google, Microsoft et Ironclad, et étude MultiOCR-QA, lues le 5 novembre 2026. Aucun logiciel testé. Aucune étude lue sur des contrats français scannés.
Voir les 10 éléments : ce qui est un fait lu, une déclaration, notre déduction ou notre avis
Fait lu. La documentation de Tesseract indique qu’il fonctionne mieux à au moins 300 dpi, qu’un scan trop penché nuit fortement à la lecture, et signale un problème connu sur les tableaux.
Portée : Documentation officielle du projet.
Réserve : Sans taux d’erreur.
Relevé le 5 novembre 2026.
- Projet Tesseract : Improving the quality of the output non datée. Lu le 5 novembre 2026. Document d’origine.
Déclaration de l’éditeur. Google demande au moins 200 dpi, indique que 300 dpi et plus donnent généralement les meilleurs résultats, recommande de tester et signale qu’une réduction de définition d’images à compression avec perte peut dégrader la précision.
Portée : Document AI.
Réserve : Pas de taux chiffré.
Relevé le 5 novembre 2026.
- Google Cloud : Fichiers compatibles, Document AI date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
Déclaration de l’éditeur. Microsoft demande une photo nette ou un scan de haute qualité, et une hauteur de texte d’au moins 12 pixels sur une image de 1024 × 768, qu’il dit correspondre à environ 8 points à 150 dpi.
Portée : Modèle Layout.
Réserve : Seuil d’entrée, pas garantie de qualité.
Relevé le 5 novembre 2026.
- Microsoft : Document Intelligence layout model date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
Notre avis. Résolution : Tesseract 300 dpi au moins, Google 200 au moins et 300 pour les meilleurs résultats, Microsoft sans dpi dans la page lue. Nous retenons 300 dpi comme point commun prudent.
Portée : Trois documentations aux seuils différents.
Réserve : Ces seuils ne décrivent pas la même chose.
Relevé le 5 novembre 2026.
- Projet Tesseract : Improving the quality of the output non datée. Lu le 5 novembre 2026. Document d’origine.
- Google Cloud : Fichiers compatibles, Document AI date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
- Microsoft : Document Intelligence layout model date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
Déclaration de l’éditeur. Ironclad écrit que son IA a des limites sur les tableaux, le manuscrit, le papier filigrané, les scans de faible qualité et les champs qui se chevauchent.
Portée : Guide de l’éditeur.
Réserve : Aucun taux publié.
Relevé le 5 novembre 2026.
- Ironclad : Getting Your Legacy Contracts Ready for Metrics: A Practical Guide date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
Fait lu. Sur des documents historiques français (MultiOCR-QA, CIKM 2025), le passage du texte corrigé au texte brut de lecture optique fait baisser la présence de la bonne réponse d’environ 20 % chez six modèles ouverts, par exemple de 54,82 à 42,99, tandis que le score sémantique bouge de moins de 2 %.
Portée : Questions-réponses sur archives, tableau 4.
Réserve : Ni contrats, ni extraction de champs, ni modèles propriétaires. Montre le sens de l’effet, pas sa taille sur un contrat.
Relevé le 5 novembre 2026.
- Piryani et al. (CIKM 2025) : Evaluating Robustness of LLMs in Question Answering on Multilingual Noisy OCR Data accepté à CIKM 2025. Lu le 5 novembre 2026. Document d’origine.
Déclaration de l’éditeur. Les auteurs de Box constatent des écarts significatifs entre outils de conversion de texte à modèle égal, et retiennent Azure Document Intelligence pour leur chaîne.
Portée : Jeu interne, sans taux publié dans le texte.
Réserve : Choix d’un éditeur sur ses données ; ne classe pas ces outils sur des scans français.
Relevé le 5 novembre 2026.
- Han & Jalagam (Box AI Platform) : Metadata Extraction Leveraging Large Language Models arXiv v1, 22 oct. 2025. Lu le 5 novembre 2026. Document d’origine.
Déclaration de l’éditeur. Google propose une note de qualité par page, avec huit types de défauts dont flou, bruit, texte trop petit et reflet, et signale de possibles faux positifs sur des documents numériques sans défaut.
Portée : Enterprise Document OCR.
Réserve : Ne dit rien de l’impact sur l’extraction contractuelle.
Relevé le 5 novembre 2026.
- Google Cloud : Enterprise Document OCR date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
Déclaration de l’éditeur. Tesseract répond qu’il peut être essayé sur du manuscrit mais marchera mal, étant conçu pour l’imprimé. Microsoft cite le français dans ses tableaux de langues pour le manuscrit, alors que la page Layout écrit « handwritten (English-only) ».
Portée : Documentations officielles.
Réserve : Les deux pages de Microsoft ne concordent pas, aucun taux publié.
Relevé le 5 novembre 2026.
- Projet Tesseract : FAQ non datée. Lu le 5 novembre 2026. Document d’origine.
- Microsoft : Language and locale support for Read and Layout document analysis date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
- Microsoft : Document Intelligence layout model date non capturée. Lu le 5 novembre 2026. Page de l’éditeur.
Notre déduction. Exemple fictif, intervalles de Wilson à 95 % : 33/35 = 94,3 % (81,4 à 98,4) ; 31/35 = 88,6 % (74,0 à 95,5) ; 20/35 = 57,1 % (40,9 à 72,0) ; 30/35 = 85,7 % (70,6 à 93,7).
Portée : Nombres inventés, recalculés en Python.
Réserve : Ne jamais présenter ces nombres comme une mesure.
Relevé le 5 novembre 2026.
- NIST/SEMATECH e-Handbook of Statistical Methods : 7.2.4.1. Confidence intervals non datée. Lu le 5 novembre 2026. Document d’origine.