Technique2025-03-14· Mis à jour 2026-10-09

IA vs humain : pourquoi l'OCR échoue sur les tableaux PDF complexes

Cellules fusionnées, formats hétérogènes, tableaux sur plusieurs pages : pourquoi l'OCR et l'IA échouent, et comment un expert passe du PDF à Excel.

Équipe DATASSET
Expert Datasset
#OCR#IA#Extraction Tableaux#Validation Humaine#Précision#Scan PDF#Excel

Vous avez un contrat PDF avec un tableau de tarifs de cent lignes. Vous le copiez-collez dans Excel : les colonnes sont décalées, les cellules fusionnées éclatées, les montants au mauvais format. Vous passez des heures à tout corriger, sans être certain du résultat. Vous essayez alors un outil d'OCR ou un assistant d'IA générative : le tableau semble propre, mais rien ne garantit que chaque cellule est juste.

Pour une direction achats, ces tableaux ne sont pas des détails. Grilles tarifaires, bordereaux de prix unitaires, barèmes de pénalités, conditions de remise : ils contiennent les chiffres sur lesquels reposent les commandes, les contrôles de factures et les renégociations. Cet article explique pourquoi l'OCR et l'IA échouent sur les tableaux complexes, ce que coûte une cellule fausse, et comment un expert transforme un tableau PDF en fichier Excel fiable.

Définitions : parsing PDF, OCR et tableau complexe

Le parsing PDF

Le parsing PDF consiste à analyser la structure d'un fichier PDF pour en extraire les éléments : texte, tableaux, images. La difficulté tient au format lui-même. Un PDF ne contient pas de tableau au sens d'Excel : il contient des caractères positionnés sur une page et des traits dessinés. Rien n'indique, dans le fichier, qu'un nombre appartient à la troisième colonne de la cinquième ligne. Il faut reconstituer cette structure.

Il faut aussi distinguer deux cas. Un PDF natif, produit par un traitement de texte, contient une couche de texte : les caractères sont lisibles, mais la structure du tableau reste à reconstituer. Un PDF scanné n'est qu'une image : il faut d'abord reconnaître les caractères, puis reconstituer la structure.

L'OCR

L'OCR (Optical Character Recognition, ou reconnaissance optique de caractères) convertit une image de texte en texte exploitable, en analysant l'image pour identifier les caractères, les mots et les lignes.

L'OCR fonctionne correctement sur du texte linéaire de bonne qualité : paragraphes, listes. Sur un tableau, il voit des caractères, mais il ne sait pas où commence et où finit une cellule. Exemple : la ligne « Produit A | 100 € | 50 unités » peut être lue « Produit A 100 € 50 unités », sans distinction entre les trois colonnes. Il peut aussi confondre un « 1 » avec un « l », un « 0 » avec un « O », ou lire le symbole « € » comme un « E ».

Le tableau complexe

Un tableau est complexe lorsqu'il présente une ou plusieurs de ces caractéristiques :

  • Cellules fusionnées : une cellule qui s'étend sur plusieurs colonnes ou plusieurs lignes.
  • Structure irrégulière : colonnes de largeurs différentes, lignes avec un nombre variable de cellules.
  • Formats hétérogènes : montants avec virgule dans une colonne et point dans une autre, dates dans des formats différents.
  • Tableau sur plusieurs pages, avec des en-têtes répétés à chaque page.
  • Bordures complexes : doubles, pointillées ou absentes.
  • Tableaux imbriqués : un tableau à l'intérieur d'une cellule.
  • Notes et renvois : astérisques, notes de bas de tableau, conditions particulières glissées entre deux lignes.

Exemple : une grille tarifaire avec un titre fusionné sur cinq colonnes (« Tarifs applicables au 1er janvier 2025 »), une catégorie « Services IT » fusionnée sur deux lignes avec les sous-catégories « Infrastructure » et « Applications », des montants au format « 1 250,50 € » dans une colonne et « 1250.50€ » dans une autre, et des notes de bas de tableau qui se mêlent aux données.

Pourquoi l'OCR échoue sur les tableaux

Il ne comprend pas la structure

L'OCR lit l'image ligne de texte par ligne de texte. Il ne sait pas qu'un tableau a deux dimensions. Dès que l'alignement n'est pas parfait, les valeurs glissent d'une colonne à l'autre.

Il confond bordures et caractères

Les traits verticaux d'un tableau sont lus comme des « I » ou des « l », les traits horizontaux comme des tirets. Ces caractères parasites s'insèrent dans les données.

Il ne sait pas répartir les cellules fusionnées

Quand une cellule s'étend sur plusieurs colonnes ou plusieurs lignes, l'OCR place son contenu dans la première colonne, le répète ou le perd. La relation entre une catégorie et ses sous-lignes disparaît.

Il ne normalise pas les formats

Si une colonne utilise la virgule décimale et une autre le point, l'OCR restitue les deux tels quels. Le fichier obtenu mélange des nombres et du texte, et Excel ne sait plus calculer.

Il dépend de la qualité du scan

Page de travers, tampon sur un chiffre, annotation manuscrite, photocopie de photocopie : chaque défaut de l'image produit des erreurs supplémentaires.

Le problème principal n'est pas que l'OCR se trompe, c'est qu'il se trompe en silence. Une valeur fausse a l'air aussi vraie qu'une valeur juste. Pour détecter les erreurs, il faut relire chaque cellule contre le PDF, c'est-à-dire refaire le travail.

Pourquoi l'IA générative ne fait pas mieux

Les modèles d'IA générative (LLM) analysent le contexte d'un tableau mieux qu'un OCR : ils comprennent qu'une colonne contient des prix et une autre des quantités. Mais ils échouent sur l'extraction exacte, pour d'autres raisons.

  • Ils sont conçus pour le sens, pas pour la copie exacte. Un LLM peut « corriger » une valeur pour la rendre plausible, ou recalculer un total au lieu de le lire. C'est une hallucination, et elle ne se signale pas.
  • Ils ont des limites de contexte. Un long tableau peut dépasser la capacité de traitement du modèle : des lignes sont tronquées, résumées ou omises.
  • Ils ne sont pas reproductibles. Le même tableau soumis deux fois peut donner deux résultats différents.
  • Ils interprètent mal les formules et les renvois. Un sous-total, une remise conditionnelle ou une note « hors frais de port » sont fusionnés avec les données ou ignorés.

Exemple : un LLM restitue « 1 250,50 € » sous la forme « 1250.50 », puis inverse deux colonnes de prix sur une partie du tableau. Le fichier s'importe sans erreur dans Excel ; l'erreur ne sera découverte qu'au contrôle d'une facture.

S'y ajoute une question de confidentialité : soumettre des grilles tarifaires à un service d'IA externe, c'est exposer des conditions commerciales sensibles. Pour plus de détails sur ces limites, lisez notre article sur les limites de l'IA dans le nettoyage des données achats.

Le vrai coût d'une cellule fausse

Exemple de calcul (hypothèses illustratives) : une grille tarifaire de 100 lignes et 5 colonnes contient 500 cellules. Si une cellule sur vingt est fausse, cela fait 25 erreurs. Si chacune affecte une commande ou un contrôle de facture portant sur 1 000 € en moyenne, l'exposition atteint 25 000 € pour un seul tableau. Multipliez par le nombre de contrats de votre portefeuille.

Le coût de la vérification est l'autre face du problème. Un fichier produit par OCR ou par IA qu'il faut relire intégralement contre le PDF n'a fait gagner aucun temps : le travail a simplement été fait deux fois. Et un fichier qu'on ne relit pas est un fichier dont on ignore la fiabilité.

Comment un expert extrait un tableau complexe, étape par étape

Chez DATASSET, l'extraction des tableaux est réalisée à 100 % à la main par des experts achats, sans OCR automatique ni IA générative. Voici comment se déroule le travail.

Étape 1 : analyser le document

Avant toute saisie, l'expert analyse le document : combien de tableaux, sur quelles pages, avec quel niveau de complexité. Exemple : un contrat contient trois tableaux, une grille tarifaire en pages 3 et 4 (référence, description, quantité, prix unitaire, total), un tableau de conditions en page 5 et un barème de pénalités en page 6 (type de pénalité, montant, conditions d'application).

Étape 2 : définir le schéma de sortie

Les colonnes du fichier final, leurs formats et les règles de traitement sont fixés avec vous : que faire d'une cellule fusionnée, d'une note de bas de tableau, d'un prix exprimé dans une autre devise, d'une ligne « sur devis ».

Étape 3 : saisir les données de manière structurée

L'expert saisit chaque cellule en appliquant le schéma :

  • les cellules fusionnées sont interprétées : une catégorie fusionnée sur deux lignes est reportée sur chacune des lignes qu'elle couvre ;
  • les en-têtes répétés d'une page à l'autre sont ignorés, pour ne pas créer de fausses lignes ;
  • les notes et renvois sont placés dans une colonne dédiée, rattachés à la ligne concernée ;
  • les formats sont standardisés : montants numériques avec deux décimales, dates au format retenu, unités homogènes.

Étape 4 : contrôler et valider

Chaque tableau fait l'objet de contrôles :

  • cohérence : chaque total est-il égal à la somme des lignes correspondantes ? Si le total imprimé est 1 250,50 € et que la somme des lignes donne 1 250,00 €, l'écart est signalé ;
  • formats : les montants sont-ils bien des nombres, les dates des dates ?
  • complétude : le nombre de lignes saisies correspond-il au nombre de lignes du document ?
  • double vérification des valeurs critiques par un second expert ;
  • traçabilité : chaque ligne renvoie au document, à la page et au tableau d'origine.

Étape 5 : livrer un fichier exploitable

Le fichier est livré en Excel, CSV ou JSON, au format attendu par vos outils. Exemple pour une grille tarifaire :

  • colonne A : référence (texte) ;
  • colonne B : description (texte) ;
  • colonne C : quantité (nombre) ;
  • colonne D : prix unitaire (nombre, deux décimales) ;
  • colonne E : total (nombre, deux décimales, contrôlé par rapport au produit C × D).

Trois cas typiques

Cas 1 : une grille tarifaire avec cellules fusionnées

Le tableau comporte un titre fusionné sur cinq colonnes, puis une catégorie « Services IT » fusionnée sur deux lignes : « Infrastructure » (quantité 10, prix 1 250 €, total 12 500 €) et « Applications » (quantité 5, prix 2 000 €, total 10 000 €).

Erreur typique d'un outil automatique : « Services IT » est placé dans la colonne Produit, ou n'apparaît que sur la première ligne.

Traitement par l'expert : deux lignes complètes, chacune avec la catégorie « Services IT », le produit, la quantité, le prix et le total.

Cas 2 : un tableau sur plusieurs pages

Le tableau compte 150 lignes réparties sur trois pages, avec l'en-tête répété en haut de chaque page.

Erreur typique : les en-têtes répétés deviennent des lignes de données, ou les colonnes se décalent d'une page à l'autre.

Traitement par l'expert : les en-têtes répétés sont écartés et la continuité des colonnes est vérifiée page par page.

Cas 3 : des formats hétérogènes

Une colonne contient « 1 250,50 € », une autre « 1250.50€ ».

Erreur typique : les deux formats sont conservés tels quels ; une partie des montants est importée comme du texte et disparaît des calculs.

Traitement par l'expert : tous les montants sont convertis dans un format numérique unique, la devise est indiquée dans une colonne dédiée.

Pour les grilles les plus volumineuses, notre article sur l'extraction des grilles tarifaires et des BPU détaille la méthode, et celui sur l'extraction de catalogues fournisseurs traite des catalogues hétérogènes.

OCR, IA ou expert : quand choisir quoi ?

L'OCR a sa place : rendre un document scanné consultable par une recherche plein texte, par exemple. L'IA générative peut aider à résumer un document pour en saisir l'essentiel. Mais dès qu'un tableau alimente une décision (prix de commande, contrôle de facture, calcul de pénalité, renégociation), chaque cellule compte. La seule garantie, dans ce cas, est la lecture et la validation humaines.

Conclusion : la précision ne s'improvise pas

Transformer un tableau PDF en données Excel n'est pas une simple commodité : c'est la condition pour exploiter les chiffres de vos contrats. L'OCR ne comprend pas la structure des tableaux, l'IA générative ne garantit pas l'exactitude des valeurs, et leurs erreurs passent inaperçues.

Chez DATASSET, chaque tableau est analysé, saisi, contrôlé et livré par des experts achats, avec une traçabilité complète. Découvrez notre service d'extraction experte, lisez pourquoi extraire les données de vos contrats PDF est un enjeu stratégique, ou estimez le volume à traiter avec notre simulateur de coût. Pour un premier échange, contactez-nous.

Vous pourriez aussi aimer

Découvrez d'autres articles sur la gestion et l'extraction de données contractuelles.

Voir tous les articles