OCR contractuel

Enjeux et pratique

L’OCR traite un problème dont l’ampleur surprend toujours les projets de reprise de stock : une part importante du patrimoine contractuel des entreprises n’existe qu’en image. Contrats signés papier puis scannés, fax archivés, documents paraphés photographiés : autant de fichiers dans lesquels aucune recherche ne fonctionne, puisque pour la machine ils ne contiennent pas de texte, seulement des pixels.

Sa place dans la chaîne mérite d’être précisée : l’OCR rend le texte lisible, il ne le comprend pas. La chaîne complète va de la numérisation à l’OCR (production du texte brut), puis à l’extraction (identification des données : parties, dates, montants, clauses), aujourd’hui largement assurée par des modèles de langage qui travaillent sur le texte issu de l’OCR. La qualité de l’amont conditionne tout l’aval : un OCR défaillant sur un scan médiocre produit un texte corrompu, dont l’extraction héritera les erreurs, parfois silencieusement (un montant mal reconnu reste un montant plausible).

Les limites pratiques sont connues et gérables. La qualité source : scans anciens, tampons, annotations manuscrites, paraphes en marge dégradent la reconnaissance ; les mentions manuscrites ajoutées en négociation, juridiquement cruciales, sont précisément les plus difficiles à reconnaître. La structure : tableaux de prix, annexes complexes et renvois exigent des OCR capables de préserver la mise en page, faute de quoi les grilles tarifaires deviennent illisibles. Le contrôle : un dispositif sérieux mesure son taux de confiance page par page et route les documents douteux vers une vérification humaine, plutôt que de verser un texte incertain dans le référentiel. Pour les stocks anciens, l’arbitrage entre tout océriser et prioriser (contrats actifs et clauses sensibles d’abord) est une décision de projet, pas de technologie.

L’erreur silencieuse est le vrai danger, plus que l’échec visible. Un scan illisible se voit et se traite ; un caractère mal reconnu au milieu d’un montant ou d’une date passe inaperçu et se propage dans toutes les analyses qui s’appuient sur cette donnée. C’est pourquoi la mesure du taux de confiance et la vérification humaine ciblée ne sont pas des options de confort : elles sont la seule protection contre une donnée fausse mais crédible.

Points de vigilance

Traitez la qualité source avant l’outil. Une meilleure numérisation (résolution suffisante, contraste, redressement des pages) améliore davantage le résultat qu’un changement de logiciel sur des scans médiocres.

Exigez un score de confiance et une remontée des cas douteux. Un OCR qui ne signale jamais ses incertitudes est le plus dangereux : il verse ses erreurs dans le référentiel avec le même aplomb que ses réussites.

Prêtez une attention particulière aux mentions manuscrites et aux tableaux. Les ajouts en marge négociés à la main et les grilles tarifaires sont à la fois les plus mal reconnus et les plus lourds de conséquences ; ils méritent une relecture systématique.

Ne confondez pas texte océrisé et données fiables. Après l’OCR vient l’extraction, puis un contrôle des points sensibles ; sauter ces étapes revient à bâtir des analyses sur un texte dont personne n’a vérifié qu’il correspond à l’original.

À ne pas confondre avec

L’OCR n’est pas la signature électronique ni le PDF nativement numérique. Un contrat conclu et signé électroniquement produit d’emblée un texte exploitable, sans passer par la reconnaissance de caractères. L’OCR concerne le stock hérité et les documents entrés sous forme d’image ; il reconstitue un texte à partir de pixels, là où le document numérique natif contient déjà ce texte. Confondre les deux conduit à sous-estimer l’effort de reprise d’un patrimoine ancien majoritairement scanné.

Exemple concret

Lors de la constitution de sa contrathèque, une ETI reprend un stock de 2 400 contrats dont 60 % en scans. L’OCR de masse classe les documents par score de confiance : 78 % passent en traitement automatique, le reste part en vérification humaine ciblée. La numérisation révèle au passage 90 documents illisibles ou incomplets, dont 12 contrats actifs dont la version signée complète est introuvable : une information de risque que personne n’avait, et qui déclenche une campagne de régularisation.