Un pipeline documentaire IA en production : ce qui le fait tenir au quotidien

Des centaines de feuilles de temps papier scannées chaque mois. Saisie manuelle, erreurs de report, aucun contrôle systématique. C’est le point de départ d’un projet mené pour un acteur industriel international, et le pipeline d’extraction documentaire que j’ai conçu et mis en production répond à un problème très concret : transformer un document scanné en donnée fiable dans un système métier, sans faire disparaître le contrôle humain là où il compte.

Le pipeline, en quatre étapes

Ingestion automatique. Les PDF scannés déposés sur un dossier réseau partent seuls en file de traitement. Aucune action utilisateur n’est nécessaire pour déclencher le traitement.

Extraction en double passe. Une première passe d’OCR cloud récupère le texte et les tableaux. Une seconde passe, avec un modèle d’IA générative capable de vision, vient fiabiliser cette extraction : normalisation des champs, score de confiance par donnée extraite, rapprochement automatique avec l’annuaire des employés.

Revue humaine systématique. Une interface de validation présente le PDF source et les données extraites côte à côte. Il n’y a jamais d’import à 100 % automatique : chaque lot passe par un opérateur qui confirme ou corrige.

Import transactionnel. L’écriture en base se fait de façon atomique, avec un rollback complet à la moindre erreur, et une traçabilité complète de chaque document traité.

Ce qui compte vraiment n’est pas le modèle

Ce qui fait tenir ce système en production, ce n’est pas le choix du modèle d’IA. Ce sont trois décisions d’architecture :

• La validation humaine est obligatoire, une exigence d’auditabilité incontournable dans ce contexte industriel.
• Chaque correction faite par un opérateur est mémorisée et réinjectée dans les extractions suivantes : le système s’améliore avec l’usage, sans réentraînement lourd.
• Les briques d’extraction sont interchangeables. Si un meilleur moteur OCR ou un meilleur modèle sort demain, on le branche sans toucher au reste du pipeline.

Un système, pas un POC

Ce n’est pas un prototype qui tourne en démo. C’est un système intégré au système d’information existant (dossiers réseau, annuaire, base métier) et utilisé tous les jours. C’est exactement le pattern que je retrouve dans la plupart des projets d’intégration IA qui tiennent dans la durée : une couche IA qui propose, une couche déterministe qui valide, un humain qui tranche sur les cas ambigus. Je détaille ce pattern d’architecture dans un article dédié.

Ma conviction, confirmée projet après projet : l’IA qui crée de la valeur en entreprise est celle qu’on branche sur l’existant, avec l’humain dans la boucle au bon endroit, pas celle qu’on pose à côté du système en espérant qu’elle remplace le contrôle.