---
title: "Pipeline documentaire IA en production : réalisation | GiLabs"
description: "Comment un groupe industriel a remplacé la ressaisie de centaines de feuilles de temps par un pipeline IA en production. Environ 2 temps plein réaffectés."
url: "https://gilabs.fr/fr/realisations/pipeline-documentaire-ia/"
lang: "fr"
author: "Yann Gilliot"
published: "2026-07-10"
updated: "2026-09-30"
---
# Pipeline documentaire IA : la ressaisie manuelle éliminée

*Réalisation · industrie (anonymisé) · 2026*

Dans un groupe industriel international, deux personnes ressaisissaient à la main des centaines de feuilles de temps chaque mois. Aujourd'hui, l'IA lit les documents, un humain valide par lot, et les données partent directement dans la base métier.

Conçu, développé et mis en production par Yann Gilliot en mai 2026, avant la création de GiLabs. Le client et le nom du projet sont anonymisés.

## Le contexte

Un groupe industriel opérant à l'international, avec des équipes terrain qui produisent chaque mois des centaines de feuilles de temps papier, scannées puis traitées au siège. Le SI repose sur l'écosystème Microsoft : base SQL Server, applicatifs métier .NET, dossiers réseau.

## Le problème

Deux personnes étaient mobilisées à plein temps pour ressaisir ces documents dans le système : un travail lent, ingrat et source d'erreurs (doublons, demi-saisies, écarts découverts des semaines plus tard). La croissance de l'activité aggravait mécaniquement la charge.

## La solution, étape par étape

Un pipeline complet, développé au cœur du SI existant, sans changer les outils des équipes terrain.

1. **Ingestion automatique** : Les scans déposés sur les dossiers réseau sont détectés et pris en charge sans aucune manipulation : l'entrée du pipeline, c'est le geste que les équipes faisaient déjà.
2. **Extraction IA** : Azure Document Intelligence et un LLM lisent chaque document : champs, tableaux d'heures, écritures manuscrites. Les règles métier du groupe valident la cohérence de chaque donnée extraite.
3. **Revue humaine par lot** : L'IA propose, l'humain dispose : une interface de validation développée sur mesure présente les extractions par lot, signale les cas douteux, et apprend des corrections. La qualité augmente avec l'usage.
4. **Import transactionnel** : Les données validées partent dans la base métier en une transaction : zéro doublon, zéro demi-saisie, traçabilité complète de chaque document jusqu'à son écriture en base.

## Les résultats

- ≈ 2 temps plein de ressaisie réaffectés à des tâches à plus forte valeur
- Erreurs de saisie quasi éliminées, traçabilité complète document → base
- Développé en .NET dans le SI existant : pipeline, interface de validation, règles métier
- Le système apprend des corrections : la qualité augmente avec l'usage
- Aucune rupture pour les équipes terrain : mêmes scans, mêmes dossiers réseau

## Sous le capot

- Azure Document Intelligence
- LLM (extraction + correction)
- .NET
- SQL Server
- Règles métier
- Human-in-the-loop

## Vous avez un flux documentaire similaire ?

- [Intégration IA .NET](https://gilabs.fr/fr/offres/integration-ia-dotnet/) : Ce cas est une intégration profonde : l'IA développée au cœur du SI existant.
- [Diagnostic IA 30 jours](https://gilabs.fr/fr/offres/diagnostic-ia/) : Chiffrez d'abord ce que votre propre flux documentaire vous coûte.

**Réserver un échange de 30 minutes** : [Calendly](https://calendly.com/yann-gilabs/30min)