Extraction de données : la première brique du contrôle documentaire
Devis, factures, BPU, DPGF, contrats-cadres, mercuriales. Sortir un prix unitaire, une remise, une quantité, une date d'échéance d'un document qui n'a pas été conçu pour être lu par une machine. Cette étape est la fondation silencieuse du contrôle achats, finance et comptable. Quand elle est bâclée, tout ce qui suit (le rapprochement, la détection d'anomalies, la décision) est incertain.
La plupart des organisations investissent dans des outils d'analyse et de reporting sophistiqués, mais négligent le maillon qui les alimente. Or, une donnée mal extraite ne produit pas une analyse dégradée : elle produit une analyse fausse, avec la même apparence de fiabilité qu'une analyse juste. C'est précisément ce qui rend l'extraction de données à la fois technique et stratégique.
Extraction de données : de quoi parle-t-on vraiment ?
L'extraction de données consiste à transformer un document non structuré (un PDF, un tableur, un scan, un e-mail récapitulatif) en informations structurées, exploitables et comparables. Concrètement, il s'agit d'identifier dans un document les éléments déterminants (nature de la prestation, quantités, prix unitaires, remises, conditions de paiement, dates d'échéance, références contractuelles) et de les restituer sous une forme logique, prête à être croisée avec d'autres sources.
Il faut distinguer l'extraction des étapes voisines. La capture consiste à récupérer le document. La classification consiste à en identifier le type (est-ce un devis, une facture, un BPU ?). Le rapprochement consiste à comparer les données extraites aux référentiels. L'extraction est l'étape charnière entre le document brut et l'intelligence : elle décide de la qualité de tout ce qui vient ensuite. Un rapprochement parfait sur des données mal extraites reste un rapprochement faux.
Pourquoi l'extraction est un problème plus difficile qu'il n'y paraît
L'intuition première consiste à penser que lire un document est trivial. Un humain le fait en quelques secondes. C'est justement ce qui masque la difficulté réelle du problème à grande échelle.
L'hétérogénéité des formats : il n'existe aucun standard légal imposant la structure d'un devis ou d'une facture fournisseur. Chaque émetteur applique sa propre mise en page, ses propres libellés, ses propres codes articles. Le même produit peut apparaître sous trois intitulés différents selon trois fournisseurs. Un devis peut être un PDF généré par un ERP, un tableau Excel mis en page à la main ou un simple e-mail. Avant de comparer deux documents, il faut donc les traduire dans un langage commun, ce que l'œil humain fait sans y penser mais qu'un système doit apprendre à reproduire de façon fiable et répétable.
La densité et la variabilité documentaire : Un BPU (Bordereau de Prix Unitaires) peut contenir plusieurs centaines de lignes, chacune avec son code, son unité de mesure et son prix. Une DPGF (Décomposition du Prix Global et Forfaitaire) décline sa propre logique à chaque marché. Extraire proprement quatre cents lignes de prestation, sans en oublier une seule et sans confondre une quantité avec un montant, dépasse rapidement les capacités d'un traitement manuel attentif, surtout sous contrainte de temps.
La donnée non structurée : la majorité de l'information qui circule entre un fournisseur et une direction achats n'est pas rangée dans des cases nettes. Elle est noyée dans du texte libre, des tableaux sans bordures, des annotations, des conditions particulières exprimées en langage naturel. Une remise peut figurer dans une clause plutôt que dans une colonne. Des frais accessoires peuvent apparaître sous un libellé qui ne correspond à rien dans le devis initial. Extraire ne se limite donc pas à recopier des chiffres : il faut comprendre le contexte pour savoir quel chiffre compte.
Tous les documents ne se valent pas : l'échelle de complexité
Comprendre pourquoi l'extraction résiste à l'automatisation suppose d'admettre que les documents ne se situent pas tous au même niveau de difficulté. Plus un document est variable dans sa forme et riche dans son contenu, plus l'extraction devient exigeante. On peut représenter cette réalité comme une échelle de complexité croissante. Le contexte général ne joue pas en faveur des entreprises : selon IDC, près de 90 % des données d'entreprise sont non structurées, un ordre de grandeur confirmé par d'autres acteurs du secteur tels que Databricks qui les situent entre 80 % et 90 %.
Au premier niveau se trouvent les documents simples et structurés, comme un bon de commande standardisé ou un tableur normalisé. Leur forme est prévisible, leur extraction relativement directe. Au deuxième niveau, les documents semi-structurés (factures, formulaires) offrent quelques repères de structure, mais chaque émetteur décline sa propre présentation. Au troisième niveau, les documents non structurés (devis en format libre, mercuriales, états financiers) mélangent texte et chiffres sans logique commune d'un fournisseur à l'autre. Au sommet, les documents à très forte complexité (contrats-cadres, BPU, DPGF, CCTP) cumulent des centaines de lignes, des clauses en langage naturel et des conditions indexées.
Le point décisif pour les fonctions achats, finance et comptabilité est le suivant : l'essentiel des documents qu'elles traitent au quotidien se concentre dans le haut de cette échelle. Ce ne sont pas les cas faciles qui dominent, mais les cas complexes. C'est précisément pour cette raison qu'une extraction pensée pour les documents simples s'effondre sur les documents réels.
De l'OCR à l'IA agentique : la longue trajectoire de l'extraction documentaire
L'extraction automatique de données n'est pas née avec l'intelligence artificielle récente. Elle suit une trajectoire longue, dont chaque étape a repoussé un peu plus la rigidité du gabarit.
Dès les années 1950, les premières lectures optiques (OCR) convertissent des documents dactylographiés en données machine. Dans les années 1970 apparaît l'OCR omni-police, capable de reconnaître des caractères quelle que soit la fonte. À partir des années 1980, les algorithmes de vision par ordinateur permettent de traiter des mises en page plus variées. Dans les années 2010 émerge une première génération d'outils de traitement documentaire, qui superpose des interfaces conviviales à l'OCR et commence à mobiliser le machine learning et le traitement du langage naturel (NLP) pour gagner en flexibilité.
Le fil conducteur de cette histoire est clair : chaque génération a cherché à s'affranchir de la contrainte du modèle prédéfini, cette fragilité qui fait qu'un simple changement de mise en page casse l'extraction. La rupture actuelle, portée par la combinaison du NLP, des modèles de vision (VLM) et de l'IA agentique, prolonge cette trajectoire en franchissant un seuil : lire un document sans gabarit, en comprenant son contenu plutôt qu'en le décalquant.
Les approches classiques et leur plafond de verre
Face à ce défi, les organisations ont historiquement mobilisé trois recours, chacun butant sur la même limite.
La saisie manuelle : C'est encore la norme dans beaucoup de services. Elle est flexible mais coûteuse et faillible. Entre 40 % et 70 % du temps d'un acheteur peut être absorbé par le traitement documentaire, dont une part significative de ressaisie. Chaque saisie est une occasion d'introduire une inexactitude (une référence mal codée, une remise arrondie, une décimale déplacée) qui contaminera ensuite toutes les analyses en aval.
L'OCR classique : La reconnaissance optique de caractères numérise un document et en extrait du texte. C'est une première étape utile, mais elle s'arrête à la surface. L'OCR fondé sur des modèles rigides fonctionne tant que le document respecte exactement le gabarit attendu. Le moindre changement de mise en page casse l'extraction. Surtout, l'OCR lit sans comprendre : il ne sait pas que le prix au kilo qu'il vient de lire doit être rapproché d'une mercuriale négociée six mois plus tôt, ni qu'un libellé différent renvoie à la même prestation. Il déplace le problème vers un tableur, il ne le résout pas.
Le tableur : Excel reste le refuge universel. Il compare des cellules et non des contextes. Il ne détecte pas qu'une ligne « manutention incluse » correspond à « frais de port offerts » sur un autre document, et une simple erreur de formule se propage en silence dans tous les calculs qui en dépendent. À faible volume, il rend service. Dès que le nombre de documents et la complexité des conditions augmentent, il atteint ses limites structurelles.
Le point commun de ces trois approches : elles traitent l'extraction comme une opération mécanique, alors que c'est une opération d'interprétation.
L'enjeu business : ce qu'une extraction fiable fait réellement gagner
Resserrer l'attention sur l'extraction n'est pas un raffinement technique. C'est là que se joue une part concrète de la marge.
Le temps rendu aux équipes : Automatiser l'extraction, c'est libérer les heures aujourd'hui consacrées à lire, ressaisir et normaliser des documents. Ce temps n'est pas du temps stratégique : c'est du temps de vérification mécanique payé au prix d'un expert. En le récupérant, les équipes achats et finance peuvent le réaffecter à la négociation, à la relation fournisseur et à l'analyse, c'est-à-dire à ce qui crée réellement de la valeur.
La fiabilité des décisions : une extraction fiable produit une base de données comparable. Sans elle, les décisions d'achat structurantes (renouveler un contrat, consolider des volumes, renégocier une grille tarifaire) se prennent sur des données partielles ou reconstituées à la main. Avec elle, chaque décision s'appuie sur ce que les documents contiennent réellement, et non sur ce que l'on suppose qu'ils contiennent.
La détection en aval : l'extraction conditionne mécaniquement la qualité de la détection d'écarts. Une remise non extraite est une remise qui ne sera jamais contrôlée. Une ligne de frais mal interprétée est un écart qui passera sous les radars. Or les marges d'erreur se situent entre 3 % et 5 %. C'est précisément parce que l'extraction est fiabilisée en amont que la détection des écarts documentaires peut atteindre une précision élevée en aval. Aujourd'hui, un document fournisseur sur deux échappe encore au contrôle, et l'extraction défaillante en est souvent la première cause.
Conclusion
L'extraction de données est la brique la plus discrète du contrôle achats et finance, et pourtant celle qui décide de tout le reste. Elle ne se voit pas dans les tableaux de bord, elle ne fait pas l'objet de projets stratégiques dédiés, et c'est justement pour cela qu'elle constitue un angle mort coûteux. Tant que la donnée entre dans le système par une saisie manuelle faillible ou une numérisation aveugle, aucun outil d'analyse en aval ne peut compenser ce défaut de fondation.
Fiabiliser l'extraction, c'est refuser de bâtir des décisions sur des données incertaines. C'est aussi la condition première pour récupérer du temps, sécuriser la marge et redonner aux équipes la visibilité qu'elles n'ont jamais eue sur ce que leurs documents contiennent vraiment.
Découvrez ZYLIO !
