Cas d'usage de Document AI
På denna sida
Mise à jour du 2 novembre 2026 — OCR. OCR 4.0 (
mistral-ocr-4-0) a été retiré le 30 septembre 2026. Utilise OCR 4.1 (mistral-ocr-4-1), disponible en version générale depuis le 31 août au même tarif, ou l’aliasmistral-ocr-latest, qui le cible depuis le 16 juillet. OCR 4.1 ajoute des scores de confiance au niveau des blocs.
Applications concrètes par secteur
Document AI fait bien plus qu’extraire du texte. La combinaison OCR + Annotations + QnA rend le service précieux car elle couvre l’intégralité du cycle de vie du document, de la réception à l’exploitation. Cette leçon passe en revue les cas d’usage les plus courants par secteur, en indiquant quels services interviennent à chaque étape. Cette distinction est cruciale dès le départ, car chaque service ajouté engendre des coûts et de la latence.
| Secteur | Cas d'usage | Services utilisés |
|---|---|---|
| Finance et banque | KYC automatisé, extraction de relevés, conformité | OCR + Annotations |
| Santé | Dossiers patients, ordonnances manuscrites, rapports médicaux | OCR + Annotations + QnA |
| Juridique | Analyse de contrats, extraction de clauses, due diligence | OCR + QnA |
| Assurance | Traitement des sinistres, formulaires de déclaration | OCR + Annotations |
| Logistique | Bons de livraison, documents douaniers, listes de contrôle d'entrepôt | OCR + Annotations |
| Comptabilité | Factures fournisseurs, notes de frais, rapprochements bancaires | OCR + Annotations |
| Secteur public | Numérisation d'archives, formulaires administratifs | OCR |
| Industrie | Fiches techniques, certificats de qualité, rapports d'inspection | OCR + QnA |
Finance et banque : KYC automatisé
L’intégration des clients est le cas d’usage le plus demandé car il est répétitif, réglementé et chronophage. Le processus « Know Your Customer » (KYC) suit toujours la même séquence :
- Numérisation des pièces d’identité : Passeport, carte nationale d’identité, permis de conduire
- Extraction OCR : Prénom, nom, date de naissance, numéro de document
- Annotations structurées : Validation des champs via un schéma Pydantic
- Vérification croisée : Comparaison automatique avec les bases de données internes
- Archivage enrichi : Document indexé et interrogeable via QnA
Ce qui prenait plusieurs heures à un responsable de la conformité ne prend désormais que quelques secondes par fichier. L’agent n’intervient que sur les cas signalés comme suspects.
Santé : Dossiers patients et ordonnances
Le secteur médical génère des volumes massifs de documents, dont une grande partie reste manuscrite. Une ordonnance manuscrite, souvent jugée illisible, est transcrite correctement même lorsque le praticien mélange des termes latins avec la langue locale. Les formulaires à cocher, longtemps source de problèmes pour les moteurs OCR traditionnels, voient leurs réponses booléennes extraites avec une précision remarquable. Sur les rapports médicaux, le modèle identifie l’identité du patient, le diagnostic et les prescriptions.
Un comportement mérite d’être souligné car il détermine le niveau de confiance que tu peux accorder au système : lorsqu’un champ est absent du document — par exemple, un numéro de téléphone non mentionné — le modèle signale cette absence au lieu d’inventer une valeur plausible. C’est l’exact opposé du réflexe d’un modèle généraliste, et c’est ce qui rend l’extraction exploitable sans revue humaine systématique.
Juridique : Analyse de contrats à grande échelle
Les cabinets d’avocats et les services juridiques utilisent principalement l’extraction de clauses et la QnA. Le premier cas d’usage consiste à identifier automatiquement les clauses de résiliation, de non-concurrence ou de confidentialité au sein d’un corpus, transformant une revue manuelle en un tri assisté. Le second excelle lors de la due diligence : lorsqu’une acquisition implique des centaines de contrats, tu interroges le corpus en langage naturel plutôt que de tout lire de bout en bout, en ne passant en revue détaillée que les documents mis en surface par la recherche.
Comptabilité : Traitement des factures
C’est le cas d’usage le plus mature et souvent le premier déployé. Tout repose sur un schéma Pydantic qui décrit exactement ce que tu souhaites récupérer :
from pydantic import BaseModel, Field
class Invoice(BaseModel):
vendor: str = Field(..., description="Vendor name")
invoice_number: str = Field(..., description="Invoice number")
date: str = Field(..., description="Invoice date in YYYY-MM-DD format")
amount_excl_tax: float = Field(..., description="Amount excluding tax in euros")
amount_incl_tax: float = Field(..., description="Amount including tax in euros")
vat_amount: float = Field(..., description="VAT amount in euros")
Lorsqu’il est transmis à l’API Annotations, ce schéma extrait les champs de chaque facture numérisée sans nécessiter aucune configuration préalable des modèles de factures fournisseurs. Note le soin apporté aux descriptions et au typage : cela indique au modèle qu’un montant doit être renvoyé sous forme de nombre, et une date au format YYYY-MM-DD plutôt que sous la forme figurant sur le papier.
Logistique, archives et secteur public
En logistique, les milliers de bons de livraison, connaissements et documents douaniers traités quotidiennement se prêtent à l’extraction automatique des informations sur l’expéditeur et le destinataire, à la lecture des codes-barres et des numéros de suivi présents dans les images, ainsi qu’à la numérisation des listes de contrôle d’entrepôt remplies à la main sur des supports souvent froissés.
La numérisation d’archives est un cas particulier. Les documents y sont anciens, parfois en mauvais état, rédigés dans une écriture manuscrite des XIXe ou XXe siècles, avec une typographie et des tournures de phrases tombées en désuétude. OCR 4 gère mieux ces éléments que les moteurs OCR traditionnels grâce à sa compréhension visuelle, mais sois réaliste quant aux limites : la précision baisse sur les éléments sévèrement dégradés, et tout projet d’archive sérieux inclut toujours une phase de revue humaine.
Le flux de production standard
Quel que soit le secteur, le pipeline se ressemble : ingestion du document via scan, téléchargement ou e-mail ; OCR pour extraire le texte et la structure via mistral-ocr-latest ; annotations pour obtenir des données structurées selon ton schéma métier ; indexation du Markdown enrichi dans une base de données vectorielle ou SQL ; puis exploitation via la recherche, la QnA, le reporting ou l’automatisation des workflows. Si tu conçois un projet, cartographie ces cinq étapes avant d’écrire la moindre ligne de code : elles déterminent où tu stockes les données, ce que tu rejoues en cas d’erreur et ce que tu factures.
Viktiga punkter
- Document AI s’applique à tous les secteurs manipulant des documents
- Le flux standard est : ingestion, OCR, annotations, indexation, exploitation
- Les annotations Pydantic te permettent d’extraire exactement les données dont tu as besoin
- La QnA te permet d’interroger les documents en langage naturel après indexation
- La combinaison des trois services crée une solution documentaire de bout en bout