IA et données non structurées : extraction, classification et RAG sur corpus interne

Les enjeux des données non structurées pour l'entreprise

Une entreprise de 500 salariés génère en moyenne 500 000 nouveaux documents par an : emails, rapports, contrats, présentations, factures, comptes rendus. Ces documents sont stockés dans des serveurs de fichiers, des sharepoints, des boîtes email, des GED — mais ils sont rarement exploités de manière systématique. La recherche documentaire repose sur des moteurs de recherche plein texte limités, et l'analyse manuelle de corpus volumineux est impossible à l'échelle.

Types de données non structurées en entreprise

Les données non structurées d'entreprise se répartissent en plusieurs catégories avec des caractéristiques et des défis différents :

• Documents PDF : contrats, rapports, factures, présentations — souvent scannés (donc image, non texte), avec des mises en page complexes (tableaux, colonnes, en-têtes)
• Emails : volume très élevé, structure semi-structurée, contenu mixte (texte + pièces jointes), métadonnées riches (expéditeur, date, fil de conversation)
• Documents Word/Office : généralement texte natif, mais avec des structures complexes (styles, révisions, commentaires)
• Images et photos : photos de chantier, visuels produits, captures d'écran, formulaires manuscrits
• Données audio/vidéo : enregistrements de réunions, webinaires, formation — transcription nécessaire avant traitement texte

Pourquoi les approches traditionnelles échouent

Les moteurs de recherche plein texte (Elasticsearch, Solr) permettent de trouver des documents contenant des mots-clés précis, mais ils ne comprennent pas le sens. Une recherche sur « résiliation de contrat » ne trouvera pas un document qui mentionne « fin de la convention » ou « rupture de l'accord ». Les OCR classiques peinent sur les documents de qualité médiocre (scans bas résolution, documents manuscrits, mise en page complexe). Et les humains ne peuvent pas lire et analyser des milliers de documents de manière systématique.

OCR intelligent : de la reconnaissance de caractères à la compréhension de documents

L'OCR (Optical Character Recognition) est la première étape du traitement de documents non structurés scannés ou sous forme d'image. Les solutions OCR de 2026 ont radicalement évolué par rapport aux outils traditionnels.

Limites de l'OCR classique

Les solutions OCR classiques (Tesseract, ABBYY FineReader) reconnaissent les caractères avec une précision de 85 à 95 % sur des documents de bonne qualité. Mais elles échouent fréquemment sur : les documents scannés en biais ou avec un faible contraste, les tableaux et les mises en page multi-colonnes, les formulaires avec cases à cocher, les documents mélangeant plusieurs langues, et les écritures manuscrites. Ces limitations génèrent des erreurs en cascade dans les étapes suivantes de traitement.

OCR intelligent par vision-language models

Les modèles vision-language (comme ELODIE multimodal d'Intelligence Privée) combinent la reconnaissance optique avec la compréhension sémantique. Ils ne se contentent pas de transcrire les caractères — ils comprennent la structure du document, le rôle de chaque zone (en-tête, corps, tableau, signature, tampon) et peuvent reconstruire une représentation structurée même à partir de documents de mauvaise qualité.

Les performances sont documentées : 98 à 99 % de précision sur les contrats et factures d'entreprise standard, 94 à 97 % sur les formulaires administratifs, 88 à 93 % sur les documents manuscrits lisibles. Ces performances permettent un traitement en production sans vérification humaine systématique — seulement les cas incertains (confidence score < seuil) sont routés vers une révision manuelle.

Extraction de structure : au-delà du texte brut

L'OCR intelligent ne produit pas seulement du texte brut — il produit une représentation structurée du document :

• Blocs sémantiques : titre, sous-titre, paragraphe, tableau, liste, note de bas de page, signature
• Tableaux reconstruits : cellules, en-têtes, structure de lignes/colonnes — exportables en JSON ou CSV
• Entités nommées : personnes, organisations, dates, montants, références — extraites et typées automatiquement
• Relations : liens entre entités (signataire d'un contrat, montant d'une ligne de commande, échéance d'une clause)

Extraction d'information par LLM : précision et personnalisation

Une fois le texte extrait (par OCR ou directement depuis les fichiers natifs), les LLMs permettent une extraction d'information à un niveau de précision et de flexibilité inatteignable avec les approches NLP classiques (expressions régulières, NER statistique).

Extraction structurée zero-shot et few-shot

L'extraction zero-shot consiste à demander au LLM d'extraire des informations spécifiques sans exemples préalables. Par exemple : « Extrayez les informations suivantes de ce contrat : parties (vendeur, acheteur), objet du contrat, prix, modalités de paiement, durée, conditions de résiliation. Retournez le résultat en JSON. »

En mode few-shot, on fournit 3 à 10 exemples d'extractions correctes sur des documents similaires, ce qui améliore significativement la précision pour les extractions complexes ou ambiguës. Les LLMs comme KEVINA 32B d'Intelligence Privée atteignent des précisions de 92 à 97 % en extraction structurée few-shot sur des documents métier bien définis.

Extraction de clauses contractuelles

Un cas d'usage particulièrement développé est l'extraction de clauses dans les contrats commerciaux. Le LLM peut identifier et extraire : les clauses de limitation de responsabilité, les pénalités de retard, les conditions de résiliation, les clauses de révision de prix, les garanties, les droits de propriété intellectuelle — et les comparer à une bibliothèque de clauses standards pour détecter les écarts. Ce processus, qui prend plusieurs heures à un juriste pour un contrat complexe, s'effectue en secondes avec une précision comparable. Voir notre article sur l'IA pour les contrats juridiques et la due diligence.

Extraction depuis les emails

Les boîtes email contiennent une quantité d'information considérable, souvent difficile à exploiter : demandes clients, engagements commerciaux, informations de contact, dates et délais convenus. L'IA permet d'extraire automatiquement ces informations et de les structurer pour enrichir les CRM, les ERP ou les bases de données projets. Un pipeline email-to-CRM IA peut traiter des milliers d'emails par jour, en extrayant automatiquement les données pertinentes avec une précision de 88 à 94 %.

Type d'extraction	Méthode recommandée	Précision typique	Volume traitable/heure
Entités simples (dates, montants)	LLM zero-shot	95-99 %	10 000+ documents
Clauses contractuelles	LLM few-shot + validation	88-95 %	500-2 000 documents
Tableaux financiers	OCR intelligent + LLM	92-97 %	1 000-5 000 documents
Synthèse de rapport long	LLM avec map-reduce	85-92 %	200-500 documents
Extraction d'emails	LLM zero-shot pipeline	88-94 %	5 000-20 000 emails

Classification de documents : organisation automatique de vos corpus

La classification de documents est la tâche d'assigner automatiquement chaque document à une ou plusieurs catégories prédéfinies (type de document, département concerné, niveau de confidentialité, statut, etc.).

Classification par type de document

La classification par type est la plus simple : distinguer automatiquement les contrats, les factures, les devis, les rapports d'audit, les courriers administratifs, les bons de commande. Un classificateur LLM atteint 97 à 99 % de précision sur ces catégories lorsqu'elles sont bien définies et représentées dans les données d'exemple.

Classification thématique et métier

La classification thématique est plus complexe : assigner un contrat à un domaine métier (RH, IT, commercial, juridique, finance), identifier les domaines du droit concernés dans un contrat, classer des emails par projet ou par client. Cette classification requiert généralement un fine-tuning ou des exemples few-shot spécifiques au contexte de l'entreprise.

Classification par niveau de sensibilité

La classification par niveau de sensibilité (Public, Interne, Confidentiel, Secret des affaires) est un cas d'usage à fort enjeu pour la DLP (Data Loss Prevention) et la conformité RGPD. L'IA peut automatiser cette classification en analysant le contenu : présence de données personnelles, mention de chiffres d'affaires ou de marges, références à des stratégies confidentielles. Cette classification automatique alimente ensuite les politiques de contrôle d'accès et de DLP.

Implémentation : approches et trade-offs

• Classificateur zero-shot LLM : rapide à déployer, sans données d'entraînement. Précision de 85 à 95 %. Idéal pour le prototypage et les cas où les catégories sont bien définies.
• Classificateur fine-tuné : plus précis (95 à 99 %) sur des catégories spécifiques métier, mais requiert 100 à 1 000 exemples annotés par catégorie et une phase d'entraînement.
• Classificateur hybride : zero-shot pour les cas faciles (confidence élevée), revue humaine pour les cas ambigus, alimentation continue du dataset de fine-tuning. C'est l'approche recommandée pour les déploiements en production.

Pipeline d'ingestion : architecture de référence

Un pipeline de traitement des données non structurées robuste suit une architecture en plusieurs étapes que nous détaillons ci-dessous.

Architecture du pipeline d'ingestion

Le pipeline standard se décompose en 6 étapes :

1. Collecte : connecteurs vers les sources (SharePoint, GED, S3, SFTP, IMAP pour emails). Collecte en temps réel (event-driven) ou par batch. Déduplication des documents par hash de contenu.
2. Prétraitement : détection du type de fichier, conversion en format unifié (PDF → texte), OCR pour les documents scannés, extraction des métadonnées (auteur, date, taille).
3. Extraction de contenu : OCR intelligent pour les documents image, parser pour les formats natifs (docx, xlsx, pptx), extraction des tableaux et des images intégrées.
4. Enrichissement sémantique : extraction d'entités nommées, classification du document, extraction des informations clés selon le type de document, génération d'un résumé.
5. Indexation vectorielle : découpage en chunks (paragraphes ou sections sémantiques), génération des embeddings, stockage dans une base vectorielle (Weaviate, Qdrant, pgvector).
6. Indexation textuelle : indexation parallèle dans un moteur de recherche fulltext (Elasticsearch, OpenSearch) pour les recherches par mots-clés.

Chunking : la clé de la qualité du RAG

Le découpage (chunking) des documents en segments pour l'indexation vectorielle est une étape critique souvent sous-estimée. Un mauvais chunking dégrade significativement les performances du RAG. Les approches recommandées :

• Chunking sémantique : découpage au niveau des paragraphes ou des sections logiques du document, en préservant les unités de sens. Supérieur au chunking par nombre fixe de tokens.
• Chunking avec overlap : chevauchement de 10 à 20 % entre chunks consécutifs pour éviter de perdre le contexte aux frontières.
• Chunking hiérarchique : plusieurs niveaux de chunks (section complète, paragraphe, phrase) indexés séparément, permettant une récupération à la bonne granularité selon la question.
• Metadata enrichment : chaque chunk est enrichi des métadonnées du document parent (source, date, auteur, type) pour permettre un filtrage lors de la récupération.

Notre article sur le RAG avancé : chunking, reranking et évaluation détaille ces techniques en profondeur.

RAG sur corpus interne : architecture et déploiement

Le RAG (Retrieval-Augmented Generation) est le paradigme qui permet d'interroger un corpus documentaire en langage naturel avec une précision et une pertinence incomparables aux moteurs de recherche classiques. Il combine la puissance de récupération (retrieval) de bases vectorielles avec la capacité de synthèse et de raisonnement des LLMs.

Architecture RAG en production

Un système RAG de production chez Intelligence Privée comprend :

• Indexation : pipeline d'ingestion décrit ci-dessus, avec mise à jour incrémentale (nouveaux documents indexés en moins de 5 minutes)
• Récupération hybride : combinaison de la récupération vectorielle (similarité sémantique) et fulltext (mots-clés) pour maximiser le rappel. Les deux listes de résultats sont fusionnées par un reranker
• Reranking : modèle de reranking (cross-encoder) qui reclasse les chunks récupérés par pertinence réelle par rapport à la question, améliorant la précision de 15 à 25 %
• Génération : le LLM (ELODIE ou KEVINA 32B) génère une réponse en s'appuyant sur les chunks pertinents, avec citation des sources (document, page, date)
• Évaluation : métriques continues de qualité (faithfulness, answer relevance, context precision) avec alertes si dégradation détectée

Performances attendues d'un RAG bien configuré

Métrique	RAG basique	RAG avancé (Intelligence Privée)
Précision des réponses (faithfulness)	75-85 %	90-96 %
Pertinence des réponses	70-80 %	85-93 %
Taux de réponses sans source	15-25 %	3-8 %
Latence (P95)	3-8 secondes	1,5-3 secondes
Taux de satisfaction utilisateur	55-70 %	78-90 %

Intégration avec les outils existants

Le RAG souverain d'Intelligence Privée s'intègre avec les outils collaboratifs existants : Microsoft Teams (bot Teams natif), SharePoint (widget de recherche augmentée), Slack, interfaces web dédiées. Les utilisateurs posent leurs questions dans l'outil qu'ils utilisent déjà, sans changer leurs habitudes de travail. L'intégration est réalisée via des API REST standard et des webhooks.

Conformité RGPD et souveraineté des données

Le traitement de données non structurées soulève des enjeux RGPD importants : les emails contiennent des données personnelles, les contrats mentionnent des noms de personnes physiques, les factures comportent des adresses. L'indexation et l'interrogation de ces données par un système IA constitue un traitement de données personnelles soumis au RGPD.

Obligations RGPD pour le traitement de données non structurées

• Base légale : le traitement doit reposer sur une base légale valide (intérêt légitime de l'entreprise pour l'optimisation des processus internes, le plus souvent)
• DPIA : une analyse d'impact est recommandée pour les traitements à grande échelle de données non structurées contenant des données personnelles
• Minimisation : seules les données nécessaires à la finalité doivent être indexées (pas d'indexation systématique de tous les emails sans discrimination)
• Durée de conservation : les données indexées ne doivent pas être conservées plus longtemps que les données sources
• Information des personnes : les employés dont les emails sont indexés doivent en être informés

Pourquoi le cloud américain est incompatible avec ce cas d'usage

L'indexation et l'interrogation de corpus documentaires internes via une IA cloud américaine (Azure OpenAI, AWS Bedrock) transfère des données personnelles vers des serveurs américains soumis au Cloud Act. Pour des corpus incluant des emails de collaborateurs, des contrats avec des personnes physiques ou des données de santé, ce transfert est souvent illicite au regard du RGPD (articles 44 à 49). La CNIL a sanctionné des entreprises françaises pour des transferts similaires.

Intelligence Privée héberge l'intégralité du pipeline — indexation, embeddings, base vectorielle, inférence LLM — en France, sans aucun transfert transatlantique. C'est la seule solution permettant de traiter des corpus documentaires sensibles en conformité totale avec le RGPD.

Chiffrement et contrôle d'accès

La base vectorielle d'Intelligence Privée est chiffrée au repos (AES-256) et les accès sont strictement contrôlés par des politiques RBAC (Role-Based Access Control). Il est possible de définir des périmètres d'accès par utilisateur ou par groupe : un commercial n'accède qu'aux documents de sa ligne de produits, un juriste n'accède qu'aux contrats de son périmètre. Ces contrôles sont appliqués au niveau de la récupération (le RAG ne retourne jamais un document auquel l'utilisateur n'a pas accès).

Cas d'usage métier : applications concrètes

Le traitement des données non structurées par l'IA s'applique à de nombreux contextes métier concrets.

Direction juridique : analyse de contrats

L'IA extrait automatiquement les clauses clés de milliers de contrats, génère des fiches de synthèse standardisées, et alerte sur les clauses inhabituelles ou défavorables. Lors d'une due diligence M&A, l'analyse de 500 contrats qui prendrait 3 semaines à une équipe juridique est réalisée en 48 heures. Voir notre guide complet IA et contrats.

Direction financière : traitement des factures

L'extraction automatique des données de factures (fournisseur, montant HT/TTC, TVA, références, échéance) et leur rapprochement avec les bons de commande élimine 70 à 90 % du travail manuel de saisie. Le taux d'automatisation complet (sans intervention humaine) atteint 85 à 90 % pour les factures standards, les 10 à 15 % restants étant des cas complexes ou ambigus routés vers validation.

Direction RH : analyse de CV et comptes rendus

L'extraction automatique de CV (compétences, expériences, diplômes) et leur structuration en profils comparables accélère le tri initial des candidatures. Les comptes rendus d'entretien peuvent être générés automatiquement à partir d'un enregistrement (transcription + résumé structuré), réduisant le temps administratif post-entretien de 30 à 45 minutes à 5 minutes.

Direction technique / R&D : knowledge base interne

Un RAG sur le corpus technique interne (documentation produit, rapports de tests, notes de réunion, emails techniques) permet aux ingénieurs de trouver instantanément les informations dont ils ont besoin sans passer par des collègues ou des recherches longues. Les économies documentées sont de l'ordre de 1 à 2 heures par ingénieur par semaine.

Service client : base de connaissance augmentée

Un RAG alimenté par les manuels produit, les FAQ, les historiques de tickets et les notes de version permet aux agents de répondre instantanément aux questions complexes en consultant la base de connaissance en langage naturel. Le temps de traitement des demandes complexes est réduit de 40 à 60 %. Voir notre article sur l'IA pour le service client.

FAQ — IA et données non structurées

Quel volume de documents est nécessaire pour démarrer un projet RAG ?

Il n'y a pas de volume minimum pour démarrer. Un corpus de 100 documents peut déjà produire un RAG utile pour un périmètre limité. Les corpus de 1 000 à 100 000 documents (taille typique des projets enterprise) sont traités sans difficultés particulières. Au-delà de 1 million de documents, des optimisations d'architecture sont nécessaires (sharding de la base vectorielle, hiérarchisation des index), mais Intelligence Privée gère ces échelles en production.

Comment gérer les documents mis à jour ou supprimés dans le RAG ?

Le pipeline d'Intelligence Privée gère la mise à jour incrémentale : à chaque modification d'un document source, les chunks correspondants sont re-indexés automatiquement. Les documents supprimés sont retirés de l'index en temps réel. Cette gestion du cycle de vie documentaire est essentielle pour la qualité du RAG et pour la conformité RGPD (droit à l'effacement).

Quelle est la différence entre un RAG et une recherche sémantique classique ?

La recherche sémantique (vectorielle) retourne des documents ou des passages pertinents par rapport à une question. Le RAG va plus loin : il utilise ces documents récupérés comme contexte pour générer une réponse synthétique, en langage naturel, qui répond directement à la question posée. Le RAG est donc une interface conversationnelle sur vos documents, pas seulement un moteur de recherche.

Peut-on utiliser un RAG pour interroger des données structurées (base de données) en même temps que des documents ?

Oui, c'est une architecture hybride de plus en plus courante. Les données structurées sont interrogées via des requêtes SQL générées automatiquement par le LLM (Text-to-SQL), tandis que les données non structurées sont récupérées via RAG vectoriel. Le LLM synthétise ensuite les deux sources pour produire une réponse complète. Intelligence Privée implémente ces architectures hybrides pour des cas d'usage comme l'interrogation simultanée d'un ERP et d'une GED.

Comment évaluer la qualité d'un RAG en production ?

Les métriques clés sont : la faithfulness (la réponse est-elle fidèle aux documents sources ?), l'answer relevance (la réponse répond-elle à la question posée ?), et la context precision (les documents récupérés sont-ils pertinents ?). Ces métriques peuvent être calculées automatiquement par des frameworks d'évaluation comme RAGAS ou TruLens, intégrés dans la plateforme Intelligence Privée. Un tableau de bord de monitoring affiche ces métriques en continu et alerte en cas de dégradation.

Le contenu des documents est-il utilisé pour entraîner les modèles Intelligence Privée ?

Non. Intelligence Privée s'engage contractuellement à ne jamais utiliser les documents de ses clients pour améliorer ou entraîner ses modèles. Vos données propriétaires — contrats, emails, rapports — restent exclusivement les vôtres. Cette garantie est inscrite dans le DPA (Data Processing Agreement) signé avec chaque client, conformément à l'article 28 du RGPD.