Pourquoi les pdf résistent encore aux ia

On a tous vécu la scène : vous glissez un PDF dans un assistant, vous demandez un résumé propre ou l’extraction d’un tableau… et vous récupérez un texte où les colonnes se mélangent, les notes de bas de page se retrouvent au milieu d’une phrase, et les tableaux deviennent des blocs de caractères illisibles. Ce décalage est d’autant plus frustrant que ces mêmes systèmes savent résoudre des problèmes complexes ou produire du code. Le paradoxe n’est pourtant pas si mystérieux : le PDF n’a jamais été pensé pour être “lu” comme un document structuré.

Le pdf n’est pas un texte, c’est une mise en page

Pour nous, un PDF est un document : un titre, des sous-titres, des paragraphes, parfois une table, des figures, des légendes. Pour une machine, c’est souvent autre chose : une description visuelle de la page, un ensemble d’instructions du type “place ce fragment de texte ici”, “dessine cette ligne là”, “affiche cette image à telle coordonnée”. Le contenu est littéralement “peint” sur la page.

Résultat : l’ordre logique (celui qu’un humain suit naturellement) n’est pas forcément inscrit dans le fichier. Avant même de répondre, l’IA doit reconstruire le squelette du document : où commence le titre, où s’arrêtent les paragraphes, ce qui est une légende, ce qui est un encadré, ce qui est un élément de navigation. Et ce travail de reconstruction, parfois, tourne mal.

Html vs pdf : la différence qui change tout

Sur le web, le HTML indique explicitement la structure : ceci est un titre, ceci est un paragraphe, ceci est une liste, ceci est une cellule de tableau. Il y a des panneaux indicateurs partout. Dans un PDF, on peut avoir du texte… sans hiérarchie intrinsèque entre les fragments. Même quand le contenu est “copiable”, rien ne garantit qu’il soit organisé comme on l’imagine.

Et quand il y a plusieurs colonnes, des encadrés, des éléments superposés, des graphiques, des légendes — bref, tout ce qui fait un vrai document éditorial — l’IA doit déduire ce qui est principal, secondaire, contextuel, décoratif. C’est là que les erreurs s’invitent.

Les pièges classiques : colonnes, tableaux, en-têtes et notes

Dans la pratique, trois zones font exploser le taux d’erreur.

Les colonnes
Beaucoup d’outils extraient le texte de gauche à droite, ligne par ligne. Sur une page en deux colonnes, cela peut mélanger la fin de la colonne de gauche avec le début de celle de droite. À la lecture, on a l’impression qu’un paragraphe a été “téléporté”.

Les tableaux
Un tableau n’est pas forcément un tableau pour l’ordinateur. Dans de nombreux PDF, il n’y a pas de grille logique : seulement du texte aligné et quelques traits. Reconstituer les cellules devient une devinette : où finit une colonne ? où commence la suivante ? est-ce un séparateur ou juste un effet graphique ? À la moindre ambiguïté, on obtient un tableau incomplet, ou pire : un tableau faux mais “propre”.

Les en-têtes, pieds de page et notes
Numéros de pages, mentions légales, dates, noms de chapitres répétés… ces éléments sont visuellement évidents pour un humain, mais peuvent être confondus avec le corps du texte si l’outil ne distingue pas la “décoration” du contenu. Résultat : le résumé intègre des bouts de footer, ou des notes se retrouvent injectées au milieu d’une phrase.

Le plus ironique, c’est que l’extraction peut sembler “réussie” (les mots sont là), tout en étant inutilisable (la structure est cassée). Et une structure cassée, c’est un résumé bancal, une recherche imprécise, ou une analyse qui part de travers.

Pourquoi l’ocr ne suffit pas

Le réflexe, surtout quand le PDF est un scan, c’est de dégainer l’OCR. C’est utile, parfois indispensable. Mais il faut garder une nuance simple : reconnaître des caractères n’est pas comprendre la hiérarchie du document.

L’OCR répond à “quels mots vois-tu ?”, pas à “où commence l’idée principale ?”, “ceci est-il une légende ?”, “cette phrase appartient-elle au tableau ou au paragraphe ?”. Même un OCR très bon peut produire une transcription correcte… et une organisation catastrophique.

Et quand l’ia invente : le terrain glissant des trous dans le texte

Quand la lecture est incertaine, certaines IA comblent les blancs. Pas par malveillance : c’est souvent une conséquence d’un pipeline compliqué. Si le texte récupéré est incomplet, mal ordonné, ou si des passages sont perdus pendant l’extraction, le modèle peut produire une réponse plausible — mais pas forcément fidèle.

Cela arrive surtout quand on pose des questions très précises (“quel est le montant exact du poste X ?”, “quelles sont les exceptions listées dans la clause 7 ?”) sur un document où l’extraction a déjà fragilisé la structure. À partir d’une base instable, le modèle “raisonne” sur du sable.

Ce qui s’améliore : des modèles et des pipelines spécialisés

La situation progresse, parce que les PDFs contiennent une quantité énorme d’information à forte valeur : rapports, manuels, papers, documents administratifs. Les approches les plus efficaces aujourd’hui partent d’une idée simple : au lieu de demander à un modèle généraliste de tout deviner, on prépare mieux le terrain.

Concrètement, on segmente le document : blocs de texte, titres, sections, tableaux, figures, en-têtes, notes. On classe ces blocs, on rétablit un ordre de lecture cohérent, puis on confie le tout à l’IA pour résumer, comparer, ou extraire. Ce n’est pas magique, mais c’est plus robuste.

Ce que vous pouvez faire dès maintenant

Si vous voulez des résultats nettement meilleurs, la stratégie la plus fiable est de ne pas traiter le PDF comme un simple flux de texte, mais comme une page mise en scène.

• Préférez un PDF natif (exporté depuis un logiciel) plutôt qu’un scan.
• Quand c’est possible, récupérez les tableaux en CSV/XLSX plutôt que de les “deviner” depuis le PDF.
• Faites une étape de contrôle rapide : vérifiez l’ordre des paragraphes et la propreté des tableaux avant de demander une analyse.
• Si la précision est critique (juridique, finance, données), imposez une règle : extraire et valider d’abord, interpréter ensuite.

Pour finir

Le PDF restera longtemps un standard, justement parce qu’il fige l’apparence et traverse le temps. Mais cette force est aussi sa faiblesse dès qu’on demande à une machine de lire “comme un humain”. La bonne approche, ce n’est pas d’attendre le modèle parfait : c’est d’adopter un workflow qui respecte la nature du PDF, qui reconstruit la structure avant de chercher du sens. Avec ces garde-fous, l’IA cesse d’être une loterie et devient un outil fiable — au moins, la plupart du temps.