Pourquoi un PDF de dix pages peut être plus difficile à lire pour une IA qu’un long dossier
Le dossier ne fait que dix pages. Pourtant, l’assistant mélange deux colonnes, oublie une réserve en bas de tableau et annonce un montant sans son unité. Un autre document, dix fois plus long, passe correctement. La…

Le dossier ne fait que dix pages. Pourtant, l’assistant mélange deux colonnes, oublie une réserve en bas de tableau et annonce un montant sans son unité. Un autre document, dix fois plus long, passe correctement. La différence peut tenir à la manière dont les informations sont inscrites dans le PDF.
Le nombre de pages ne décrit ni la qualité du texte disponible, ni la structure du document, ni le mode de lecture utilisé par le service. Avant de découper le fichier ou de changer d’IA, un contrôle de quelques passages permet souvent de localiser la difficulté.
Ce que vous voyez n’est pas toujours ce que l’outil reçoit
Un PDF peut contenir du texte natif, une image de page ou les deux. Dans un document numérisé, la reconnaissance de caractères, souvent appelée OCR, ajoute éventuellement un texte exploitable à l’image. Cette couche peut comporter des erreurs sans modifier l’aspect visuel de la page.
Un chiffre mal reconnu reste particulièrement trompeur lorsque le reste de la phrase paraît propre. Une virgule perdue change un montant ; un signe moins oublié inverse une variation ; une lettre remplace un chiffre dans une référence.
Les systèmes n’exploitent pas tous le fichier de la même façon. Certains extraient le texte, d’autres analysent aussi les pages comme des images, et certaines chaînes combinent plusieurs traitements. Une bonne lecture par un service ne garantit donc pas le même résultat avec un autre.
Faites un premier essai local : sélectionnez quelques lignes, copiez-les dans un éditeur de texte et comparez. Si les mots sont absents ou désordonnés, vous avez un indice utile. Ce test n’imite pas exactement toutes les IA, mais il révèle des problèmes qu’une miniature nette laisse invisibles.
Les colonnes et les tableaux demandent de reconstruire des relations
La difficulté suivante est l’ordre de lecture. Une page à deux colonnes peut être extraite ligne par ligne sur toute sa largeur. Le début d’une phrase de gauche se retrouve alors suivi d’un fragment de droite. Les mots sont exacts ; leur assemblage ne l’est plus.
Dans un tableau, la relation entre les cellules compte autant que leur contenu. « 120 » n’a pas de sens suffisant sans le nom de la ligne, l’en-tête de colonne et l’unité. Une cellule fusionnée peut s’appliquer à plusieurs colonnes, tandis qu’un tiret signifie parfois « non applicable » et non zéro.
La documentation Microsoft sur l’analyse de mise en page distingue précisément texte, paragraphes, tableaux et marques de sélection. Cette distinction illustre le travail nécessaire : reconnaître les caractères ne suffit pas à reconstruire la structure qui leur donne leur sens.
Les notes de bas de page et les légendes créent un autre risque. Si un tableau indique une durée avec un astérisque renvoyant à une exception, résumer seulement le tableau produit une règle trop générale. Les outils peuvent traiter séparément le bloc principal et sa note.
Un petit document peut concentrer toutes ces difficultés : scans inclinés, tableaux denses, schémas et annotations. Un long rapport composé de texte natif sur une colonne peut offrir une lecture beaucoup plus régulière.
Trois vérifications avant de demander une synthèse
Choisissez d’abord une page représentative, pas uniquement la couverture. Contrôlez une phrase simple, une ligne de tableau et une condition importante. Vous cherchez à établir la fidélité d’extraction, avant d’évaluer la qualité du résumé.
Demandez ensuite une restitution ciblée : la référence exacte d’un équipement, l’unité d’une colonne ou la phrase qui limite une garantie, avec sa page. Comparez au document original. Si le service se trompe déjà à cette étape, une synthèse plus élégante ne résoudra pas l’erreur en amont.
Vérifiez enfin la couverture du fichier. Un téléversement accepté ne signifie pas nécessairement que toutes les pages ont été traitées et utilisées. Regardez les éventuels messages de limites ou d’échec. Posez aussi une question dont la réponse se trouve vers la fin du dossier, sans considérer ce seul essai comme une preuve de lecture exhaustive.
La taille maximale admise, le nombre de pages traité et les capacités de lecture d’images dépendent du service et de son mode d’utilisation. Consultez ses limites actuelles plutôt que d’attribuer tout oubli au seul volume du PDF.
Un document protégé ou endommagé peut également compliquer l’extraction. Obtenez si possible une copie exploitable auprès de son auteur, en respectant les droits d’accès. Une capture répétée de chaque page n’est pas toujours le meilleur remède.
Réparer la source sans perdre les repères
Lorsque le scan est en cause, repartez si possible d’une meilleure numérisation : page à plat, orientation correcte, caractères lisibles et contraste suffisant. Une nouvelle OCR sur une image nette a davantage de chances de produire un texte utilisable qu’un empilement de consignes au modèle.
Pour un tableau critique, fournissez une version structurée issue du document d’origine si vous y avez accès. Préservez les en-têtes, unités et notes. Ne reconstituez pas les cellules uniquement de mémoire pour faciliter le travail de l’IA.
Si vous séparez le dossier, conservez l’identifiant du document et la numérotation d’origine. Un extrait appelé « page 2 » peut correspondre à la page 37 du rapport complet. Sans ce repère, retrouver une preuve devient pénible et une correction risque de viser le mauvais passage.
Les outils de contrôle d’accessibilité peuvent aider à examiner la structure et l’ordre de lecture. Adobe propose notamment des fonctions de vérification et de correction de cet ordre. Elles améliorent le document, mais ne promettent pas à elles seules une interprétation parfaite par chaque assistant.
Le bon réflexe consiste à garder côte à côte le rendu original et les informations extraites pour les éléments décisifs. Quand la réponse engage un prix, un délai ou une condition, la dernière vérification porte sur la page source, quelle que soit la longueur du dossier.


