Traitement automatique des bons de commande PDF : OCR, IA ou agents, que choisir en 2026

Traitement automatique des bons de commande PDF : OCR, IA ou agents, que choisir en 2026

En 2026, trois technologies coexistent sur le marché pour traiter un bon de commande PDF. Elles portent des noms qui semblent désigner la même catégorie de solution. Elles ne font pas la même chose.

L'OCR extrait du texte. L'IA documentaire comprend un document. Les agents agissent dessus.

La confusion entre ces trois niveaux est la source principale des mauvais choix technologiques observés dans les entreprises industrielles marocaines ces trois dernières années. Des projets lancés sur des bases OCR qui n'ont jamais atteint le niveau d'automatisation promis. Des déploiements d'IA documentaire qui ont livré de bonnes extractions sans jamais toucher l'ERP. Des budgets consommés sur des pipelines de développement custom pour connecter des outils qui n'étaient pas conçus pour fonctionner ensemble.

Cet article pose le cadre complet. Ce que chaque technologie fait réellement, où chacune s'arrête, et quel critère de décision s'applique selon le contexte opérationnel. La conclusion n'est pas commerciale. Elle est logique : une seule architecture va jusqu'à l'ERP sans intervention humaine sur le flux principal.

Ce que fait l'OCR, et pourquoi ce n'est pas suffisant

L'OCR, Reconnaissance Optique de Caractères, fait une seule chose : il convertit une image en texte.

Il ne comprend pas ce qu'il lit. Il ne sait pas que "QTÉ", "Quantité", "Qty" et "Nbre d'unités" désignent le même champ dans des documents de fournisseurs différents. Il ne sait pas que la cellule en bas à gauche d'un tableau non standard contient un délai de livraison et non un numéro de référence. Il lit des coordonnées de pixels et retranscrit les caractères qu'il y trouve. Le sens lui est inaccessible.

Les solutions OCR de référence, ABBYY FineReader, Tesseract, Adobe Acrobat Extract, livrent des résultats acceptables dans un seul contexte : des documents homogènes, bien formatés, produits par une source maîtrisée. Ce cas existe. Il est minoritaire.

En contexte industriel marocain, un fournisseur de taille intermédiaire reçoit des bons de commande de 30 à 80 clients distincts. Chacun a son propre format. Certains envoient des PDF natifs, d'autres des scans de documents papier, d'autres des photos prises en entrepôt. La qualité de numérisation varie. Les tableaux ne sont pas structurés de façon standard. Certains documents contiennent des annotations manuscrites en marge.

Sur ce profil de flux réel, l'OCR pur échoue sur 30 à 50% des documents entrants. Et, problème fondamental : l'OCR ne sait pas qu'il s'est trompé. Il n'a aucun mécanisme de confiance. Il produit une sortie sans signal sur la fiabilité de cette sortie.

Ce que fait l'IA documentaire, et ses limites réelles

Les solutions d'IA documentaire ajoutent une couche de compréhension sémantique au-dessus de l'extraction brute. AWS Textract, Google Document AI, Microsoft Azure Form Recognizer reconnaissent les champs par contexte et non par coordonnées fixes. Elles savent que "QTÉ" et "Quantité" désignent le même concept. Elles s'adaptent à des variations de format sans nécessiter une reconfiguration manuelle pour chaque nouveau modèle de document.

C'est significativement supérieur à l'OCR pur. Le taux d'extraction correcte sur un flux multi-format passe typiquement de 60 à 82% selon la complexité des documents. Pour un projet dont l'objectif est de pré-remplir des formulaires ou de produire des données structurées pour un analyste humain, l'IA documentaire est une solution viable.

Sa limite est précise et non contournable : elle extrait, et elle s'arrête là.

Elle ne valide pas les données extraites contre votre référentiel articles SAP. Elle ne sait pas que la référence "4402B" extraite du document n'existe pas dans votre catalogue et qu'il faut déclencher une alerte. Elle ne pousse pas la commande dans l'ERP. Elle ne gère pas les exceptions. Pour transformer une extraction d'IA documentaire en commande SAP opérationnelle, il faut construire tout le pipeline autour : validation, gestion des exceptions, intégration ERP, règles métier, interface opérateur pour les cas ambigus.

C'est la raison pour laquelle les projets construits sur de l'IA documentaire pure arrivent souvent à 80% de l'objectif et restent bloqués là. Les 20% restants sont dans le pipeline, pas dans l'extraction.

Ce que font les agents IA, et pourquoi c'est différent

Un agent IA ne se contente pas d'extraire. Il exécute un workflow complet.

Il lit le document entrant, quel que soit son format. Il extrait les données avec une compréhension contextuelle qui dépasse celle de l'IA documentaire parce qu'il peut raisonner sur des ambiguïtés, pas seulement les détecter. Il valide chaque champ extrait contre les référentiels de l'entreprise : catalogue produits, base clients, conditions commerciales, règles de livraison. Il évalue son propre niveau de confiance champ par champ. Il prend une décision sur chaque cas : pousser dans l'ERP, déclencher une alerte, demander une confirmation à l'opérateur. Il exécute l'action.

La différence critique en production n'est pas le taux d'extraction. C'est la gestion de l'incertitude.

L'OCR ne sait pas qu'il s'est trompé. L'IA documentaire produit parfois un score de confiance, mais elle ne sait pas quoi faire avec ce score. L'agent sait ce qu'il ne sait pas. Quand un champ est ambigu entre deux références produits possibles, il isole ce champ, présente les deux options à l'opérateur avec le contexte documentaire correspondant, et attend une confirmation avant de pousser la commande. Il ne bloque pas tout le flux pour autant. Il continue de traiter les 96% de commandes sans ambiguïté pendant que l'opérateur traite les 4% restants.

Tableau de décision : les quatre critères qui comptent

Le choix entre ces trois technologies dépend de quatre paramètres opérationnels.

Variété des formats entrants : l'OCR ne couvre que des formats homogènes. L'IA documentaire couvre les formats variables avec structure présente. Les agents couvrent tous les formats, y compris le texte libre.

Intégration ERP requise : l'OCR n'est pas intégré nativement. L'IA documentaire requiert un développement custom. Les agents disposent d'une intégration native dans le workflow.

Gestion des exceptions : l'OCR n'en a aucune. L'IA documentaire offre une confiance partielle sans action. Les agents gèrent les exceptions complètement avec routing humain contextuel.

Taux d'automatisation complet du document reçu jusqu'à l'action ERP : 0% pour l'OCR seul, 0% pour l'IA documentaire seule, 90 à 97% pour les agents IA sur un flux documentaire industriel standard.

Ce dernier chiffre est le seul qui mesure ce que les dirigeants veulent réellement obtenir : un résultat métier, pas une extraction.

Le cas terrain marocain

Un distributeur industriel marocain de taille intermédiaire reçoit des bons de commande de trois catégories de clients distinctes : les grands comptes nationaux avec des PDF natifs structurés, les PME industrielles avec des PDF générés depuis des logiciels variés, et les TPE et clients régionaux avec des scans de bons papier ou des emails en texte libre.

Sur ce profil de flux réel à trois segments, les résultats observés sont les suivants. L'OCR pur traite correctement 58 à 65% des documents entrants selon la qualité des scans reçus. L'IA documentaire monte à 80 à 85% d'extraction correcte, mais sans intégration ERP native. L'agent traite 94 à 97% des commandes de bout en bout sans intervention humaine, avec un taux d'erreur résiduel inférieur à 0,5% sur les commandes effectivement poussées dans SAP.

La différence n'est pas marginale. Elle est d'un ordre de grandeur sur les deux métriques qui comptent : le taux d'automatisation réelle et le taux d'erreur en production.