.ag{font-family:inherit;color:inherit;max-width:780px;margin:0 auto}
.ag-badge{display:inline-block;background:#111827;color:#fff;font-size:.65rem;font-weight:700;text-transform:uppercase;letter-spacing:.1em;padding:.2rem .75rem;border-radius:2px;margin-bottom:1.25rem}
.ag h1{font-size:1.75rem;font-weight:800;line-height:1.2;margin-top:0;margin-bottom:.75rem;color:#111827}
.ag-lead{font-size:1.05rem;color:#374151;margin-bottom:2rem;line-height:1.65;padding:1rem 1.25rem;background:#f9fafb;border-left:4px solid #111827;border-radius:0 4px 4px 0}
.ag h2{font-size:.75rem;font-weight:700;text-transform:uppercase;letter-spacing:.1em;color:#6b7280;margin:2rem 0 .875rem;padding-bottom:.5rem;border-bottom:1px solid #e5e7eb}
.ag h3{font-size:1rem;font-weight:700;color:#111827;margin:1.5rem 0 .5rem}
.ag p{font-size:.95rem;color:#374151;line-height:1.7;margin-bottom:1rem}
.ag-list{list-style:none;padding:0;margin:0 0 .5rem;display:flex;flex-direction:column;gap:.4rem}
.ag-list li{padding:.6rem 1rem;background:#f9fafb;border:1px solid #e5e7eb;border-radius:4px;font-size:.9rem;line-height:1.55;color:#1f2937}
.ag-list li::before{content:”→ “;color:#9ca3af;font-weight:600}
.ag-steps{counter-reset:steps;display:flex;flex-direction:column;gap:.75rem;margin-bottom:.5rem}
.ag-step{display:flex;gap:1rem;align-items:flex-start;padding:.875rem 1rem;background:#fff;border:1px solid #e5e7eb;border-radius:6px}
.ag-step-num{flex-shrink:0;width:1.75rem;height:1.75rem;background:#111827;color:#fff;border-radius:50%;display:flex;align-items:center;justify-content:center;font-size:.75rem;font-weight:700}
.ag-step-body strong{display:block;font-size:.875rem;font-weight:700;color:#111827;margin-bottom:.2rem}
.ag-step-body span{font-size:.85rem;color:#6b7280;line-height:1.45}
.ag-grid{display:grid;grid-template-columns:repeat(auto-fit,minmax(180px,1fr));gap:.75rem}
.ag-card{background:#fff;border:1px solid #e5e7eb;border-radius:6px;padding:1rem}
.ag-card strong{display:block;font-size:.8rem;font-weight:700;color:#111827;margin-bottom:.35rem}
.ag-card span{font-size:.85rem;color:#6b7280;line-height:1.45}
.ag-benefits{list-style:none;padding:0;margin:0;display:flex;flex-direction:column;gap:.5rem}
.ag-benefits li{display:flex;gap:.75rem;align-items:baseline;font-size:.9rem;color:#1f2937;line-height:1.5}
.ag-benefits li strong{flex-shrink:0;font-size:1.1rem;font-weight:800;color:#111827}
.ag-faq{display:flex;flex-direction:column;gap:1.25rem;margin-bottom:.5rem}
.ag-faq h3{font-size:.95rem;font-weight:700;color:#111827;margin:0 0 .4rem}
.ag-faq p{font-size:.875rem;color:#374151;margin:0;line-height:1.6}
.ag-cta{background:#111827;border-radius:8px;padding:2rem 1.75rem;text-align:center;margin-top:2.5rem}
.ag-cta p{color:#d1d5db;font-size:.95rem;margin-bottom:1.125rem;line-height:1.55}
.ag-btn{display:inline-block;background:#fff;color:#111827;text-decoration:none;padding:.7rem 1.75rem;border-radius:4px;font-weight:700;font-size:.875rem}
.ag-links{margin-top:2rem;padding-top:1.25rem;border-top:1px solid #e5e7eb}
.ag-links p{font-size:.65rem;font-weight:700;text-transform:uppercase;letter-spacing:.1em;color:#9ca3af;margin-bottom:.625rem}
.ag-links a{display:inline-block;margin:.2rem .75rem .2rem 0;color:#111827;font-size:.85rem;text-decoration:underline;text-underline-offset:2px}
.ag-wrap{overflow-x:auto;margin:1rem 0;-webkit-overflow-scrolling:touch}
.ag-cmp{width:100%;border-collapse:collapse;font-size:.9rem;min-width:640px}
.ag-cmp th,.ag-cmp td{padding:.85rem 1rem;text-align:left;border-bottom:1px solid var(–lv-border);vertical-align:top}
.ag-cmp thead th{background:var(–lv-soft);font-size:.78rem;font-weight:750;text-transform:uppercase;letter-spacing:.05em;color:var(–lv-deep);border-bottom:2px solid #e5c9ec}
.ag-cmp tbody tr:last-child td{border-bottom:0}
.ag-cmp td:first-child{font-weight:650;color:var(–lv-ink);width:26%}
.ag-cmp .ag-mark{color:var(–lv-primary);font-weight:800}
.ag-cmp .ag-no{color:#9aa0ae;font-weight:700}
.ag-limits{margin:1.25rem 0;padding:1.35rem 1.5rem;background:#fff8f4;border:1px solid #f5d9c8;border-left:5px solid #f0764a;border-radius:0 14px 14px 0}
.ag-limits h3{margin-top:0;color:#8a3413}
.ag-limits ul{list-style:none;padding:0;margin:.6rem 0 0;display:grid;gap:.6rem}
.ag-limits li{position:relative;padding-left:1.5rem;font-size:.92rem;line-height:1.6;color:#5c4033}
.ag-limits li::before{content:”→”;position:absolute;left:0;color:#f0764a;font-weight:800}
.ag-proof{margin:1.5rem 0;padding:1.4rem 1.5rem;background:linear-gradient(135deg,#fbf8ff 0%,#f3f2ff 100%);border:1px solid #e8def0;border-radius:16px}
.ag-proof p{margin:0 0 .6rem;font-size:.95rem}
.ag-proof p:last-child{margin-bottom:0}
.ag-proof strong{color:var(–lv-deep)}
.ag-try{margin:1.5rem 0;padding:1.5rem;background:#fff;border:2px solid var(–lv-violet);border-radius:18px}
.ag-try h3{margin-top:0;color:var(–lv-ink)}
.ag-try ol{margin:.75rem 0 1.1rem;padding-left:1.25rem}
.ag-try ol li{font-size:.93rem;line-height:1.65;color:#374151;margin-bottom:.45rem}
.ag-try .ag-try-note{font-size:.85rem;color:#606779;margin:0}
Opérations & Back-office
L’extraction de documents ne se juge pas au nombre de champs lus, mais à ce que vous faites des erreurs. Un pipeline utile annonce sa confiance champ par champ, écrit sa trace de bout en bout, et renvoie en revue humaine tout ce qui n’atteint pas votre seuil. Vous décidez du niveau d’automatisation, document par document et champ par champ.
Le pipeline, du document au système cible
Ce qui distingue un pipeline exploitable d’un OCR amélioré
| Critère | OCR ou service d’extraction générique | Pipeline Levolia |
|---|---|---|
| Sortie | Un texte ou des champs, sans indication de fiabilité | Champs + score de confiance et position dans la page |
| Seuil de décision | Implicite, identique pour tous | Votre seuil, réglable par type de document et par champ |
| Erreurs | Découvertes en aval, par un humain qui corrige | Détectées en amont et renvoyées avec la zone à vérifier |
| Contrôles métier | Absents : l’outil ne connaît pas votre processus | Cohérence arithmétique, TVA, doublons, fournisseur connu |
| Système cible | Export CSV à quelqu’un d’autre de traiter | Écriture dans votre CRM, ERP ou outil comptable |
| Traçabilité | Un log technique | Chaque valeur reliée à la zone du document qui la fonde |
Ce que le pipeline ne fait pas
Limites assumées
- Il n’est jamais fiable à 100 %, et c’est pourquoi la conception porte sur le traitement des erreurs, pas sur une promesse de perfection.
- Il échoue sur des documents dégradés : scans de travers, photos sombres, tampons qui recouvrent un montant, tableaux sans structure. Ces cas sont détectés et renvoyés.
- Il ne comprend pas un document qu’il ne connaît pas. Un type de document jamais vu demande une phase de configuration avant d’être traité.
- Il ne corrige pas les données à la source. Si le fournisseur émet des factures incohérentes, l’outil les signale, il ne les répare pas.
- Il ne remplace pas votre processus de validation. Il déplace l’effort humain des cas simples vers les cas douteux, ce qui est un gain seulement si les seuils sont bien réglés.
Le vrai indicateur : le coût de l’erreur restante
Toute entreprise qui automatise de l’extraction atteint rapidement un taux de lecture élevé sur les documents propres. La question qui décide de la valeur du projet est ailleurs : quel volume d’erreurs passe sous le seuil, et que coûte chaque erreur selon le champ ? Une erreur sur un montant HT a des conséquences comptables ; une erreur sur une référence de commande en a d’autres. Le réglage se fait champ par champ, à partir de vos propres tolérances.
Tester sur votre lot le plus difficile
Le test qui a de la valeur : vos pires documents
- Rassemblez 200 documents représentatifs de votre flux réel, en incluant délibérément les mauvais : scans de travers, trames de fax, multi-pages, tableaux complexes.
- Faites annoter la vérité terrain sur un échantillon : ce que chaque champ vaut réellement.
- Nous mesurons par champ : taux de lecture exacte, taux d’erreur silencieuse, et taux de renvoi en revue. L’erreur silencieuse est la seule qui compte vraiment.
Un pipeline qui lit 95 % des champs mais laisse passer une erreur sur un montant sans la signaler est plus dangereux qu’un pipeline qui lit 80 % et renvoie tout le reste à un humain. Nous vous donnons le vrai chiffre, pas le taux de lecture qui arrange.
Prévoir une demi-journée : un lot de documents, un échantillon annoté, un débrief par champ.
Cas d’usage typiques
Questions fréquentes
Quelle précision sur des documents de mauvaise qualité ?
Elle baisse, et c’est la bonne réponse. Ce qui compte est que la baisse soit visible : le score de confiance par champ permet de renvoyer en revue au lieu de produire une donnée fausse silencieuse. Nous mesurons le taux d’erreur silencieuse sur votre lot réel.
Comment traiter des documents confidentiels ?
Hébergement choisi avec vous, droits d’accès restreints, journalisation, durée de conservation définie, anonymisation lorsque le contenu le permet. Le cadre se pose avant le démarrage du pilote.
Faut-il un modèle de document standardisé ?
Non, mais cela aide. Le pipeline gère la variété des mises en page ; en revanche, un type de document jamais rencontré demande une phase de configuration avant d’être traité de façon fiable.
Que se passe-t-il si un champ est lu avec une confiance faible ?
Le document ne part pas en écriture automatique. Il rejoint la file de revue avec le champ douteux mis en évidence et la zone correspondante du document affichée, pour trancher en quelques secondes.
Peut-on brancher l’extraction sur notre CRM ou ERP ?
Oui, c’est le point de sortie du pipeline. L’écriture se fait dans votre système cible selon le format attendu, avec la pièce d’origine reliée à la donnée écrite.
Combien de temps pour mettre un flux en production ?
Cela dépend du nombre de types de documents et de la propreté du flux réel. La phase de mesure sur votre lot annoté est ce qui permet de donner un délai sérieux, et elle précède l’engagement.
Envoyez-nous votre lot le plus difficile : nous vous donnons le taux d’erreur silencieuse par champ, et vous décidez avec le vrai chiffre.