L’OCR transforme une image en texte ; la suite est une autre tâche
Sur une facture numérisée, les informations font d’abord partie d’une image. L’OCR tente d’en produire du texte. Sa qualité dépend notamment de la lisibilité de la source. Une image tournée, floue ou coupée peut entraîner des caractères manquants ou confondus.
Même une suite de chiffres parfaitement lue ne dit pas s’il s’agit du numéro de facture, de commande ou de client. Un document peut afficher fournisseur, acheteur et plusieurs dates. Leur donner un sens constitue une autre étape. Si elle échoue, le tableau peut paraître aussi propre qu’un résultat correct.
Ne limitez pas la vérification à « Le texte est-il lisible ? ». Demandez quelle décision s’appuie dessus et ce qu’une erreur changerait. Pour trier entre deux sociétés, le bon acheteur compte davantage que la transcription parfaite de chaque description de ligne.
Source de cette section : Google : Convertir des PDF et des photos en texte
Un montant correct peut avoir plusieurs sens
Imaginez un document avec un acompte, un prix total et un solde. Le système lit correctement les trois, mais choisit l’acompte comme montant principal. Ce n’est pas une erreur de chiffre, mais de compréhension de la valeur.
Une erreur similaire survient lorsque l’application confond l’identifiant du fournisseur et celui de l’acheteur. Les deux figurent réellement sur le document et peuvent être bien lus. Leur rôle est toutefois essentiel pour l’attribution à la société. Comparer les caractères à l’original peut manquer le problème sans vérifier aussi le sens du champ.
La mise en page dépasse donc le graphisme. Titres, libellés voisins et relations entre sections aident à déterminer qui ou quoi concerne une valeur. En cas de doute, ouvrez le PDF original et examinez le contexte.
Vérifiez ce qui influence la prochaine étape
Pour la recherche et la transmission, déterminez la pertinence, l’appartenance et la destination du document. Inutile de ressaisir toute la facture pour vérifier son classement. Il faut en revanche comprendre pourquoi le système a choisi une société ou pourquoi il hésite.
HeyRup utilise la reconnaissance pour la collecte, le classement et la transmission. La première version ne produit ni écritures comptables ni analyse détaillée des articles achetés. Les informations servent à identifier le bon document et destinataire, pas à promettre une comptabilité complète.
Si un autre outil prépare des données pour un logiciel comptable, ses besoins de vérification peuvent être plus larges. Évaluez toujours le résultat selon la tâche visée, pas selon le nombre de champs remplis.
L’incertitude doit conduire à une question précise
Un statut de vérification utile explique ce qui manque : acheteur inconnu, deux projets possibles, mauvaise lisibilité ou relation incertaine entre versions. Un simple pourcentage de confiance ne dit pas forcément quoi faire.
Après correction, distinguez une décision ponctuelle d’une règle pour les documents suivants. Attribuer une facture à Alfa ne signifie pas que toutes les futures factures de ce fournisseur doivent y aller. Une généralisation exige un périmètre clair et une confirmation.
La reconnaissance automatique ne vérifie pas la fiabilité d’une demande de paiement. Un document frauduleux peut avoir une bonne structure et des informations lisibles. Vérifiez séparément les messages suspects ; le classement « facture » n’est pas une validation de sécurité.