Rendre consultables des archives numérisées : OCR ou retranscription manuelle ?

Imaginez qu'une armoire d'archives d'entreprise contienne des milliers de pages de documents numérisés accumulés au fil des années : anciens contrats, dossiers du personnel, cahiers des charges techniques, factures. Ces documents existent sous forme numérique, mais ils restent en réalité toujours du « papier » — car chacun se comporte comme un simple fichier image. On ne peut y rechercher le moindre mot. Lorsque quelqu'un veut retrouver une clause spécifique d'un contrat vieux de trois ans, la seule solution est d'ouvrir les fichiers un par un et de les parcourir à l'œil.

Ce scénario est en réalité la raison d'être de l'OCR (reconnaissance optique de caractères). Mais lorsqu'il s'agit de numérisation d'archives, choisir la bonne méthode est une décision plus nuancée qu'il n'y paraît. Dans cet article, nous examinons de façon impartiale les différentes façons de rendre consultables des documents d'archives numérisés, dans quels cas chacune est utile, et les points auxquels vous devez faire attention.

L'origine du problème : pourquoi un PDF numérisé n'est-il pas consultable ?

Lorsque vous passez un document au scanner ou que vous le photographiez avec votre téléphone pour le convertir en PDF, le fichier obtenu est en réalité une série d'images ; même s'il est enveloppé dans le format PDF, son contenu n'est pas du texte, mais des pixels. Le lecteur PDF ou le navigateur ne peut pas savoir que cette page contient le texte « facture n° 4521 » — il ne voit qu'un agencement de pixels sombres et clairs selon un certain motif.

Cela entraîne trois problèmes pratiques : impossible de rechercher avec Ctrl+F, impossible de copier-coller le texte, et les lecteurs d'écran ne peuvent pas vocaliser le contenu. Pour un seul contrat, ce peut être un détail agaçant, mais pour une archive de plusieurs milliers de pages, cela rend le travail totalement inutilisable.

Alternative 1 : retranscrire les documents à la main (indexation/transcription manuelle)

Dans les petites archives, certaines organisations font encore saisir manuellement par un employé le titre, la date et le sujet des « documents importants » dans un tableau Excel, et utilisent ce tableau au lieu d'une recherche physique. Cette méthode est une option raisonnable lorsque le nombre de documents ne dépasse pas 50 à 100 et que l'information recherchée n'est que des métadonnées de haut niveau (date, expéditeur, sujet). Mais si vous devez retrouver une expression présente dans l'intégralité du contenu d'un document (par exemple un numéro de clause ou un code produit), cette méthode devient insuffisante — car le tableau ne couvre que les champs que vous avez préalablement sélectionnés, et non le texte intégral du document.

Alternative 2 : retaper entièrement les documents (retype)

Certaines équipes, en particulier pour les documents juridiques ou officiels, reprennent le document au lieu de simplement le numériser et en recréent une copie numérique. C'est la méthode qui offre la plus haute précision, car l'œil humain comprend le contexte et la marge d'erreur tend théoriquement vers zéro. Mais c'est aussi la plus coûteuse : une charge de travail de plusieurs minutes par page peut prendre des semaines, voire des mois, pour de grandes archives. Cette méthode n'est généralement privilégiée que pour un très petit nombre de documents très critiques (par exemple une seule requête destinée à être soumise à un tribunal) ; elle n'est pas pratique pour la numérisation d'une archive de centaines ou de milliers de pages.

Alternative 3 : ajout automatique d'une couche de texte via l'OCR

L'approche OCR préserve l'image de la page numérisée telle quelle, tout en plaçant en dessous une couche de texte invisible mais sélectionnable. Autrement dit, à l'œil nu, la page continue de ressembler à l'image numérisée originale — signature, tampon, texture du papier, marques d'usure, tout reste identique — mais on peut désormais y effectuer une recherche avec Ctrl+F, et le texte peut être sélectionné et copié.

Ce qui rend cette méthode attrayante pour la numérisation d'archives, c'est son évolutivité : des centaines de pages peuvent être traitées simultanément, quelques secondes suffisent par page, et l'intégrité visuelle originale n'est pas altérée — ce qui est important pour les documents officiels, car on attend généralement que des éléments comme les signatures et les tampons restent des images « authentiques ».

Bien sûr, l'OCR n'est pas parfait. Si la qualité d'impression est faible, si le document contient de l'écriture manuscrite, ou si la page est restée de travers ou floue lors de la numérisation, la précision de la reconnaissance peut diminuer. C'est pourquoi il est raisonnable, du moins pour les documents critiques, de relire le résultat de l'OCR par échantillonnage.

Quelle méthode a le plus de sens dans quelle situation ?

La décision peut en réalité se résumer à trois questions :

Combien y a-t-il de documents ? S'il s'agit de quelques dizaines de documents et que seules des métadonnées seront recherchées, un tableau d'index manuel peut suffire. S'il y a des centaines ou des milliers de pages, il ne reste plus d'option pratique en dehors de l'OCR.

Que recherche-t-on ? Si des informations de haut niveau comme « de qui vient ce document, à quelle date » suffisent, un tableau d'index fait l'affaire. Si vous devez retrouver n'importe quel mot, numéro de clause ou expression présent dans le texte intégral du document, la recherche en texte intégral via l'OCR est indispensable.

L'apparence originale doit-elle être préservée ? Dans les archives officielles, les contrats signés ou les documents ayant valeur de preuve, il est important que l'état numérisé original de la page ne soit pas altéré. L'OCR garantit cela, car il ne modifie pas l'image, il ajoute simplement du texte derrière. Retaper entièrement le document, en revanche, élimine la preuve visuelle originale — ce qui est indésirable dans certaines procédures juridiques ou administratives.

Une approche pratique pour la numérisation d'archives

Lorsqu'il s'agit de rendre consultable une grande archive, la méthode la plus efficace consiste généralement à faire passer les documents par l'OCR par groupes, en commençant par les catégories les plus consultées ou les plus critiques — par exemple d'abord les contrats des cinq dernières années, puis les dossiers du personnel plus anciens. Ainsi, la fonctionnalité de recherche se met en place progressivement, et vous commencez à générer de la valeur sans attendre que toute l'archive soit traitée d'un seul coup.

Vérifier les fichiers traités par un bref échantillonnage après l'OCR — en particulier ouvrir quelques pages et effectuer des recherches pour voir si les champs critiques comme les dates, les noms et les chiffres sont correctement reconnus — est le moyen le plus pratique d'instaurer la confiance. Il n'est pas nécessaire de vérifier toute l'archive une par une ; l'échantillonnage donne généralement une idée suffisante.

Conclusion

Il n'existe pas une seule méthode « correcte » pour rendre consultables des archives numérisées ; l'échelle, le niveau de précision attendu et le besoin de préserver l'apparence originale façonnent cette décision. L'indexation manuelle peut avoir du sens à petite échelle, et la retranscription complète pour des documents uniques très critiques. Mais pour les archives de taille moyenne à grande, l'ajout d'une couche de texte via l'OCR se distingue dans la plupart des cas comme l'option la plus pratique, car elle équilibre à la fois la rapidité et la préservation de l'intégrité du document original.