OCR ou Vision : quel choix pour son logiciel ?

« OCR ou modèles de vision » est présenté comme un choix technologique. Ça n’en est pas un. L’OCR lit du texte. Les modèles de vision raisonnent sur des images. Le vrai choix porte sur ce que votre produit doit être capable de répondre, et la plupart des éditeurs finissent par avoir besoin des deux.

Ce que l’OCR fait bien

L’OCR numérise le texte présent dans des images, PDF ou documents scannés. Selon le benchmark indépendant d’AIMultiple, les outils modernes comme Tesseract ou Google Vision OCR atteignent 95 à 96 % de précision sur du texte imprimé. Sur l’écriture manuscrite en revanche, ce sont désormais les modèles de vision-langage (GPT-5, Gemini 2.5 Pro) qui prennent l’avantage, avec 93 à 95 % de précision contre environ 90 % pour l’OCR traditionnel. Pour un éditeur, ça débloque des gains immédiats : automatiser la saisie de factures, contrats ou formulaires, rendre recherchables des documents scannés, ou ajouter une fonctionnalité de scan sans entraîner ni héberger de modèle.

Ses limites sont tout aussi nettes. L’OCR extrait des mots sans les interpréter : il ne peut ni expliquer un schéma ni répondre à une question sur le contenu d’un document. Et sa précision chute vite sur des documents flous ou de mauvaise qualité.

Ce qu’apportent les modèles de vision-langage

Les modèles de vision-langage (Qwen3.5, GPT-4o, CLIP, LLaVA) vont plus loin : ils lisent à la fois le contenu visuel et textuel d’une image pour la décrire, répondre à des questions, ou raisonner sur son contexte. Cela ouvre la voie à la génération de légendes, la réponse à des questions sur une image envoyée, la classification d’images par contenu, ou l’interprétation d’un guide mêlant texte, schémas et tableaux : autant de choses qu’un simple OCR ne sait pas faire.

Le compromis, c’est la complexité et le coût. Les modèles de vision demandent plus de ressources et une intégration plus poussée, et les plus performants deviennent coûteux à grande échelle.

Comment choisir

La décision ne se résume presque jamais à quelle techno est « meilleure ». Elle dépend du volume, du budget, et de ce que vous cherchez réellement à extraire. Une numérisation en gros volume avec un budget limité, où la rapidité et la simplicité d’intégration comptent plus que la nuance, oriente vers l’OCR. Décrire ou raisonner sur des images, ou offrir une expérience contextuelle plus riche quand les ressources techniques sont là, oriente vers un modèle de vision.

Pourquoi les deux finissent par se combiner

Dans la pratique, les deux approches sont complémentaires plutôt que concurrentes : l’OCR extrait le texte rapidement et à moindre coût, les modèles de vision interprètent le contenu visuel et textuel qui l’entoure. Un workflow agentique typique reflète ce partage des tâches : l’OCR extrait le texte du document, un modèle de vision analyse les schémas, captures d’écran ou tableaux autour, et l’agent combine les deux pour répondre à une question plus complexe qu’aucun des deux ne pourrait traiter seul. C’est cette combinaison qui permet, par exemple, à un agent intégré dans un logiciel de notes de frais de lire à la fois le montant imprimé sur un ticket de caisse froissé et la photo du justificatif joint en pièce jointe, pour valider ou rejeter la dépense en une seule passe plutôt qu’en deux étapes séparées.

La mise en production

Intégrer l’une ou l’autre technologie repose sur la même plomberie : services asynchrones, files de messages, stockage d’artefacts, journalisation. Le pattern courant est un point d’entrée unique (« document-intake ») qui reçoit une image ou un PDF, crée un identifiant de dossier, stocke l’original, puis déclenche un workflow asynchrone.

Les erreurs sont, elles aussi, récurrentes et évitables : espérer qu’un seul modèle « magique » gère tous les cas (ça n’arrivera pas, et le coût d’insister s’accumule vite), négliger la gouvernance des données, ou oublier la boucle de feedback utilisateur.

Où se place Agora

La plateforme Agora permet aux éditeurs d’intégrer nativement des agents qui traitent des documents (OCR), analysent des images (vision), et automatisent les workflows métier autour, sans avoir à construire cette infrastructure eux-mêmes.

Au-delà de l’extraction

À 95 % de précision sur l’imprimé et bientôt autant sur le manuscrit, l’extraction seule cesse d’être un facteur de différenciation. Le vrai changement n’est pas OCR contre vision, c’est ce qui vient après l’extraction. Des workflows multimodaux lisent déjà des guides utilisateurs pour proposer une aide proactive, vérifient automatiquement la conformité de documents, et surveillent des flux d’images pour déclencher des actions. L’étape suivante, ce sont des agents qui planifient eux-mêmes la séquence : demander un document manquant, suggérer une correction, recommander le bon modèle, ouvrir un ticket quand quelque chose ne colle pas.

Pour un éditeur SaaS, c’est là la vraie destination : pas un bouton d’upload plus malin, mais un orchestrateur agentique qui combine OCR, vision, règles métier et historique pour décider de la suite.