La LAD RAD désigne deux traitements qui lisent vos documents à la place de votre équipe : la RAD (reconnaissance automatique de documents) identifie le type de chaque document, puis la LAD (lecture automatique de documents) y cherche les informations attendues, comme un numéro, une date ou un montant. Toutes deux s’appuient sur l’OCR, qui transforme l’image en texte, et débouchent sur un contrôle, automatique ou humain.
Le sigle apparaît dans les offres de gestion électronique de documents (GED) et de dématérialisation des factures, souvent sans explication. Derrière, il y a une question pratique : les factures, bons de livraison, attestations ou formulaires que votre équipe ressaisit chaque semaine peuvent-ils être lus automatiquement, et avec quelle fiabilité ?
LAD RAD : définitions
La RAD répond à la question « qu’est-ce que ce document ? », la LAD à la question « que contient-il d’utile ? ». On écrit aussi RAD LAD, dans l’ordre où les étapes s’enchaînent : on reconnaît d’abord le document, on le lit ensuite.
- RAD, reconnaissance automatique de documents : le système classe chaque pièce reçue (facture, bon de livraison, attestation, contrat) à partir de sa mise en page, de mots repères ou d’un logo. Ce tri décide du traitement qui suit.
- LAD, lecture automatique de documents : pour chaque type reconnu, le système sait quels champs chercher et où les trouver. Sur une facture : fournisseur, numéro, date, montants hors taxes et TTC, taux de TVA.
Les offres en anglais emploient plutôt les termes document capture ou, quand l’intelligence artificielle intervient, intelligent document processing (IDP). Le principe ne change pas : transformer une pile de documents en données rangées dans les bonnes colonnes.
OCR, RAD, LAD : trois étapes différentes
L’OCR lit des caractères, la RAD reconnaît un type de document, la LAD extrait des champs. Ce sont trois étapes distinctes, et une erreur à l’une se propage aux suivantes. La BnF décrit l’OCR comme la technique qui permet de situer et de reconnaître les chaînes de caractères dans une image, après des prétraitements (redressement de la page, passage en noir et blanc) et une segmentation en zones, lignes, mots et caractères (BnF, techniques de conversion en mode texte).
| Étape | Question traitée | Résultat | Ce qu’elle ne fait pas |
|---|---|---|---|
| OCR | Quels caractères figurent sur l’image ? | Un texte brut, mot par mot | Comprendre ce que signifient les mots |
| RAD | De quel type de document s’agit-il ? | Une étiquette : facture, bon de livraison, contrat | Lire les valeurs |
| LAD | Où sont les informations attendues ? | Des champs : numéro, date, montant, référence | Vérifier que ces valeurs sont justes |
| Contrôle | Les valeurs sont-elles cohérentes ? | Des données validées, ou signalées pour vérification | Interpréter un cas ambigu sans personne pour trancher |
Un PDF produit par un logiciel contient déjà du texte : l’OCR n’y est pas nécessaire, la RAD et la LAD travaillent directement. Un scan ou une photo passe d’abord par l’OCR. Pour les archives scannées et leur recherche plein texte, l’article OCR de documents détaille la démarche.
Documents structurés, semi-structurés, libres : ce que la lecture automatique de documents sait lire
La lecture automatique de documents fonctionne d’autant mieux que la mise en page est stable. On distingue trois familles, qui n’appellent ni le même outil ni le même niveau de vérification.
| Famille | Exemples | Ce que la LAD fait bien | Point de vigilance |
|---|---|---|---|
| Structurés | Formulaires à cases, Cerfa, bordereaux internes | Lire des champs toujours placés au même endroit | Cases cochées, mentions manuscrites |
| Semi-structurés | Factures, bons de livraison, relevés, attestations | Retrouver les mêmes informations dans des mises en page variables | Nouveaux fournisseurs, tableaux de lignes, remises |
| Libres | Contrats, courriers, rapports, comptes rendus | Repérer une clause, une date, une partie citée | Le sens dépend de la phrase : l’interprétation demande une relecture |
Pour les factures, la réforme de la facturation électronique réduit le besoin de lecture : depuis le 1er septembre 2026, les grandes entreprises et les entreprises de taille intermédiaire françaises transmettent leurs factures sous forme de données structurées, et les autres fournisseurs français le feront au plus tard le 1er septembre 2027, selon une fiche de la DGFiP sur la réforme. Les factures des fournisseurs étrangers, elles, ne changent pas, et la réforme ne touche ni les bons de livraison, ni les attestations, ni les archives.
Une démonstration : lire des fiches de données de sécurité
Les fiches de données de sécurité (FDS) des produits chimiques montrent bien ce que la LAD apporte. Leur plan est imposé : selon l’INRS, chaque fiche est datée et comporte 16 rubriques, fixées par le règlement européen 2020/878, et la rubrique 3 décrit la composition. La RAD n’a presque rien à deviner ; la LAD sait dans quelle rubrique chercher chaque information.
Pour un bureau d’études, j’ai réalisé une démonstration de cette lecture, testée sur des fiches d’exemple qu’il m’avait fournies. Ce n’est pas un outil livré ni en service : c’est un essai qui montre ce que la méthode peut relever. La lecture reprend dans chaque fiche le produit, les mentions de danger du mélange, puis chaque substance de la rubrique 3 avec son numéro CAS et sa fourchette de concentration, le tout consolidé dans un seul fichier Excel. L’essai a montré un piège : une substance classée toxique pour la reproduction, présente à faible concentration, n’apparaissait qu’au niveau des composants, et une lecture limitée au résumé du produit l’aurait manquée. La démarche est racontée dans l’article extraire des données d’un PDF vers Excel.
Une réserve s’appliquerait à toute mise en service : les PDF produits par un logiciel se lisent directement, alors que les vieux scans passent par l’OCR, sans garantie de tout lire. Chaque doute doit alors être signalé au lieu d’être comblé.
Ce que l’IA change par rapport à la LAD à modèles
La LAD classique s’appuie sur des modèles : pour chaque mise en page, on indique où se trouve chaque champ, ou on fixe des règles de repérage (« le montant suit le mot Total »). L’IA lit des mises en page qu’elle n’a jamais vues et comprend du texte rédigé, mais elle peut se tromper de façon plausible.
| Critère | LAD à modèles | Lecture par IA |
|---|---|---|
| Mise en page nouvelle | Il faut créer ou ajuster un modèle | Lue sans préparation, avec un taux d’erreur à mesurer |
| Texte rédigé (clauses, courriers) | Hors de portée | Possible : repérer une clause, résumer une condition |
| Type d’erreur | Champ vide ou mal placé, souvent visible | Valeur crédible mais fausse, plus difficile à repérer |
| Coût par document | Faible une fois le modèle en place | Variable selon le service d’IA et le volume |
| Prévisibilité | Même entrée, même résultat | Le résultat peut varier d’un passage à l’autre |
L’IA n’est donc pas toujours le meilleur choix. Pour un formulaire unique, toujours identique, un modèle fixe reste plus simple et plus prévisible. L’IA prend l’avantage quand les mises en page varient, quand les documents sont rédigés, ou quand il faut lire les factures de centaines de fournisseurs sans créer un modèle pour chacun. Dans tous les cas, la question décisive reste la même : comment repère-t-on les erreurs ?
Contrôler les champs lus : score, règles métier, rapprochement
Une valeur lue automatiquement n’entre dans vos outils qu’après un contrôle proportionné à l’enjeu. Avec la LAD, l’essentiel de ce contrôle ne demande personne : ce sont les règles de votre métier qui repèrent les erreurs, et une personne ne tranche que les cas signalés.
Le point de départ est le score que l’outil attribue à ce qu’il lit. La BnF, par exemple, note chaque mot reconnu de 0 à 10 et, pour une partie de ses documents numérisés, exige plus de 99,9 % de qualité, corrections manuelles comprises. Mais un score élevé ne prouve pas qu’une valeur est juste : c’est pourquoi les règles suivantes comptent davantage.
- Seuil par champ : un montant ou un numéro sous le seuil part en vérification, avec la zone du document d’où il vient affichée à côté ; un commentaire peut passer avec un seuil plus bas.
- Règles de cohérence : le total TTC égale le hors taxes plus la TVA, le numéro SIREN a le bon format, la date est plausible, le fournisseur existe dans votre fichier. Sur les fiches de sécurité, chaque numéro CAS se vérifie par son chiffre de contrôle.
- Rapprochement : la facture correspond-elle au bon de commande et au bon de livraison ?
Les corrections servent ensuite : elles montrent quels fournisseurs ou quels champs posent problème et permettent d’ajuster les règles. Pour des contrôles en série sur de gros volumes, voir l’article automatiser le contrôle de milliers de documents.
Logiciel de LAD du marché ou traitement sur mesure ?
Un logiciel de LAD du marché suffit quand vos documents sont courants et que le besoin s’arrête à les lire. Un traitement sur mesure se justifie quand les documents sont propres à votre métier, quand les contrôles suivent vos règles ou quand les données doivent partir dans votre logiciel.
| Situation | Plutôt un logiciel du marché | Plutôt un traitement sur mesure |
|---|---|---|
| Documents | Factures fournisseurs courantes, notes de frais | Rapports techniques, dossiers réglementaires, documents anciens |
| Contrôles | Ceux prévus par l’éditeur | Vos règles : seuils, mentions obligatoires, comparaison entre documents |
| Destination | Le logiciel comptable déjà connecté | Votre application métier, une base de données, un tableur structuré |
| Volume | Régulier et modeste | Stock d’archives ou flux important |
Si un logiciel existant règle votre problème, il n’y a rien à développer. Sinon, la extraction de données de documents que je mets en place reprend vos propres règles de contrôle et envoie les valeurs validées là où elles servent, chacune rattachée à sa page d’origine. Si les documents contiennent des données personnelles ou sensibles, l’hébergement et les services d’IA doivent être choisis en conséquence : l’article IA, données confidentielles et RGPD détaille les précautions.
Questions fréquentes sur la LAD RAD
La RAD sert-elle encore avec l’IA ?
Oui. Savoir quel type de document on traite reste utile pour appliquer les bons contrôles et envoyer les données au bon endroit. L’IA peut faire ce tri elle-même, mais l’étape existe toujours, et une erreur de classement fausse tout ce qui suit.
La LAD lit-elle l’écriture manuscrite ?
Mal, en général. L’écriture à la main relève d’une technologie voisine, la reconnaissance d’écriture manuscrite (HTR), que la BnF distingue de l’OCR parce que chaque main est différente. Pour des mentions manuscrites courtes sur un formulaire, une vérification humaine reste la règle.
Quels documents se prêtent mal à la lecture automatique ?
Les scans flous, penchés ou peu contrastés, les pages à plusieurs colonnes, les tableaux sans bordures, les tampons qui recouvrent le texte, et les documents très variés reçus en petit nombre. Dans ce dernier cas, la saisie manuelle coûte parfois moins cher que l’automatisation.
Où vont les données extraites ?
Là où elles servent : un tableur propre, une base de données, votre logiciel comptable ou votre application métier, par import ou par connexion directe. Le format de sortie se décide avant le traitement, pas après. Pour un premier pas vers un tableur, voir l’article extraire des données d’un PDF vers Excel.
En 30 minutes, je vois comment le travail se passe chez vous, et je vous dis honnêtement ce qui vaut un développement et ce qui n’en vaut pas.