Le problème n’est pas le scan
Numériser est facile et beaucoup d’entreprises le font déjà. Le résultat est un dossier de fichiers nommés scan_20260114_001.pdf, dont personne ne connaît le contenu sans les ouvrir.
Le courrier papier crée trois problèmes distincts, et le scanner n’en résout qu’un.
La distribution. Qui doit voir ce pli ? Tant que le tri est manuel, il dépend d’une personne, de sa disponibilité et de sa connaissance des dossiers.
L’échéance. Une mise en demeure, une relance d’organisme, un recommandé : ce sont des délais. Un pli posé sur un bureau vide pendant deux semaines de congés devient un problème beaucoup plus cher que le temps qu’il aurait fallu pour le traiter.
La recherche. Six mois plus tard, retrouver ce courrier suppose de se souvenir de sa date approximative et de parcourir les scans un par un.
Ce qu’on automatise
La collecte. Dossier surveillé du scanner, adresse de dépôt dédiée, ou prestataire de numérisation — un point d’entrée unique.
La séparation des plis dans un lot scanné en continu.
La lecture. Reconnaissance de caractères, y compris sur des documents inclinés, tamponnés ou de qualité moyenne.
L’identification. Expéditeur, nature du courrier — facture, relance, courrier administratif, candidature, réclamation —, dossier ou client concerné, date et échéance éventuelle.
Le routage. Vers la personne ou le service, avec le niveau d’urgence, et une trace de qui a été prévenu.
Le déclenchement. Une facture fournisseur rejoint la chaîne de saisie ; une relance ouvre une tâche avec date limite ; une candidature rejoint le tri des candidatures.
L’archivage. Fichier recherchable par son texte, nommé selon votre convention, rangé, horodaté.
Comment ça marche techniquement — pour qui veut le détail
L’entrée. Le scanner dépose en SMB ou FTPS sur un partage, ou envoie à une boîte dédiée. Côté serveur, un systemd path unit réagit au dépôt, avec une temporisation courte pour ne pas saisir un fichier en cours d’écriture — un scan de trente pages met plusieurs secondes à s’écrire, et le traiter trop tôt donne un PDF tronqué.
La préparation d’image. Avant toute reconnaissance, on redresse et on nettoie : correction d’inclinaison, suppression des pages blanches par mesure de densité de pixels, recadrage des bords noirs, binarisation adaptative. OpenCV ou ImageMagick pour la transformation, img2pdf ou qpdf pour la recomposition. Cette étape fait plus pour le taux de reconnaissance que le choix du moteur qui suit — un document redressé et nettoyé gagne plusieurs points, systématiquement.
La reconnaissance. Tesseract en français, avec les données linguistiques adéquates, produit un PDF avec couche de texte invisible (pdf output, mode sandwich) : l’image reste fidèle, le texte devient sélectionnable et indexable. Sur des documents dégradés ou des mises en page complexes, un modèle multimodal fait sensiblement mieux, au prix d’une sortie de données — on l’active alors uniquement sur les documents dont l’indice de confiance Tesseract est faible, ce qui limite à la fois le coût et l’exposition.
La séparation des plis. Plusieurs signaux combinés : pages de séparation imprimées avec un code-barres ou un QR reconnu par ZBar ; détection de rupture visuelle par comparaison d’histogrammes entre pages consécutives ; changement d’expéditeur détecté dans le texte de l’en-tête. On agrège ces signaux en un score, et les lots ambigus partent en contrôle humain plutôt qu’en découpe hasardeuse.
L’extraction structurée. Même architecture par couches que pour les autres documents : d’abord les motifs bon marché — SIRET, numéro de facture, IBAN, dates, montants, références de dossier par expression régulière ; ensuite un modèle qui reçoit le texte de la première page et renvoie un objet validé par schéma, avec indice de confiance. Un IBAN extrait par motif est vérifié par sa clé de contrôle avant d’être accepté — un contrôle arithmétique attrape la plupart des erreurs de reconnaissance.
La recherche plein texte. Indexation en PostgreSQL avec tsvector et la configuration française, ou dans un moteur dédié si le volume le justifie. Un index de trigrammes en complément rattrape les fautes de reconnaissance : chercher « Dupond » retrouve un document où le moteur a lu « Dupont ».
L’horodatage. Empreinte SHA-256 du fichier à l’entrée, conservée avec la date d’arrivée. Pour les documents à enjeu, un horodatage par un tiers de confiance apporte une preuve opposable de la date ; sans cela, la date reste celle de votre serveur, ce qui suffit pour l’usage courant et pas pour un contentieux.
La confidentialité du pipeline. Les fichiers intermédiaires — images redressées, textes extraits — sont écrits dans un répertoire éphémère et supprimés à la fin du traitement. Un pipeline de courrier qui laisse traîner des versions intermédiaires en clair pendant des mois est une fuite lente.