L'IA peut-elle comprendre les champs de facture ?
Oui — le sens avant les libellés
Oui. L'IA moderne sait distinguer des champs similaires comme « Date » et « Date d'échéance », ou « Adresse de livraison » et « Adresse de facturation » — parce qu'elle lit les champs selon leur sens et leur contexte dans le document, pas seulement selon le texte du libellé. Un outil OCR basé sur un modèle voit deux libellés contenant le mot « Date » et n'a aucun moyen de les différencier. Un modèle vision-langage (VLM) voit un en-tête de facture, lit la relation sémantique entre les champs et comprend que la date à côté de « N° de facture » est la date d'émission, tandis que la date sous « Conditions de paiement » est la date d'échéance. Ce n'est pas une simple amélioration de capacité — c'est une différence fondamentale dans le fonctionnement de l'extraction.
Points clés
- La plupart des outils d'extraction voient deux libellés contenant le mot « Date » et n'ont absolument aucun moyen de dire lequel est la date de facture et lequel est la date d'échéance — ils prennent la première correspondance et espèrent que tu ne remarques pas que la colonne a été inversée.
- L'IA moderne résout ce problème en superposant trois types de compréhension que tes propres yeux effectuent déjà — ce que signifie un libellé, où il se situe sur la page et quelle section du document l'entoure — sans que tu aies à configurer un modèle.
- Le moyen le plus rapide de savoir quel type d'outil tu utilises : importe une facture où « Date » apparaît quatre fois comme libellé — si le résultat affiche la même date dans les quatre colonnes, tu paies pour de la correspondance de chaînes habillée en IA.
Comment l'IA lit les champs par leur sens — la compréhension en trois couches
Quand une personne regarde une facture, elle n'analyse pas chaque champ isolément. Elle absorbe la disposition générale du document — l'en-tête avec les coordonnées de l'entreprise, le corps avec les lignes de facturation, le pied de page avec les totaux et les conditions de paiement — et utilise cette carte spatiale pour orienter chaque champ qu'elle lit. Une « Date » à côté du numéro de facture dans le coin supérieur droit est de toute évidence la date d'émission. Une « Date » dans la section des conditions de paiement en bas, à côté de « Net 30 » ou « Due by », est de toute évidence la date d'échéance. Ce n'est pas un raisonnement conscient chez l'humain — mais c'est exactement ce qui fait la différence entre une extraction qui fonctionne et une qui échoue.
Les modèles de vision IA reproduisent cette même compréhension en trois couches, et chaque couche corrige des erreurs que la couche inférieure ne peut pas détecter.
Couche 1 : la sémantique du libellé. L'IA lit le libellé du champ — « Invoice Date », « Due Date », « Ship To », « Bill To » — et comprend ce que chaque expression signifie au niveau linguistique. « Invoice Date » désigne la date d'émission de la facture. « Due Date » désigne le moment où le paiement est attendu. C'est la couche la plus élémentaire, et c'est aussi celle où l'OCR traditionnel s'arrête. Un moteur OCR configuré pour extraire « Date » prendra la première date qu'il trouve et cessera de réfléchir. Il n'a aucune notion de ce que « Date » signifie — seulement que la chaîne du libellé correspond.
Couche 2 : la proximité positionnelle. L'IA cartographie l'emplacement de chaque libellé sur la page et les autres champs qui l'entourent. Un libellé « Invoice Date » situé à 30 pixels à droite d'un champ « Invoice Number », dans l'en-tête du document, a un poids positionnel différent d'un libellé « Due Date » situé 200 pixels plus bas dans la zone des conditions de paiement. L'IA utilise les relations spatiales — adjacence, alignement, appartenance au même bloc visuel — pour lever l'ambiguïté entre des champs qui partagent le même vocabulaire. Deux champs qui contiennent tous deux le mot « Date » mais se trouvent dans des sections différentes du document sont des champs différents, et le modèle les traite comme tels.
Couche 3 : le contexte du document. L'IA lit le document comme une structure visuelle complète — pas comme un flux de zones de texte. Elle reconnaît qu'une facture comporte des régions prévisibles : un en-tête (infos de l'émetteur, numéro de facture, date), un corps (lignes de facturation avec quantités, descriptions, prix unitaires), une section des totaux (sous-total, taxe, total général) et un pied de page (conditions de paiement, coordonnées bancaires, notes). Une « Date » trouvée dans la région de l'en-tête est interprétée comme la date d'émission. Une « Date » trouvée dans le pied de page, à côté des instructions de paiement, est interprétée comme la date d'échéance. La structure du document fournit l'échafaudage sémantique que les libellés individuels ne peuvent pas offrir — et c'est exactement ce qui manque totalement à l'OCR traditionnel, qui traite les documents comme du texte plat.
La combinaison de ces trois couches signifie que l'IA ne se contente pas de faire correspondre des libellés — elle raisonne sur ce qu'est chaque champ. Et ce raisonnement est ce qui la rend fiable sur de vraies factures fournisseurs, où deux formats ne sont jamais identiques et où les libellés sont souvent abrégés (« Inv Date », « Due », « Date Issued ») ou traduits (« Data fattura », « Fällig am »). Pour en savoir plus sur ce qui distingue fondamentalement cette approche des méthodes plus anciennes, voir ce qu'est l'extraction de documents par IA et en quoi elle diffère de l'OCR traditionnel.
Cinq paires de champs qui piègent l'OCR traditionnel — mais pas l'IA
Les paires suivantes ne sont pas des cas limites hypothétiques. Elles apparaissent sous une forme ou une autre sur presque toutes les factures fournisseurs, et constituent la source la plus fréquente d'erreurs d'extraction avec les outils de correspondance d'étiquettes ou basés sur des modèles. Pour chaque paire, la compréhension en trois couches de l'IA est ce qui évite la confusion.
Paire 1 : Date de facture vs Date d'échéance
C'est la confusion la plus courante sur toute facture. Les deux champs contiennent des dates. Les deux apparaissent fréquemment avec des libellés incluant le mot « Date ». Sur une facture typique, la date de facture se trouve dans l'en-tête — près du numéro de facture, de l'adresse de l'expéditeur et du titre du document. La date d'échéance se trouve plus bas — dans une section conditions de paiement, souvent à côté de « Net 30 », « Due by » ou d'instructions de paiement spécifiques. Un outil de correspondance d'étiquettes cherchant « Date » prendra celle qu'il trouve en premier et peut placer la date d'échéance dans la colonne date de facture. Une IA qui lit la structure visuelle du document sait qu'une date dans le bloc d'en-tête est la date d'émission et qu'une date adjacente aux conditions de paiement est la date d'échéance — même si les deux libellés sont abrégés en « Date » par le concepteur de la facture.
Paire 2 : Adresse de livraison vs Adresse de facturation
Les deux sont des adresses. Les deux contiennent un nom d'entreprise, une rue, une ville et un code postal. La différence visuelle n'est souvent qu'un libellé au-dessus de chaque bloc — « Ship To » à gauche, « Bill To » à droite, ou inversement. Un outil OCR à modèle configuré pour capturer « l'adresse » prendra le premier bloc d'adresse trouvé et s'arrêtera. L'IA lit le libellé au-dessus de chaque bloc, comprend que « Ship To » désigne la destination de livraison et que « Bill To » désigne l'entité de facturation, et oriente chacun vers la bonne colonne de sortie. Sur les factures où les deux blocs ne sont pas étiquetés — juste deux adresses côte à côte sans en-tête — l'IA utilise des heuristiques de position : l'adresse la plus proche du haut du document, alignée avec les coordonnées de l'expéditeur, est généralement l'adresse de facturation, tandis que l'adresse dans une section d'expédition distincte est l'adresse de livraison.
Paire 3 : Sous-total vs Total
Les deux sont des montants monétaires. Les deux apparaissent dans la section des totaux en bas de la facture. Ce qui les distingue n'est pas seulement le libellé, mais la hiérarchie spatiale : le Sous-total apparaît au-dessus de la ligne de taxe et en dessous des lignes de facturation, représentant la somme de toutes les lignes de facturation avant taxe. Le Total (ou Total général) apparaît tout à la fin de la colonne des totaux, après application de la taxe et des éventuelles remises — souvent dans une police plus grande ou en gras. L'IA lit cette hiérarchie visuelle comme le ferait une personne : elle sait que le montant immédiatement sous la dernière ligne de facturation est le sous-total, et que le montant en bas de la colonne, après taxes et ajustements, est le total final. Les outils basés sur des modèles qui définissent des zones de coordonnées fixes pour chaque montant se cassent dès qu'un fournisseur ajoute une ligne de remise ou modifie l'affichage du taux de taxe — la zone qui contenait « Sous-total » contient désormais « Remise », et les données extraites se décalent d'une ligne.
Paire 4 : Montant net vs Montant brut
Similaire à Sous-total vs Total, mais avec une couche supplémentaire : Net désigne généralement le montant avant taxe, tandis que Brut désigne le montant taxe incluse. Certaines factures les libellent « Net », « Taxe », « Brut » dans un bloc de trois lignes. D'autres les libellent « Sous-total », « TVA », « Total ». Certaines factures européennes utilisent « Netto » et « Brutto ». Une approche par simple correspondance de libellés échoue dès que le vocabulaire change. L'IA lit la relation sémantique : le montant qui, une fois la taxe ajoutée, égale le total final — c'est le montant net. Le montant qui égale le total final — c'est le montant brut. Les libellés peuvent varier selon les langues et les formats de facture, mais la relation mathématique entre les chiffres est invariante.
Paire 5 : Nom du fournisseur vs Nom du client
Les deux sont des noms d'entreprise. Les deux apparaissent sur chaque facture. Mais l'un est l'expéditeur (le fournisseur qui a émis la facture et veut être payé) et l'autre est le destinataire (le client qui a reçu les biens ou services). L'IA les distingue par leur position : le nom du fournisseur apparaît dans l'en-tête de la facture, généralement avec le logo, l'adresse et l'identifiant fiscal de l'expéditeur. Le nom du client apparaît dans le bloc « Adresse de facturation » ou « Vendu à », généralement sous l'en-tête mais au-dessus des lignes de facturation. Sur une facture mal conçue où les deux noms apparaissent sans étiquetage clair, l'IA utilise la taille de police et la position comme signaux — le nom dans la plus grande police en haut de la page, accompagné d'un logo, est presque certainement le fournisseur.
Ces cinq paires couvrent la majorité des erreurs d'inversion de champs qui affectent l'extraction basée sur des modèles. Et le fil conducteur entre toutes, c'est que la solution de l'IA repose sur le même mécanisme : elle n'extrait pas par correspondance de libellés — elle extrait en comprenant ce que chaque champ signifie dans le contexte du document entier.
Comment l'IA résout chaque confusion — Le raisonnement étape par étape
Il est facile de dire que « l'IA comprend le contexte ». Il est plus utile de montrer le raisonnement. Voici ce qui se passe réellement lorsqu'un modèle vision-langage traite une facture comportant des champs d'apparence similaire.
Étape 1 : le modèle examine d'abord la page entière. Avant d'extraire quoi que ce soit, il appréhende la mise en page visuelle complète — l'agencement spatial des blocs de texte, les tailles de police, les espaces blancs qui séparent les sections. C'est cette vue globale qui lui donne l'orientation de la structure du document qui manque à l'OCR traditionnel. C'est la différence entre lire un livre en balayant chaque mot de gauche à droite (OCR) et le lire en remarquant d'abord qu'il a une page de titre, une table des matières, des chapitres et un index (VLM).
Étape 2 : il segmente la page en régions fonctionnelles. Le modèle identifie la région d'en-tête (informations de l'expéditeur, logo, numéro de facture, date), la région du corps (lignes de facturation dans un tableau), la région des totaux (sous-total, taxe, total) et la région de pied de page (conditions de paiement, coordonnées bancaires, notes). Cette segmentation ne repose pas sur des règles préprogrammées du type « l'en-tête correspond toujours aux 3 premiers centimètres » — elle repose sur des motifs visuels appris après avoir vu des millions de documents. Un bloc dense de lignes d'adresse en haut est un en-tête. Un tableau à plusieurs colonnes au milieu est le corps. Une colonne de chiffres alignée à droite près du bas est la section des totaux.
Étape 3 : il lit chaque champ dans son contexte documentaire. Lorsque l'utilisateur définit une colonne d'extraction — par exemple « Date d'échéance » — l'IA ne cherche pas la chaîne « Date d'échéance » dans la page. Elle cherche dans la page un champ de date qui satisfait simultanément trois conditions : (1) le texte de l'étiquette est sémantiquement équivalent à « Date d'échéance » (correspondant à « Due Date », « Due by », « Payment Due », « Fällig am », « Échéance ») ; (2) la position spatiale du champ se situe dans la région du pied de page ou des conditions de paiement, pas dans l'en-tête ; (3) le champ est proche d'un contenu lié au paiement comme « Net 30 », « Payable by » ou des instructions de virement bancaire. Une date qui satisfait aux trois conditions est la date d'échéance. Une date qui ne satisfait qu'à la condition (1) — une étiquette contenant « Date » — mais qui se trouve dans l'en-tête près du numéro de facture est la date de facture, pas la date d'échéance.
Étape 4 : il effectue une validation croisée entre les champs. L'IA n'extrait pas « Date de facture » et « Date d'échéance » comme des tâches isolées. Elle les extrait ensemble et vérifie qu'elles forment une paire cohérente — la date d'échéance doit être égale ou postérieure à la date de facture. Si l'IA renvoie une date de facture au 25 juin et une date d'échéance au 10 juin — une date antérieure à la facture — elle sait que quelque chose ne va pas et réexamine les deux champs. Cette validation croisée entre champs est un contrôle de cohérence intégré que l'OCR à modèle ne peut pas effectuer, car l'OCR à modèle ne comprend pas que les dates entretiennent des relations chronologiques.
Ce processus de raisonnement en quatre étapes est ce qui distingue l'extraction sémantique de la correspondance d'étiquettes. C'est aussi pourquoi tu n'as pas besoin de créer des modèles d'analyse distincts pour chaque fournisseur — l'IA lit chaque document à nouveau, en appliquant la même logique de compréhension au format qu'elle rencontre. Pour une explication de pourquoi cette approche sans modèle est plus qu'une simple fonctionnalité pratique, voir si l'IA peut extraire des données sans configurer de modèles.
Ce qu'il faut rechercher dans un outil d'extraction sensible aux champs
Tous les outils qui prétendent faire de « l'extraction par IA » n'utilisent pas réellement la compréhension à trois couches décrite ci-dessus. Beaucoup de produits enveloppent un OCR traditionnel dans une couche marketing IA — le moteur d'extraction reste en réalité une correspondance d'étiquettes, juste avec une interface plus agréable. Voici comment faire la différence.
1. Teste-le sur deux factures avec les mêmes étiquettes de champs à des positions différentes. Prends deux factures de fournisseurs différents. Les deux ont un champ « Date », mais sur la facture A la date apparaît dans l'en-tête en haut à droite et sur la facture B la date apparaît dans la colonne de gauche sous le logo. Si l'outil renvoie la bonne date pour les deux, il lit le champ par son sens, pas par sa position. S'il échoue sur la deuxième facture, il utilise des zones de coordonnées fixes.
2. Teste-le sur une facture avec des étiquettes abrégées ou traduites. Donne à l'outil une facture où la date d'échéance est étiquetée « Due by », « Échéance » ou « Fällig am » — pas « Due Date ». Si l'outil l'identifie correctement comme la date d'échéance quand tu demandes « Due Date », il comprend la sémantique des étiquettes, pas la correspondance de chaînes. S'il rate complètement le champ, il fait une comparaison textuelle littérale. Ce test est particulièrement important si tu traites des factures internationales — les étiquettes de champs varient énormément selon les langues et même selon les services au sein d'une même entreprise.
3. Teste le traitement par lots avec des factures de formats mixtes. Téléverse cinq factures de cinq fournisseurs différents, chacune avec une mise en page différente, et demande « Invoice Date » et « Due Date ». Si le tableau de sortie contient les bonnes dates dans les bonnes colonnes pour les cinq, l'outil utilise la compréhension sémantique. Si deux ou trois factures ont des dates inversées, l'outil dépend des modèles en interne.
4. Vérifie si l'outil te montre quel champ il a mis en correspondance. Un bon outil d'extraction ne te donne pas seulement la valeur extraite — il te montre où sur le document il a trouvé cette valeur. Extraction de colonnes personnalisées te permet de définir exactement les champs que tu veux (« Invoice Date », « Due Date », « Net Amount », « Gross Amount ») et traite chacun comme une recherche sémantique indépendante. Quand un champ renvoie une valeur, tu peux la vérifier par rapport au document source. Les outils qui te donnent un CSV boîte noire sans correspondance avec le document cachent quelque chose — généralement un taux d'erreur élevé sur les paires de champs similaires.
5. Teste sur des documents où le même mot d'étiquette apparaît dans plusieurs champs. Crée un document de test où « Date » apparaît comme étiquette pour quatre champs différents : « Order Date », « Ship Date », « Invoice Date » et « Due Date ». C'est un test extrême, mais il révèle si le moteur d'extraction de l'outil fait de la compréhension sémantique ou de la correspondance de mots-clés. Un moteur sémantique renverra quatre dates différentes. Un moteur de correspondance de mots-clés renverra la même date quatre fois, ou trois vides et une date. Ce dernier cas est bien plus courant que la plupart des fournisseurs ne l'admettent.
Questions fréquentes
L'IA peut-elle vraiment faire la différence entre « Invoice Date » et « Due Date » quand les deux libellés indiquent simplement « Date » ?
Oui — car l'IA ne se fie pas au seul texte du libellé. Elle lit l'emplacement de chaque date sur la page. Un « Date » dans le bloc d'en-tête à côté du numéro de facture correspond à la date d'émission. Un « Date » dans la section des conditions de paiement à côté de « Net 30 » correspond à la date d'échéance. La position dans la mise en page du document est un signal plus fort que le texte du libellé, et l'IA utilise les deux. C'est aussi pourquoi les abréviations et les traductions ne perturbent pas l'extraction — l'emplacement du champ et le contenu environnant fournissent un contexte de désambiguïsation qu'une simple chaîne de libellé ne peut pas offrir.
Que se passe-t-il quand une facture n'a aucun libellé « Due Date » — juste une date sous « Terms: Net 30 » ?
L'IA déduit la date d'échéance à partir du contexte. Si l'en-tête de la facture indique « Date: 06/01/2026 » et le pied de page « Terms: Net 30 », l'IA sait que le paiement est dû 30 jours après la date de facture — le 1er juillet 2026 — et renvoie cette date comme date d'échéance. Elle lit les conditions de paiement, comprend la convention « Net 30 » et calcule la date d'échéance à partir de la date de facture. Un outil OCR à modèle ne trouverait aucun champ libellé « Due Date » et renverrait une valeur vide. Pour en savoir plus sur ce type d'extraction calculée, consulte conseils pratiques pour une extraction de documents par IA précise.
L'IA confond-elle parfois « Ship To » et « Bill To » lorsqu'ils sont côte à côte sans libellés ?
Rarement, mais cela peut arriver. Quand les deux blocs d'adresse ne sont pas libellés et sont visuellement symétriques, l'IA s'appuie sur des heuristiques de position — l'adresse alignée avec la zone d'en-tête de l'expéditeur est généralement l'adresse de facturation, et l'adresse dans une section d'expédition distincte est l'adresse de livraison. Sur des factures bien structurées, cette heuristique tient. Sur des factures mal conçues où les deux blocs n'ont aucune différenciation visuelle, l'IA peut signaler l'ambiguïté et demander une clarification, ou deviner à partir des schémas statistiques de ses données d'entraînement. Si tu traites régulièrement des factures avec des blocs d'adresse parallèles non libellés, définis explicitement ta colonne d'extraction comme « Shipping Address » ou « Billing Address » — la spécificité du libellé aide l'IA à désambiguïser.
Et si mes factures utilisent des termes complètement différents pour le même concept — comme « Data fattura » pour la date de facture sur une facture italienne ?
C'est exactement là que l'extraction sémantique surpasse la correspondance d'étiquettes. Comme l'IA comprend que « Data fattura » (italien), « Fecha de factura » (espagnol), « Date de facture » (français) et « Rechnungsdatum » (allemand) signifient tous « Date de facture », elle extrait la bonne valeur quelle que soit la langue. Le même modèle qui lit une facture anglaise lit une facture italienne selon le même mécanisme — il comprend ce que signifie l'expression, pas quels caractères elle contient. Tu n'as pas besoin de configurer des correspondances d'étiquettes par langue. Tu définis ta colonne de sortie une fois en anglais — « Invoice Date » — et l'IA trouve le champ correspondant, que l'étiquette soit en anglais, en italien, en allemand ou en japonais.
Quelle est la précision de l'IA pour distinguer des champs similaires par rapport à un humain ?
Sur des factures imprimées propres avec des mises en page standard, la précision de l'IA pour distinguer des champs similaires est de 95 %+ — comparable à celle d'un opérateur de saisie expérimenté. Sur des mises en page inhabituelles — des factures où la date d'échéance apparaît au-dessus de la date de facture, ou où les lignes de facturation sont disposées dans un ordre non standard — la précision de l'IA tombe à 85-90 %. Les cas d'erreur restants concernent généralement des documents où un humain aurait aussi besoin d'un moment pour déterminer quelle date est laquelle. Le conseil pratique : pour un traitement à gros volume, inspecte par lots les 10 premières factures d'un nouveau fournisseur pour confirmer la correspondance des champs, puis fais confiance à l'extraction automatisée pour les factures suivantes de ce fournisseur. La plupart des erreurs d'inversion de champs sont systématiques (elles se produisent sur chaque facture du même fournisseur à cause d'une particularité de mise en page), pas aléatoires — donc une seule correction règle tout le lot.
L'IA doit-elle être entraînée sur le format de facture de chaque fournisseur pour distinguer correctement les champs ?
Non. C'est tout l'intérêt de la compréhension à trois niveaux. Les outils basés sur des modèles te demandent de dessiner des cadres autour de « Invoice Date » et « Due Date » sur chaque nouveau format de fournisseur parce qu'ils extraient par position. L'IA qui lit par le sens extrait correctement dès la première rencontre avec un nouveau format parce qu'elle ne se soucie pas de l'emplacement du champ — elle se soucie de ce qu'est le champ. Tu peux traiter les factures de 50 fournisseurs différents en un seul lot, chacune avec une mise en page complètement différente, et l'IA gère chacune indépendamment. C'est la différence entre l'extraction sémantique sans modèle et l'OCR basé sur la position : voir notre explication complète de l'extraction IA sans modèle.
Quelle est l'erreur de paire de champs la plus courante que l'IA commet encore sur de vraies factures ?
Le cas le plus difficile est lorsque deux champs similaires apparaissent dans la même zone du document sans séparation spatiale — par exemple, « Sous-total » et « Total après remise » figurant tous deux dans la même colonne alignée à droite de la section des totaux, avec seulement un interligne entre eux. Sur des factures très denses où les espaces sont minimes, la désambiguïsation spatiale de l'IA dispose de moins de signaux pour travailler. Le deuxième cas le plus difficile est lorsqu'un fournisseur utilise le même mot d'étiquette pour des usages réellement différents d'une facture à l'autre — « Montant » signifiant sous-total sur une facture et total général sur une autre du même fournisseur. Dans les deux cas, la solution est la même : définis tes colonnes d'extraction plus précisément. Au lieu de « Montant », demande explicitement « Sous-total » et « Total général ». Plus tes noms de colonnes sont spécifiques, moins l'IA a de marge pour deviner — et la spécificité au niveau du champ ne coûte rien.
La différence entre une IA qui « lit le contexte » et une IA qui distingue réellement des champs similaires, c'est la différence entre un outil que tu démontres une fois et un outil que tu utilises tous les jours. Les erreurs d'inversion de champs — mettre la date d'échéance dans la colonne de la date de facture, l'adresse de livraison dans l'emplacement de l'adresse de facturation — sont les tueurs silencieux de la confiance en l'extraction. Une seule date erronée dans un lot de 100 factures suffit à faire revenir quelqu'un à la saisie manuelle. La compréhension à trois niveaux qu'apportent les modèles de vision modernes — sémantique des étiquettes + proximité positionnelle + contexte du document — est ce qui rend l'extraction fiable sur de vraies factures fournisseurs, pas seulement sur des documents de démonstration propres. Teste-le sur ta facture la plus confuse. Celle avec quatre champs de date, deux blocs d'adresse et une section de totaux qui ne s'aligne pas. Si l'IA réussit celle-là, elle gérera le reste.
Pour approfondir le fonctionnement interne des moteurs d'extraction IA — y compris la différence entre les modèles vision-langage et l'OCR traditionnel — commence par ce qu'est l'extraction de documents par IA et comment elle fonctionne. Si tu évalues des outils d'extraction et veux un cadre pratique pour tester la précision sur tes propres documents, consulte notre guide pratique pour améliorer la précision de l'extraction IA.