OCR pour le gouvernement 2026 :
Guide de numérisation des documents publics, FOIA et conformité

Pourquoi la numérisation gouvernementale exige bien plus qu’un simple scan

Une municipalité de taille moyenne gère entre 2 et 5 millions de documents — permis de construire, registres fonciers, rapports de police, actes judiciaires, contrats fournisseurs, comptes rendus de réunions et évaluations fiscales. Le stockage papier coûte entre 25 et 40 dollars par mètre carré par an. Une seule demande d’accès à l’information peut nécessiter 15 à 30 heures de travail pour localiser, examiner, caviarder et produire les documents pertinents. Multipliez cela par les centaines de demandes en cours que de nombreux organismes traitent à tout moment, et la charge opérationnelle devient colossale.

Un simple scan de documents résout le problème de stockage — il dématérialise le papier et libère de l’espace de bureau. Mais un PDF scanné sans texte recherchable, sans métadonnées structurées, sans mise en forme prête au caviardage et sans balises d’accessibilité reste en pratique verrouillé. Un PDF basé sur une image ne peut pas être recherché par numéro de dossier, ne peut pas être analysé par un outil de caviardage pour détecter des données personnelles, ne peut pas être lu par un lecteur d’écran et ne respecte pas les normes de numérisation NARA 36 CFR § 1236 Subpart E pour les documents permanents.

L’OCR — reconnaissance optique de caractères — est la couche qui transforme une image scannée en contenu numérique exploitable. Mais le type d’OCR a son importance. L’OCR traditionnel lit les formes des caractères et produit du texte indifférencié : chaque mot de la page ressort sous forme de chaîne sans étiquette. Le numéro de facture, le numéro de dossier judiciaire, la date d’expiration du permis, le nom du fournisseur — tout atterrit dans le même bloc de texte. Un humain doit encore recopier chaque valeur dans la bonne colonne. C’est pourquoi un taux de précision des caractères de 99,5 % peut coexister avec un flux de travail qui prend encore 15 à 30 heures par demande FOIA : le texte est reconnu, mais il n’est ni analysé, ni étiqueté, ni prêt pour l’étape de conformité suivante.

L’extraction documentaire assistée par IA — la prochaine génération d’OCR — introduit une compréhension sémantique. Au lieu de lire les formes des caractères, les modèles de vision lisent un document comme le ferait un humain : ils reconnaissent qu’une chaîne à la ligne 12 d’un acte judiciaire est le numéro de dossier parce qu’ils comprennent le rôle structurel de ce champ. Cette distinction entre reconnaissance de caractères et compréhension de document n’est pas théorique. Elle détermine si un service d’archives publiques peut répondre à une demande FOIA en 2 heures ou en 2 jours.

Les types de documents qui définissent l'OCR gouvernemental

Les agences gouvernementales ne traitent pas un seul type de document. Elles en traitent des dizaines, chacun avec des structures de champs, des conventions de mise en page et des exigences réglementaires distinctes. La variation entre les types de documents est la première raison pour laquelle l'OCR basé sur des modèles échoue dans le secteur public.

Chaque type de document provient d'un service différent, souvent d'un système logiciel ou d'un formulaire papier distinct, et suit sa propre convention de mise en page. La demande de licence de mariage d'un greffier de comté n'a aucune ressemblance structurelle avec le rapport d'incident d'un service de shérif. Le défi central de l'OCR gouvernemental n'est pas de reconnaître les caractères sur une page — c'est de mapper des formats de documents divers et incohérents dans une structure de données unifiée pouvant alimenter un système de gestion des documents.

Rédaction et OCR — Pourquoi l'ordre est important

La FOIA exige que les agences divulguent les documents pertinents avec les informations exemptées rédigées. Les codes d'exemption — (b)(1) à (b)(9) pour les agences fédérales — couvrent tout, de la sécurité nationale (b)(1) aux informations géologiques sur les puits (b)(9), les plus courants étant (b)(6) confidentialité personnelle et (b)(7) application de la loi. Une seule réponse FOIA peut nécessiter des dizaines ou des centaines de rédactions individuelles sur des milliers de pages.

Voici la séquence technique que de nombreux plans de numérisation gouvernementale se trompent :

Le point pratique à retenir : l'OCR doit être appliquée suffisamment tôt pour permettre la détection automatisée des PII, mais la couche de sortie OCR doit être définitivement supprimée des régions rédigées dans le document final. Tous les outils OCR ne gèrent pas correctement cette étape de nettoyage. Lors de l'évaluation des solutions OCR gouvernementales, demandez spécifiquement si l'outil supprime les couches de texte des régions rédigées — pas seulement s'il peut « rédiger » avec des boîtes noires.

PDF/A et exigences d'archivage à long terme

Le 36 CFR § 1236 Subpart E de la NARA exige que les documents permanents numérisés respectent des normes précises de format et de qualité. La norme la plus pertinente pour la préservation des documents est le PDF/A — une version normalisée ISO du PDF conçue pour l'archivage à long terme. Contrairement aux PDF standard, qui peuvent dépendre de polices externes, d'images liées ou de fonctionnalités spécifiques aux logiciels qui se dégradent avec le temps, le PDF/A intègre tout ce dont le fichier a besoin : polices, profils colorimétriques, métadonnées et instructions de rendu indépendantes de l'appareil.

Pour les agences gouvernementales, le PDF/A n'est pas facultatif pour les documents permanents. La Federal Agencies Digital Guidelines Initiative (FADGI) définit les critères de mise en œuvre, et les directives de transfert de la NARA précisent que les documents permanents numérisés doivent s'y conformer. Mais c'est ici que l'OCR entre en jeu : un fichier PDF/A sans couche de texte reconnue est une image dans un contenant d'archivage. Il réussit le test de format mais échoue au test d'utilisabilité. Lorsqu'une demande FOIA arrivera dans cinq ans pour ce document, le personnel devra ré-OCRiser l'intégralité du document à partir de zéro, car la couche de texte OCR de 2026 n'aura pas été préservée.

La bonne approche est le PDF/A avec OCR intégré : le texte reconnu est stocké sous forme de couche masquée dans le fichier PDF/A lui-même — interrogeable, extractible, mais invisible pour le lecteur. Cela préserve à la fois l'intégrité archivistique de l'image bitonale et la recherche fonctionnelle du texte. Tout flux de travail OCR gouvernemental qui ne produit pas de PDF/A avec couches de texte intégrées crée un arriéré FOIA futur, car chaque demande future exigera de retraiter les mêmes documents.

Lors de la sélection d'une solution OCR à usage gouvernemental, confirmez que la sortie prend en charge la conformité PDF/A-1 ou PDF/A-2 avec couches de texte OCR intégrées. Le PDF/A-2 offre une meilleure compression et la prise en charge de graphiques avancés, ce qui importe pour les documents contenant des photographies, des cartes ou des signatures scannées accompagnées de texte.

Variation de format entre agences — pourquoi les modèles échouent

L'OCR basé sur des modèles — l'approche utilisée par les plateformes IDP traditionnelles — exige un modèle d'extraction préétabli pour chaque mise en page de document unique. L'utilisateur délimite des zones autour de chaque champ, attribue une étiquette et déploie le modèle. Lorsque le prochain fournisseur soumet un formulaire légèrement différent — police différente, ordre de colonnes différent, terminologie d'étiquettes différente — le modèle ne fonctionne plus et nécessite une reprise manuelle.

Les agences gouvernementales sont confrontées à ce problème à grande échelle. Prenons l'exemple d'un bureau unique des achats d'État qui traite des bons de commande provenant de plus de 500 agences, chacune avec son propre formulaire. Ou un greffier de comté recevant des actes de procédure de 15 cabinets de juges différents. Ou un bureau municipal FOIA gérant des demandes couvrant les services de police, d'urbanisme, des finances, des travaux publics et des parcs — chacun avec ses propres formats d'archivage. L'OCR basé sur des modèles exigerait des centaines, voire des milliers de modèles individuels, chacun nécessitant une maintenance lors des mises à jour de formulaires.

L'extraction indépendante du format — où l'IA lit les documents par compréhension sémantique plutôt que par position — élimine le goulot d'étranglement des modèles. Au lieu de cartographier l'emplacement des données sur une page, vous définissez les données dont vous avez besoin : numéro de permis, nom du demandeur, évaluation, date d'expiration. L'IA localise ces valeurs dans n'importe quelle mise en page, provenant de n'importe quel service, dans n'importe quel format. Cette approche reflète la manière dont la gestion des documents gouvernementaux fonctionne réellement : les catégories de données sont stables d'une agence à l'autre (chaque permis a un numéro de permis), mais la présentation visuelle de ces catégories varie considérablement. Le même défi de variation de format apparaît dans le traitement des documents bancaires, où les institutions financières doivent gérer les formats de relevés de centaines de banques différentes.

C'est le même changement de paradigme que l'IA OCR apporte à la compréhension documentaire plus largement — passer d'une reconnaissance basée sur la position à une extraction basée sur la sémantique. Pour les agences gouvernementales gérant des documents provenant de dizaines de sources, ce changement n'est pas une simple amélioration de confort ; c'est la différence entre un projet qui évolue et un projet qui exige une équipe permanente de maintenance des modèles.

Conformité ADA et WCAG en matière d'accessibilité

Le Titre II de l'Americans with Disabilities Act exige que les services des gouvernements étatiques et locaux — y compris les documents numériques — soient accessibles aux personnes handicapées. Le Department of Justice a renforcé cette exigence par le biais des Web Content Accessibility Guidelines 2.1 niveau AA, qui s'appliquent aux documents et dossiers numériques fournis au public.

Pour l'OCR dans le secteur gouvernemental, cela implique trois livrables spécifiques :

L'accessibilité ADA n'est pas une préoccupation secondaire dans l'OCR gouvernemental. La capacité de base de l'OCR traditionnel — reconnaître les caractères et produire du texte — ne génère pas de documents accessibles. Produire une sortie conforme aux WCAG 2.1 AA exige un niveau plus élevé de compréhension documentaire, incluant l'analyse de la mise en page, le balisage sémantique et la préservation de l'ordre de lecture. Les agences qui ne tiennent pas compte de cet aspect au stade de l'acquisition pourraient découvrir que l'ensemble de leur référentiel numérisé est inaccessible et nécessite une remédiation coûteuse.

Chaîne de traçabilité et préparation à l'audit

Les documents gouvernementaux numérisés doivent être démontrablement authentiques et non altérés. La FOIA, les Federal Rules of Evidence et les lois des États sur les archives publiques exigent que les agences puissent prouver qu'un document numérique est ce qu'il prétend être — qu'il a été créé à partir du document papier original à un moment précis, par un opérateur autorisé, et qu'il n'a pas été modifié depuis sa capture.

Cette exigence de chaîne de traçabilité a des implications concrètes pour les flux de travail OCR :

• Image source immuable : L'image numérisée originale doit être conservée comme master bitonal, séparée de tout traitement OCR. L'OCR doit opérer sur une copie, sans altérer l'original.
• Journalisation des processus : Chaque opération OCR — quand elle a été exécutée, quelle version du logiciel, quels paramètres, quelle sortie a été générée — doit être journalisée et conservée. Ces métadonnées soutiennent la revendication d'authenticité si le document est contesté.
• Vérification par somme de contrôle : Les hachages cryptographiques (SHA-256) de l'image source et de la sortie OCR doivent être calculés et stockés. Toute vérification future peut comparer les hachages pour confirmer qu'aucune modification non détectée n'a eu lieu.
• Contrôle de version pour les divulgations expurgées : Lorsqu'un agent FOIA divulgue un document expurgé, l'agence doit conserver à la fois l'original non expurgé (avec la chaîne de traçabilité) et un journal de ce qui a été expurgé sous quel code d'exemption. La couche texte OCR de la version divulguée doit être vérifiée pour garantir qu'elle ne contient aucun contenu expurgé.

La plupart des outils OCR commerciaux ne sont pas conçus pour ces exigences d'audit. Les agences gouvernementales devraient rechercher des solutions offrant un accès au niveau API aux journaux de processus, prenant en charge la génération de sommes de contrôle et permettant d'intégrer le flux de travail OCR dans un système plus large de gestion des documents qui gère le suivi de la chaîne de traçabilité.

Pour les contextes juridiques — en particulier l'OCR appliquée aux documents juridiques et aux pièces de tribunal — les exigences de chaîne de traçabilité sont encore plus strictes. La règle 34 du FRCP exige que les informations stockées électroniquement soient produites dans un format « raisonnablement utilisable ». Un document traité par OCR dont la couche texte peut être démontrée comme générée à partir d'une image source vérifiée, via un processus audité, répond à cette norme. Un document dont la source ne peut pas être retracée peut être contesté.

Pour les agences qui gèrent le traitement entre départements ou doivent consolider la réception de documents provenant de sources externes, des outils comme Collection Link — qui génèrent un lien de téléchargement partageable permettant à des tiers de soumettre directement des fichiers dans une file de traitement — aident à maintenir une chaîne de traçabilité propre en centralisant le point de réception et en éliminant les pièces jointes ad hoc par courriel ou les transferts USB.

Questions fréquentes

Les résultats de l'OCR répondent-ils aux normes de numérisation de la NARA pour les documents permanents ?

Oui, à condition que le résultat soit conforme aux exigences du 36 CFR § 1236, sous-partie E. Cela signifie que l'image numérisée doit respecter les critères de qualité FADGI, que les champs de métadonnées spécifiés dans la réglementation doivent être saisis au niveau du fichier ou de l'élément, et que si l'OCR est utilisé, la couche de texte doit être intégrée de manière appropriée. La NARA n'exige pas l'OCR pour les documents permanents, mais les agences qui choisissent de l'utiliser doivent suivre les directives de transfert mises à jour sur l'utilisation appropriée de la technologie OCR. L'essentiel est que le résultat de l'OCR ne remplace pas l'image bitonale originale — il la complète en tant que couche consultable.

Puis-je caviarder un document après l'OCR, ou dois-je refaire l'OCR ?

Vous devez appliquer l'OCR avant le caviardage, utiliser la couche de texte pour identifier et signaler les PII à examiner, appliquer un caviardage permanent qui supprime à la fois le contenu visible et la couche de texte sous-jacente dans les zones caviardées, puis vérifier qu'aucun texte récupérable ne subsiste dans les zones caviardées. Appliquer l'OCR après le caviardage signifierait que le contenu caviardé n'a jamais été consultable pour une détection automatisée — ce qui annule le gain d'efficacité de l'utilisation de l'OCR pour le traitement des demandes FOIA. Si vous travaillez avec des documents déjà mal caviardés (par exemple, avec des superpositions de boîtes noires laissant le texte récupérable), la renumérisation du document physique caviardé et l'application de l'OCR à la nouvelle numérisation constituent parfois la voie de remédiation la plus sûre.

L'OCR est-il une exigence pour la conformité ADA des documents gouvernementaux ?

Pas explicitement par la loi, mais en pratique oui. La conformité WCAG 2.1 AA exige que tout contenu non textuel ait une alternative textuelle. Une page PDF scannée sous forme d'image ne contient aucun texte accessible par un lecteur d'écran. L'OCR est le seul moyen pratique de créer cette couche de texte. Cependant, un simple OCR — même très précis — ne garantit pas la conformité ADA. Le résultat doit également préserver l'ordre de lecture logique, baliser correctement les tableaux et les champs de formulaire, et maintenir la structure du document. L'OCR basé sur l'IA avec compréhension de la mise en page est nettement plus susceptible de produire un résultat conforme aux WCAG que l'OCR traditionnel au niveau des caractères.

Comment l'OCR gère-t-il les documents provenant de plusieurs agences avec des formats de formulaires différents ?

L'OCR traditionnel basé sur des modèles exige un modèle distinct pour chaque mise en page unique — ce qui est irréaliste lorsqu'une agence reçoit des documents de centaines de sources. L'extraction IA indépendante du format résout ce problème : vous définissez les champs de données dont vous avez besoin (numéro de permis, nom du demandeur, date d'émission, etc.) et l'IA les localise dans n'importe quelle mise en page en comprenant la signification sémantique de chaque champ. Aucun modèle, aucune formation par type de formulaire. C'est la même technologie utilisée pour l'extraction de documents juridiques dans différents formats de tribunaux, où des défis de variation de format similaires existent.

Quelle précision dois-je attendre de l'OCR sur les documents gouvernementaux ?

Sur les documents propres et dactylographiés — formulaires imprimés, rapports dactylographiés, documents générés par ordinateur — l'OCR IA moderne atteint une précision de 95 à 99 % au niveau des champs pour des champs d'extraction clairement définis. La précision diminue sur les formulaires manuscrits (85 à 95 % pour l'écriture en lettres moulées, plus faible pour l'écriture cursive), les pages de formulaires en papier carbone (courantes dans les anciens documents gouvernementaux), les originaux endommagés ou décolorés, et les documents avec des tampons ou des sceaux chevauchant le texte. Pour les documents permanents où une fidélité de 100 % est requise — comme les actes d'état civil (certificats de naissance/décès) — une étape de vérification humaine après l'extraction IA est recommandée. Le guide de gestion de la qualité des Archives nationales pour la numérisation fournit un cadre pour les taux d'erreur acceptables en fonction du type de document.

L'OCR peut-il gérer le traitement par lots pour les réponses à de grandes demandes FOIA ?

Oui — le traitement par lots est essentiel pour le travail FOIA car les demandes individuelles couvrent régulièrement des centaines ou des milliers de pages. Les plateformes d'OCR IA qui prennent en charge les flux de travail par lots en priorité peuvent ingérer plusieurs documents simultanément, appliquer des règles d'extraction cohérentes sur toutes les pages et fusionner les sorties en un seul fichier structuré. C'est nettement plus efficace que de traiter chaque document individuellement, en particulier lorsque la même demande FOIA couvre des documents provenant de plusieurs départements avec des formats différents. La capacité clé à rechercher est la consolidation des sorties au niveau du lot : une demande FOIA doit produire un résultat consultable, et non un dossier de fichiers individuels.