OCR pour le Gouvernement 2026 :
Archives publiques, FOIA & Guide de numérisation conforme

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 (FOIA) 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.

Expurgation et OCR — Pourquoi l'ordre est important

La loi FOIA exige des agences qu'elles divulguent les documents pertinents après avoir expurgé les informations exemptées. 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) vie privée et (b)(7) application de la loi. Une seule réponse FOIA peut nécessiter des dizaines ou des centaines d'expurgations individuelles sur des milliers de pages.

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

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

PDF/A et exigences d'archivage à long terme

Le 36 CFR § 1236, sous-partie E de la NARA exige que les documents numérisés permanents respectent des normes spécifiques de format et de qualité. La norme la plus pertinente pour la conservation 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 logicielles 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 du périphérique.

Pour les agences gouvernementales, le PDF/A n'est pas facultatif pour les documents permanents. La Federal Agencies Digital Guidelines Initiative (FADGI) établit les références de mise en œuvre, et les directives de transfert de la NARA précisent que les documents numérisés permanents doivent s'y conformer. Mais voici le lien avec l'OCR : un fichier PDF/A sans couche de texte reconnue est une image dans une enveloppe d'archivage. Il réussit le test de format mais échoue le test d'utilisabilité. Lorsqu'une demande FOIA sera soumise dans cinq ans pour ce document, le personnel devra ré-OCRiser l'intégralité du document depuis le début, car la couche de texte OCR de 2026 n'a pas été conservée.

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

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

Variabilité inter-agences des formats — pourquoi les modèles échouent

La reconnaissance optique de caractères (OCR) basée sur des modèles — l'approche utilisée par les plateformes IDP traditionnelles — nécessite un modèle d'extraction préétabli pour chaque mise en page de document unique. L'utilisateur dessine des zones autour de chaque champ, attribue une étiquette et déploie le modèle. Lorsque le fournisseur suivant soumet un formulaire légèrement différent — police différente, ordre des colonnes différent, terminologie des étiquettes différente — le modèle échoue et nécessite une reprise manuelle.

Les agences gouvernementales sont confrontées à ce problème à grande échelle. Prenons l'exemple d'un bureau d'achat d'État qui traite des bons de commande provenant de plus de 500 agences, chacune avec son propre formulaire. Ou d'un greffier de comté recevant des actes de procédure de 15 cabinets de juges différents. Ou d'un bureau FOIA municipal 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 basée sur des modèles nécessiterait des centaines, voire des milliers de modèles individuels, chacun nécessitant une maintenance lors de la mise à jour des 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, de n'importe quel service, dans n'importe quel format. Cette approche reflète le fonctionnement réel de la gestion des documents gouvernementaux : 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 variabilité des formats apparaît dans le traitement des documents bancaires, où les institutions financières doivent gérer des formats de relevés provenant de centaines de banques différentes.

C'est le même changement de paradigme que l'OCR par IA apporte à la compréhension des documents 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 passe à l'échelle et un projet qui nécessite 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 administrations étatiques et locales — y compris les documents numériques — soient accessibles aux personnes handicapées. Le ministère de la Justice a renforcé cette exigence via la norme WCAG 2.1 niveau AA, qui s'applique aux documents et enregistrements numériques fournis au public.

Pour l'OCR dans le secteur public, 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 nécessite un niveau plus élevé de compréhension documentaire incluant l'analyse de mise en page, le balisage sémantique et la préservation de l'ordre de lecture. Les agences qui négligent cet aspect lors de l'étape d'acquisition pourraient découvrir que l'intégralité de leur référentiel numérisé est inaccessible et nécessite une correction coûteuse.

Chaîne de possession et conformité aux audits

Les documents gouvernementaux numérisés doivent être démontrablement authentiques et intacts. La loi FOIA, les règles fédérales de la preuve et les lois des États sur les documents publics exigent que les agences puissent prouver qu'un document numérique est bien 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 possession a des implications concrètes pour les flux 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 — date d'exécution, version du logiciel, paramètres utilisés, sortie générée — doit être enregistrée et conservée. Ces métadonnées soutiennent la revendication d'authenticité en cas de contestation du document.
• 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 pourra comparer les hachages pour confirmer l'absence de modification non détectée.
• Gestion de versions pour les divulgations expurgées : Lorsqu'un agent FOIA divulgue un document expurgé, l'agence doit conserver à la fois l'original non expurgé (avec sa chaîne de possession) 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 l'absence de tout 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 par API aux journaux de processus, prenant en charge la génération de sommes de contrôle, et permettant d'intégrer le flux OCR dans un système de gestion documentaire plus large qui gère le suivi de la chaîne de possession.

Pour les contextes juridiques — en particulier l'OCR appliqué aux documents juridiques et aux actes de procédure — les exigences de chaîne de possession 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 ayant été générée à partir d'une image source vérifiée, via un processus audité, répond à cette norme. Un document dont la source ne peut être retracée peut être contesté.

Pour les agences qui gèrent le traitement entre services 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 des fichiers directement dans une file de traitement — aident à maintenir une chaîne de possession propre en centralisant le point de réception et en éliminant les pièces jointes ad hoc par courriel ou les transferts par clé 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-elle les documents provenant de plusieurs agences aux formats différents ?

L'OCR traditionnelle basée sur des modèles nécessite 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 par IA indépendante du format résout ce problème : vous définissez les champs de données nécessaires (numéro de permis, nom du demandeur, date de délivrance, etc.) et l'IA les localise dans n'importe quelle mise en page en comprenant la signification sémantique de chaque champ. Pas de modèles, pas d'apprentissage par type de formulaire. C'est la même technologie utilisée pour l'extraction de documents juridiques dans différents formats de tribunaux, où des défis similaires de variation de format se posent.

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

Sur des documents dactylographiés propres — formulaires imprimés, rapports tapés, documents générés par ordinateur — l'OCR moderne par IA 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 (85-95 % pour les caractères d'imprimerie, moins pour l'écriture cursive), les pages de formulaires en papier carbone (courantes dans les documents gouvernementaux anciens), les originaux endommagés ou décolorés, et les documents comportant des tampons ou des sceaux superposés au texte. Pour les documents permanents nécessitant une fidélité à 100 % — comme les actes d'état civil (certificats de naissance/décès) — une étape de vérification humaine après l'extraction par 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 selon le type de document.

L'OCR peut-elle gérer le traitement par lots pour les réponses à des demandes FOIA volumineuses ?

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 par IA prenant en charge les flux de travail par lots 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 de plusieurs départements aux formats différents. La capacité clé à rechercher est la consolidation des sorties au niveau du lot : une demande FOIA doit produire une sortie consultable, et non un dossier de fichiers individuels.