Précision OCR par type de document : PDF numérique, numérisation,
benchmarks sur écriture manuscrite et tableaux (2026)

D'où vient le chiffre de « 99 % » — et pourquoi il induit en erreur

Le chiffre de 99 % est une mesure au niveau des caractères sur du texte imprimé propre, et la précision au niveau des caractères est la lentille la plus favorable qui soit. Comprendre cela — ainsi que les trois autres lentilles utilisées — explique pourquoi « 99 % de précision OCR » et « 78 % de précision au niveau des champs » peuvent être vrais tous les deux pour le même système.

Le taux d'erreur sur les caractères (CER) compte les caractères mal lus individuellement : un CER de 1 % signifie environ une erreur de caractère sur cent. L'échelle de référence largement adoptée pour le texte imprimé, formalisée par le programme de numérisation de journaux de la Bibliothèque nationale d'Australie, définit une bonne OCR comme étant précise à 98–99 % (1–2 % de CER), une OCR moyenne comme étant précise à 90–98 % (2–10 % de CER), et une OCR médiocre comme étant précise à moins de 90 % (Holley, 2009). Les orientations du Comité européen de la protection des données sur l'OCR situent indépendamment les performances courantes sur documents imprimés à 95–99 % de précision au niveau des caractères, avec 98–99 % considéré comme le niveau de garantie de qualité de production (CEPD, 2024).

Le problème est que la précision au niveau des caractères est la mesure la moins exigeante de celles utilisées. Un document de 2 000 caractères avec une précision de 99 % au niveau des caractères contient encore ~20 caractères erronés. Au niveau des mots, ce même résultat pourrait obtenir un score de 96–98 %, car un seul caractère mal lu fait échouer le mot entier. Au niveau des champs — la mesure qui compte pour extraire un numéro de facture ou une date — un seul chiffre erroné fait échouer le champ entier, de sorte qu'un système avec 99 % de précision au niveau des caractères peut n'offrir que 78–98 % de précision au niveau des champs selon le moteur (benchmark BusinessWareTech, 2025). Pour les tableaux, une quatrième mesure s'applique : la similarité par distance d'édition d'arbre (TEDS), qui évalue si la structure du tableau extrait et le contenu des cellules correspondent à l'original — un axe entièrement différent de la précision au niveau des caractères.

Les archives historiques montrent à quel point le plafond du texte propre est difficile à dépasser. L'Institut de recherche en sciences de l'information de l'UNLV a mené des tests annuels de précision OCR de 1992 à 1995 sur des pages anglaises imprimées à la machine ; les meilleurs systèmes commerciaux sont passés d'environ 94 % à 98 %+ de précision au niveau des caractères et ont largement plafonné à ce niveau (Rice, Jenkins & Nartker, 1995). Le NIST est arrivé à la même conclusion dans son évaluation de 1998 : un taux d'erreur sur les caractères de 1 % n'est atteignable que lorsque la source est un original dactylographié propre, au format fixe (NIST IR 6101, 1998). Vingt-cinq ans d'apprentissage profond ont repoussé ce plafond, mais uniquement pour les entrées les plus propres.

Le type de document est le facteur le plus déterminant de la précision OCR — plus que le choix du moteur. Le graphique ci-dessous représente la fourchette publiée pour chaque classe de document ; l'écart entre la valeur la plus basse et la plus haute observée est la réponse honnête, et non une seule « moyenne ». Les documents dégradés ou manuscrits produisent des fourchettes si larges qu'une estimation ponctuelle serait activement trompeuse.

Répartition par type de document

Sources : IntuitionLabs (2025) — tous les moteurs >99,2 % sur texte dactylographié simple ; Holley (2009) — document propre 98–99 % benchmark « bon » ; dégradé 71–98,02 % de confiance brute au niveau des caractères sur journaux australiens 1803–1954 ; AIMultiple (2026) — écriture manuscrite 46–95 % sur 12 solutions ; GatedLexiconNet (2024) — précision au niveau des mots IAM ~94,3 % ; IJSAT (2026) — original endommagé 72,7–94,7 % à 300 DPI. Plages prudentes utilisées lorsque les sources divergent.

Sources listées dans le tableau ci-dessus. Les chiffres de caractères/mots proviennent d'études évaluées par les pairs et gouvernementales ; les chiffres annoncés par les fournisseurs sont identifiés comme tels. TEDS et wF1 sont des métriques au niveau de la structure et ne sont pas directement comparables à la précision au niveau des caractères — voir Pourquoi les fourchettes de précision sont si larges. Pour la ligne de dégradation la plus sévère, le plancher de 71 % est une mesure de 2009 sur le titre de journal historique le moins performant (le chiffre brut publié le plus récent disponible) ; les moteurs modernes sur des documents similaires obtiennent des résultats nettement meilleurs (voir Méthodologie).

La résolution est le levier de précision le plus contrôlable, mais les preuves publiées sont plus minces que ne le suggèrent les blogs des fournisseurs. La seule étude gouvernementale rigoureuse — le test de l'US Government Publishing Office sur des documents anciens et décolorés — a constaté que la capture en couleur (RVB), et non une résolution plus élevée, était le facteur décisif : la numérisation RVB a satisfait à l'exigence de 99 % de précision au niveau des caractères du GPO, tandis que les numérisations bitonales (noir et blanc) des mêmes documents ont obtenu ~77 %, et la réduction de 300 à 200 DPI n'a produit aucun gain de précision (livre blanc de l'US GPO).

Répartition par DPI et qualité de numérisation

Sources listées dans le tableau ci-dessus. À noter la réserve honnête : aucune étude évaluée par les pairs n'isole le DPI seul en maintenant tous les autres facteurs constants. La ligne « en dessous de 150 DPI » combine donc les recommandations explicites de faible DPI du glossaire de référence LlamaIndex avec le plancher de précision lié aux dommages physiques mesuré par IJSAT (2026) à 300 DPI — une approximation, indiquée comme telle.

Le type de champ détermine si une erreur de lecture a de l'importance. Un mot mal lu dans un paragraphe est invisible pour la plupart des flux de travail ; un chiffre mal lu dans un numéro de facture fait échouer tout le champ. La seule étude de référence publiée qui isole les types de champs sur plusieurs moteurs est une étude d'extraction de factures de 2025, et son écart — 40–98 % selon le type de champ et le moteur — est la preuve disponible la plus claire que la « précision OCR » n'est pas un nombre unique (BusinessWareTech, 2025).

Répartition par type de champ

Sources listées dans le tableau ci-dessus. Les chiffres de 78–98 % et 40–82 % proviennent d'un benchmark indépendant unique (BusinessWareTech, 2025, jeu de test sur factures réelles) — une source de qualité C, corroborée en tendance par le benchmark de factures d'AIMultiple, qui a constaté une baisse marquée de la précision sur les documents de moindre qualité pour tous les outils (AIMultiple, 2026). Les lignes marquées « Absence de données » ne disposent d'aucune mesure tierce citable ; elles sont indiquées comme telles plutôt que comblées par des chiffres de fournisseurs.

La langue est la dimension de précision la moins médiatisée, car presque aucun fournisseur ne publie de benchmarks par langue. La seule comparaison multilingue évaluée par les pairs — une étude de 2021 portant sur 18 568 images de documents en anglais et en arabe — a constaté que la précision en anglais était « considérablement plus élevée » qu'en arabe sur les mêmes moteurs, avec un écart de l'ordre de 10 à 25 points de pourcentage pour la reconnaissance en sortie de boîte (Hebert et al., 2021). Les benchmarks d'écriture manuscrite ajoutent un deuxième point de données : l'écriture manuscrite française (RIMES) et anglaise (IAM) atteint désormais une qualité proche de l'impression dans les meilleurs systèmes, mais uniquement sur une écriture manuscrite de corpus propre et standardisée.

Répartition par langue et écriture

Sources listées dans le tableau ci-dessus. IAM et RIMES sont des corpus d'écriture manuscrite standardisés — l'écriture manuscrite réelle et désordonnée, en particulier mixte scripte-cursive, obtient des scores inférieurs à ces chiffres de corpus propres (la fourchette de 46 à 95 % entre solutions dans le tableau des types de documents est la référence du monde réel). L'écart pour l'arabe est une interprétation prudente du résultat publié « la précision pour l'anglais était considérablement plus élevée que pour l'arabe » sur un corpus à police unique commune ; un corpus plus difficile élargirait probablement cet écart.

Pourquoi les fourchettes de précision sont si larges : quatre métriques, un seul mot

Les contradictions apparentes les plus marquées dans les données de précision OCR ne sont pas des erreurs de mesure — ce sont des métriques différentes appliquées à des conditions de documents différentes. « 99 % de précision au niveau des caractères » et « 78 % de précision au niveau des champs » décrivent le même système ; « wF1 0,49 pour la détection de tableaux » et « TEDS 0,96 pour la structure de tableaux » décrivent la même technologie sur des corpus différents.

Les quatre métriques utilisées forment une hiérarchie stricte de difficulté. La précision au niveau des caractères (99 % et plus) est la plus facile à gonfler. La précision au niveau des mots est plus faible car un seul mauvais caractère fait échouer un mot — l'étude australienne sur la correction de journaux a mesuré 81,7 % de précision au niveau des mots sur la sortie historique brute, passant à 97,6 % après correction manuelle (Cassidy, 2019, étude de l'Université Macquarie sur la même classe de corpus). La précision au niveau des champs est encore plus faible car un seul chiffre erroné fait échouer tout le champ — la fourchette de 78 à 98 % entre moteurs ci-dessus. Les métriques structurelles (TEDS pour les tableaux, wF1 pour la détection) constituent un axe entièrement distinct : un tableau peut être lu avec des caractères parfaits et obtenir néanmoins un mauvais score si la structure des lignes/colonnes est mal reconstruite, c'est pourquoi la détection de tableaux d'archives plafonne à wF1 0,49–0,53 alors même que la reconnaissance moderne de structure de tableaux atteint TEDS 0,91–0,97 (TrOCR-ctx, 2025 ; classement PubTabNet).

Le bruit amplifie la dispersion. Dans l'étude évaluée par les pairs de Hebert et al., l'ajout d'une seule couche de bruit artificiel à des scans de livres propres a fait chuter la précision au niveau des mots d'environ 96 % à 82,5 % pour le meilleur moteur, et à 58,4 % pour Tesseract open source ; deux couches de bruit ont fait chuter davantage les scores (Hebert et al., 2021). C'est pourquoi la réponse honnête à « quelle est la précision de l'OCR ? » est toujours une fourchette conditionnée au type de document — et pourquoi toute affirmation à chiffre unique doit être traitée comme une mesure sur texte propre déguisée en vérité universelle.

Comment utiliser ces données

Vous n'avez pas besoin d'un audit complet pour transformer « on dit que l'OCR est précis à 99 % » — l'affirmation que chaque fournisseur répète, et celle que cette page teste — en une attente défendable pour vos propres documents. Un calcul approximatif en trois étapes à partir des fourchettes ci-dessus suffit, et il révèle généralement que le chiffre principal ne s'applique pas aux documents que vous traitez réellement.

Ce sont des formules d'estimation approximatives, pas un substitut à l'évaluation comparative de vos propres documents. Chaque fourchette publiée sur cette page a été mesurée sur le corpus de quelqu'un d'autre — le seul chiffre de précision qui s'applique à votre flux de travail est celui que vous mesurez sur celui-ci. La valeur de cette page est de définir l'attente avant que vous mesuriez.

Questions fréquemment posées

Quel est le taux de précision OCR moyen ?

La moyenne dépend entièrement du type de document. Sur l'ensemble des sources de cette page, les textes natifs numériques propres atteignent en moyenne 99,2–99,8 % de précision au niveau des caractères (IntuitionLabs 2025 ; ABBYY), les documents imprimés numérisés propres 98–99 % (Holley 2009 ; EDPB 2024), les numérisations dégradées ou historiques 71–98 % (Holley 2009), et l'écriture manuscrite 46–95 % selon les solutions (AIMultiple 2026). Un chiffre unique de « précision OCR moyenne » n'a pas de sens — c'est la fourchette qui constitue la réponse.

Quel est un bon taux de précision OCR ?

L'échelle largement adoptée de la Bibliothèque nationale d'Australie définit une bonne précision OCR pour du texte imprimé à 98–99 % au niveau des caractères (1–2 % de CER), une précision moyenne à 90–98 %, et une précision faible en dessous de 90 % (Holley, 2009). Pour l'extraction au niveau des champs — la mesure qui compte pour les données métier — un « bon » niveau plus réaliste se situe à 93–98 %, un seuil que seuls les moteurs de premier plan du benchmark factures 2025 ont atteint.

Quelle est la précision de l'OCR sur les documents numérisés par rapport aux PDF natifs numériques ?

Les numérisations propres de texte imprimé atteignent 98–99 % de précision au niveau des caractères — proche des 99,2–99,8 % du texte natif numérique, mais pas équivalente. L'écart se creuse nettement dès que les numérisations se dégradent : les numérisations historiques de journaux ont mesuré 71–98 % de précision brute (Holley 2009), et les originaux endommagés sont tombés à 72,7–94,7 % même à 300 DPI (IJSAT 2026). Un faible DPI, une capture bitonale (noir et blanc) et un papier vieillissant font chacun descendre les numérisations dans la fourchette basse.

Quelle est la précision de l'OCR pour l'écriture manuscrite ?

Les systèmes de pointe atteignent ~94–99 % de précision au niveau des mots sur des corpus de benchmark propres comme IAM et RIMES (GatedLexiconNet 2024 ; benchmark HTR LLM 2025), mais sur l'ensemble des solutions, la fourchette est de 46–95 % (AIMultiple 2026) — les moteurs hérités se situent près du bas, et l'écriture manuscrite réelle et désordonnée, le mélange imprimé-cursif ou les écritures historiques obtiennent des scores bien inférieurs aux chiffres des corpus propres.

Quel DPI offre la meilleure précision OCR ?

300 DPI est la recommandation standard — elle atteint la plage de précision de 98–99 % au niveau des caractères sur un document imprimé propre, avec 400–600 DPI conseillés pour les polices sous 10 pt (guide OCR de l'Université de Pittsburgh). Notamment, l'étude du GPO a constaté que le mode couleur de numérisation importait plus que la résolution pour les documents anciens : la capture RVB a atteint 99 % tandis que le bitonal (noir et blanc) a obtenu ~77 %, et la réduction de 300 à 200 DPI n'a rien changé.

Pourquoi la précision OCR est-elle plus faible sur les tableaux ?

Les tableaux ajoutent une étape de reconnaissance de structure par-dessus la reconnaissance des caractères : le moteur doit reconstruire les lignes, les colonnes et les cellules fusionnées avant que le contenu puisse être utilisé. Les systèmes modernes obtiennent TEDS 0,91–0,97 sur les corpus de tableaux natifs numériques (classement PubTabNet ; TrOCR-ctx 2025), mais les tableaux d'archives ou dessinés à la main chutent à wF1 0,49–0,53 en détection (ICDAR 2019 cTDaR), et l'extraction des lignes de détail dans des tests réels sur factures variait de 40 à 82 % selon le moteur (BusinessWareTech 2025).

La précision OCR varie-t-elle selon la langue ?

Oui — de manière significative. La seule comparaison interlangues évaluée par les pairs a constaté que l'anglais était 10 à 25 points de pourcentage plus précis que l'arabe sur les mêmes moteurs et le même corpus (Hebert et al. 2021). Les benchmarks d'écriture manuscrite montrent que les corpus français et anglais atteignent désormais une qualité proche de l'impression dans les meilleurs systèmes, mais aucun benchmark public comparable n'existe pour le CJK, le devanagari ou d'autres écritures — une véritable absence de données (voir Limitations).

Méthodologie & Sources

Comment cette page a été construite

Cette page agrège des données issues de 16 études indépendantes couvrant la période 1995–2026. Les sources ont été sélectionnées selon trois critères : (1) méthodologie documentée publiquement avec taille d'échantillon indiquée, (2) données collectées au cours des 3 dernières années lorsque disponibles, les sources plus anciennes étant datées dans le texte, et (3) pertinence pour le traitement de documents plutôt que revendications marketing. Lorsque plusieurs sources rapportent la même dimension, des fourchettes prudentes (valeurs minimales–maximales rapportées) sont utilisées — nous préférons sous-annoncer. Lorsque les sources divergent significativement, le désaccord est expliqué par niveau de métrique ou corpus plutôt que noyé dans une moyenne.

La distinction des métriques est la colonne vertébrale de cette page : les chiffres au niveau des caractères, des mots, des champs et de la structure (TEDS/wF1) ne sont jamais mélangés en un seul nombre. Les chiffres auto-déclarés par les fournisseurs (99,8 % d'ABBYY) sont étiquetés comme revendications fournisseur et utilisés uniquement comme références de borne supérieure, conformément à la règle de citation de grade D exigeant une corroboration — dans ce cas, par la mesure indépendante d'IntuitionLabs montrant que tous les moteurs dépassent 99,2 % sur du texte tapé simple.

Liste des sources

1. Holley, R. — « How Good Can It Get? » D-Lib Magazine 15(3/4) (2009). Programme de numérisation de journaux de la Bibliothèque nationale d'Australie ; mesures brutes de confiance au niveau des caractères sur plus de 30 titres de journaux historiques, 1803–1954. Fournit la plage de numérisations dégradées de 71–98,02 %, l'échelle bon/moyen/mauvais de 98–99 %/90–98 %/<90 %, et le benchmark CER « bon » de 1–2 %.
2. Hebert, J. et al. — « OCR with Tesseract, Amazon Textract, and Google Document AI: a benchmarking experiment », Journal of Computational Social Science (2021). Évalué par les pairs ; n=322 numérisations de livres en anglais + n=100 numérisations d'articles en arabe × 43 types de bruit = 18 568 documents, 51 304 requêtes. Fournit la baisse de précision au niveau des mots du propre au bruité (~96 %→82,5 %→58,4 %), l'écart anglais vs arabe, et les comparaisons serveur vs open source.
3. Rice, S.V., Jenkins, F.R. & Nartker, T.A. — « The Fourth Annual Test of OCR Accuracy », UNLV ISRI (1995). Évaluation indépendante annuelle de l'OCR commercial sur un échantillon DOE de 460 pages + un échantillon de magazine de 200 pages. Fournit la progression de la précision au niveau des caractères de 1992 à 1995 (~94 %→98 %+) qui ancre le plafond du texte propre.
4. NIST IR 6101 — « Impact of image quality on machine print optical character recognition » (1998). Évaluation par l'Institut national des normes et de la technologie des États-Unis de trois produits OCR commerciaux sur des pages du Federal Register. Fournit la contrainte « un taux d'erreur de 1 % exige des originaux propres au format fixe ».
5. Comité européen de la protection des données — « AI Possible Risks & Mitigations: OCR » (2024). Orientations techniques de l'organisme de réglementation de l'UE. Fournit la plage courante de 95–99 % pour les documents imprimés et le niveau de garantie de production de 98–99 %.
6. US Government Publishing Office — livre blanc « Optimizing OCR Accuracy on Older Documents ». Tests officiels des modes de numérisation et des améliorations sur des documents anciens/décolorés par rapport à l'exigence de précision de 99 % du GPO. Fournit le résultat RVB 99 % vs bitonal ~77 % et le résultat de sous-échantillonnage de 300→200 DPI.
7. « Optical Character Recognition Accuracy on Degraded Documents », IJSAT (2026). Évalué par les pairs ; EasyOCR sur quatre conditions physiques à 300 DPI. Fournit l'échelle de précision 94,7 % normal / 86,9 % froissé / 80,9 % sale / 72,7 % mouillé.
8. AIMultiple — « OCR Benchmark: Text Extraction / Capture Accuracy » (2026). Benchmark d'analyste neutre vis-à-vis des fournisseurs utilisant la similarité cosinus Sentence-BERT ; 12+ solutions. Fournit la bande d'écriture manuscrite de 46–95 % et les leaders par solution (GPT-5 95 %, olmOCR-2-7B 94 %, Gemini 2.5 Pro 93 %).
9. AIMultiple — « Invoice OCR Benchmark: Extraction Accuracy of LLMs vs OCRs » (2026). Benchmark neutre vis-à-vis des fournisseurs, 400+ paires clé-valeur provenant de 20 factures publiquement disponibles. Fournit le constat de baisse de précision entre documents de faible et de haute qualité.
10. Gao, L. et al. — « ICDAR 2019 Competition on Table Detection and Recognition (cTDaR) », ICDAR (2019). Compétition académique, 11 équipes, jeux de données modernes et d'archives avec des tableaux dessinés à la main et manuscrits. Fournit le plancher de détection de tableaux de la piste archives, wF1 0,49 (0,53 pour les modèles ultérieurs).
11. OpenCodePapers — « Table Recognition on PubTabNet », classement (2024). Agrégateur de benchmarks techniques qui suit les résultats TEDS publiés sur le corpus PubTabNet. Fournit le plafond TEDS : MuTabNet 0,9687 (2024), TableMaster 0,9676, SLANet 0,963.
12. « Tabular context-aware OCR and tabular data reconstruction for historical records » (2025). Évalué par les pairs ; TrOCR-ctx sur PubTabNet, SROIE, CORD et des corpus historiques. Fournit les scores de structure de tableaux TEDS 0,909 (PubTabNet), 0,967 (SROIE), 0,986 (CORD).
13. « Enhancing handwritten text recognition accuracy with gated mechanisms » (2024). Évalué par les pairs ; GatedLexiconNet sur IAM, RIMES, READ-2016. Fournit les chiffres de pointe en écriture manuscrite : WER 5,73 %/CER 2,27 % sur IAM et CER 0,9 % sur RIMES.
14. « Benchmarking Large Language Models for Handwritten Text Recognition » (2025, Journal of Documentation). Évalué par les pairs ; LLM propriétaires et open source vs Transkribus sur 7 corpus. Fournit GPT-4o-mini IAM 1,71 % CER/3,34 % WER, GPT-4o RIMES 1,69 % CER/3,66 % WER, et le cadre de qualité CER moderne <5 %.
15. BusinessWareTech — « AWS Textract vs Google, Azure, and GPT-4o : Invoice Extraction Benchmark » (2025). Benchmark indépendant sur de vraies factures ; note C (jeu de test unique, méthode transparente). Fournit une précision au niveau des champs de 78 à 98 % selon le moteur et une détection des lignes de détail de 40 à 82 % selon le moteur.
16. IntuitionLabs — « Pharma Document AI & OCR Accuracy : A Benchmark Report » (2025-04). Recherche industrielle résumant un benchmark de documents mixtes ; note C. Fournit le constat de précision >99,2 % de tous les moteurs sur du texte dactylographié simple et la précision globale d'environ 98 % de Google Cloud Vision.
17. ABBYY FineReader (revendication du fournisseur). Chiffre auto-déclaré de note D, utilisé uniquement comme borne supérieure du texte propre et identifié comme tel. « Jusqu'à 99,8 % de précision sur des numérisations propres » ; documente également la revendication d'amélioration pour les fax et les faibles résolutions.
18. LlamaIndex — « What is OCR Accuracy Rate ? », glossaire (2026). Glossaire de référence avec tableau des facteurs d'impact. Fournit l'échelle DPI (72 vs 300 vs 600 DPI) et la recommandation d'un minimum de 300 DPI utilisée dans le tableau DPI.
19. Université de Pittsburgh — « Best Practices : OCR », guide de bibliothèque. Recommandations universitaires pour la numérisation. Fournit la norme de 300 DPI et la recommandation de 400 à 600 DPI pour les polices <10 pt.
20. Cassidy, S. — « L'impact de la qualité OCR sur l'utilisation de textes historiques numérisés » (Université Macquarie). Étude évaluée par les pairs sur la correction post-OCR de journaux historiques. Fournit l'effet de correction de précision au niveau des mots de 81,7 % → 97,6 %.

Limites

• Couverture géographique : Les sources se concentrent en Amérique du Nord, dans l'UE, en Australie et (pour l'écriture manuscrite) sur des corpus européens. Aucune donnée primaire fiable n'a été trouvée pour l'Amérique latine ou l'Afrique ; les comparaisons CJK/devanagari sont absentes de la littérature évaluée par les pairs que nous avons localisée.
• Contraintes méthodologiques : Les fournisseurs cloud (Google, Azure, Amazon) ne publient aucun benchmark de précision transparent sur le plan méthodologique par type de document — leurs chiffres « 99 %+ » relèvent du marketing, pas de la mesure, et sont exclus ici sauf lorsqu'une étude indépendante les a mesurés. Plusieurs chiffres clés reposent sur des points de données issus d'une seule étude (précision au niveau des champs de BusinessWareTech ; dégradation IJSAT) et sont étiquetés avec leur grade. Le 99,8 % d'ABBYY est une revendication fournisseur utilisée uniquement comme borne supérieure corroborée.
• Lacunes temporelles : Les données UNLV ISRI (1995) et NIST (1998) ont plus de 27 ans mais restent les seuls enregistrements longitudinaux publics du plafond de précision sur texte propre ; elles sont datées par année et utilisées pour le contexte historique. Le plancher de numérisation dégradée de Holley (2009) est le chiffre brut publié le plus récent disponible pour les journaux historiques — les moteurs modernes obtiennent de meilleurs scores sur ces documents (Hebert et al. 2021), c'est pourquoi le tableau montre les deux.
• Ce que nous n'avons pas pu trouver : (1) aucun benchmark public fiable pour la reconnaissance des cases à cocher/reconnaissance de marques dans l'OCR IA moderne — la littérature relève de l'OMR hérité ; (2) la précision de reconnaissance des signatures — les fournisseurs rapportent la détection, pas la précision de reconnaissance ; (3) une étude contrôlée évaluée par les pairs isolant le DPI tout en maintenant les autres facteurs constants ; (4) des benchmarks standardisés pour l'OCR de captures d'écran ; (5) des documents à mise en page mixte (texte + tableaux + images sur une seule page) au-delà des chiffres de lignes de détail, qui sont le seul proxy publié. Ces absences de données sont déclarées plutôt que comblées par des chiffres fournisseur invérifiables.

Références connexes : Taux d'erreur de saisie manuelle : 1 à 4 % par type, secteur et rôle · Qu'est-ce que la reconnaissance optique de caractères (OCR) ?

Lectures complémentaires : Comment améliorer la précision OCR : 10 conseils pratiques · Quelle est la précision réelle de l'extraction de documents par IA ? · ABBYY FineReader vs OCR IA moderne