Numériser un contrat, une facture ou un rapport scientifique paraît trivial. Le faire sans envoyer la moindre ligne de texte sur les serveurs d'un fournisseur américain, c'est une autre histoire. Mistral vient de poser sa pièce sur cet échiquier avec OCR 4, un modèle d'intelligence documentaire pensé pour tourner entièrement sur l'infrastructure du client.
L'idée centrale tient en une phrase : les données sensibles ne bougent pas. Là où la plupart des solutions d'extraction documentaire passent par un appel API vers un cloud distant, OCR 4 se déploie dans un conteneur unique, directement chez l'utilisateur. Pour une banque, un cabinet juridique ou une administration, la nuance n'a rien de cosmétique. Elle conditionne souvent la possibilité même d'utiliser l'outil.
Bien plus qu'un scanner de texte
OCR 4 ne se contente pas de transformer une image en chaîne de caractères. Le modèle restitue le texte extrait accompagné de bounding boxes — ces cadres qui localisent chaque élément sur la page — et d'une classification typée des blocs. Concrètement, il sait distinguer un titre d'un tableau, repérer une équation, identifier une signature. Chaque sortie est assortie de scores de confiance inline, ce qui permet à une chaîne de traitement automatisée de savoir où elle marche sur des œufs.
Cette granularité change la donne pour qui veut construire des pipelines documentaires fiables. Un document mal scanné, une table imbriquée, une formule mathématique : autant de pièges classiques pour les systèmes OCR. Disposer d'un score de confiance par bloc évite de propager une erreur silencieuse dans une base de connaissances ou un système de recherche.
Côté couverture linguistique, Mistral annonce 170 langues, un argument qui compte pour des organisations multinationales ou des institutions européennes jonglant avec des corpus multilingues.
Des chiffres qui placent la barre
Les performances avancées par Mistral ne sont pas anodines. Selon l'entreprise, des annotateurs indépendants préfèrent OCR 4 aux autres systèmes testés, avec un taux de victoire moyen de 72 %. Sur OlmOCRBench, un banc d'essai dédié à l'extraction documentaire, le modèle décroche le meilleur score global avec 85,20.
Ces évaluations comparatives, menées par des tiers, valent mieux qu'une autoproclamation. Reste qu'elles émanent d'un communiqué maison : il faudra voir comment OCR 4 se comporte sur des documents réels, abîmés, biscornus, loin des jeux de tests bien calibrés. Mais l'ordre de grandeur situe clairement le modèle dans le haut du panier.
Garder le contrôle des données n'est plus un confort, c'est une condition d'entrée pour des secteurs entiers.
La souveraineté comme produit
L'angle de Mistral est limpide. Pendant que les laboratoires américains composent avec des contraintes réglementaires croissantes — et que les entreprises européennes hésitent à confier leurs documents les plus sensibles à des clouds soumis à des juridictions étrangères —, la start-up parisienne fait de l'auto-hébergement un argument commercial à part entière.
OCR 4 s'intègre au Mistral Search Toolkit, une boîte à outils open-source pensée pour brancher l'extraction documentaire sur des cas d'usage concrets : recherche interne, indexation de masse, alimentation de systèmes de questions-réponses. L'enjeu n'est pas seulement de lire un document, mais d'en faire quelque chose au sein d'une organisation.
Ce positionnement prolonge la stratégie de Mistral, qui mise depuis ses débuts sur l'ouverture et le déploiement local comme contrepoids au modèle fermé des géants. Dans l'extraction documentaire, le terrain est particulièrement favorable : les documents traités sont souvent ce qu'une entreprise possède de plus confidentiel — données clients, dossiers RH, pièces contractuelles, informations médicales.
La promesse d'un modèle qui tourne dans un seul conteneur a aussi un mérite pratique. Pas d'orchestration complexe, pas de dépendance à une connexion permanente vers un fournisseur externe. Pour les équipes techniques, c'est une friction de moins, et un argument de plus face aux services de conformité.
Reste la question du déploiement à grande échelle. Un OCR performant exige des ressources, et l'auto-hébergement transfère le coût d'infrastructure du fournisseur vers le client. Mistral n'a pas détaillé les exigences matérielles précises ni la tarification des licences. C'est sur ce terrain — le rapport entre performance, coût de fonctionnement et facilité d'intégration — que se jouera l'adoption réelle, bien au-delà des scores de benchmark.
L'extraction documentaire est un marché discret mais énorme, irriguant la facturation, l'archivage légal, l'automatisation administrative. En y plantant son drapeau avec un modèle souverain et ouvert, Mistral ne vise pas la vitrine grand public. Elle vise les directions informatiques qui, jusqu'ici, renonçaient à l'OCR moderne faute de pouvoir garder leurs données à la maison. Reste à voir combien franchiront le pas.
