Numériser une facture en arabe, un contrat en thaï ou un rapport réglementaire en polonais sans jamais envoyer le fichier vers un serveur à San Francisco : c'est exactement la promesse que Mistral met sur la table avec OCR 4, sorti le 23 juin 2026. Derrière la performance technique se dessine une cible commerciale précise — les banques, assureurs, administrations et cabinets juridiques soumis à des contraintes de localisation des données que les API d'OpenAI ou de Google ne peuvent tout simplement pas satisfaire.
Ce que fait OCR 4, concrètement
Le modèle traite des documents dans 170 langues, réparties en dix groupes linguistiques. Il retourne non seulement le texte extrait, mais aussi des bounding boxes au niveau paragraphe et des scores de confiance intégrés — ce qui permet à une application métier de détecter immédiatement les zones où la reconnaissance est incertaine, sans passe supplémentaire. Sur l'OlmOCRBench, le benchmark public de référence pour l'extraction documentaire, OCR 4 affiche un score de 85,20, que Mistral revendique comme le meilleur résultat public à date.
Le tarif API est fixé à 4 dollars pour 1 000 pages, ce qui le place dans une fourchette compétitive pour un usage à grande échelle. Le modèle est accessible via l'API Mistral directement, mais aussi sur Amazon SageMaker et Microsoft Azure AI Foundry — deux places de marché où les équipes IT d'entreprise ont déjà leurs workflows d'achat et de conformité.
L'argument souveraineté, pierre angulaire du positionnement
Ce qui distingue OCR 4 de ses concurrents directs, ce n'est pas tant le score de benchmark que la possibilité de le faire tourner dans un conteneur unique, entièrement on-premises. Une institution financière française soumise au RGPD ou aux exigences DORA, un hôpital qui traite des dossiers médicaux, une administration qui gère des documents classifiés : tous ces acteurs peuvent déployer OCR 4 dans leur propre infrastructure sans qu'aucune donnée ne sorte de leur périmètre réseau.
C'est un terrain sur lequel les acteurs américains comme Google Document AI ou Amazon Textract jouent en position délicate. Leurs offres cloud publiques sont performantes, mais elles impliquent un transfert de données vers des serveurs sous juridiction américaine — ce que le Cloud Act rend juridiquement problématique pour certains secteurs européens. Mistral, société française dont les modèles peuvent être hébergés en Europe ou chez le client, joue sur ce différentiel depuis ses débuts. OCR 4 en est l'expression la plus directe sur le segment documentaire.
La couverture des 170 langues renforce cet argument à l'international. Les entreprises opérant en Asie du Sud-Est, en Afrique ou au Moyen-Orient trouvent rarement des solutions OCR capables de traiter leurs alphabets locaux avec une fiabilité industrielle, a fortiori déployables dans un cloud souverain régional.
Un marché en pleine consolidation
L'extraction documentaire intelligente est un secteur qui pèse plusieurs milliards de dollars et qui se transforme rapidement sous l'effet des grands modèles multimodaux. Des acteurs comme Reducto, Docugami ou encore les offres intégrées d'AWS et d'Azure grignotent des parts de marché à coups d'API. Dans ce contexte, Mistral choisit de ne pas jouer uniquement sur la performance brute, mais sur la combinaison performance et déployabilité souveraine — une niche qui correspond précisément aux secteurs les plus réglementés et, souvent, aux contrats les plus lucratifs.
La disponibilité sur SageMaker et Azure Foundry n'est pas anecdotique : elle signifie qu'OCR 4 peut être intégré dans des pipelines existants sans friction, tout en laissant aux clients sensibles l'option de basculer vers un déploiement privé complet. Cette flexibilité de mode de déploiement est probablement aussi importante que le score de benchmark pour convaincre les décideurs IT des grandes organisations.
La documentation complète et les détails tarifaires sont disponibles sur docs.mistral.ai. Reste à voir si Mistral publiera des résultats tiers validant le score OlmOCRBench revendiqué — sur ce type de claim, la communauté ML est généralement prompte à vérifier.
