Aller au contenu
IA9 min

Lire des documents avec l'IA : de la pièce d'identité et du relevé bancaire au dossier, sans saisie manuelle

Par · cofondateur et Chief Executive Officer de Hábil ·

Automatiser la saisie de documents avec l'IA pour lire pièces d'identité, justificatifs et relevés : confiance par champ, revue et contrôle.

En 1 minute

Aujourd'hui, une IA peut lire une pièce d'identité, un justificatif de domicile ou un relevé bancaire et en placer les données dans le système sans que personne ne les tape. C'est la partie facile. Ce qui sépare une saisie fiable d'une saisie qui crée des problèmes, c'est ce qui se passe après la lecture : comparer chaque donnée à une autre source, signaler ce qui n'a pas été bien lu et l'envoyer à une personne, au lieu de combler le vide avec quelque chose qui a l'air juste. Cet article explique comment l'exiger de tout projet de saisie avec l'IA.

Imaginez une entreprise qui ouvre chaque semaine des centaines de dossiers de nouveaux clients. Elle est fictive, mais elle ressemble à beaucoup d'autres. Chaque dossier comporte une pièce d'identité, un justificatif de domicile et un relevé bancaire, et dans cet exemple ils arrivent sous forme de photos prises au téléphone : certaines de travers, avec des reflets ou coupées. Une équipe de quatre personnes les ouvre un par un et recopie les données dans le système.

La direction assiste à une démo : l'IA lit une pièce d'identité d'exemple et remplit les données visibles : nom, adresse et date de naissance. Quelqu'un pose la question naturelle : « alors, nous n'avons plus besoin de saisie ? ».

La réponse courte, c'est que la saisie cesse d'être le travail, mais le travail ne disparaît pas : il se déplace. Cet article s'adresse à celui ou celle qui va approuver un projet de ce type. Il défend une idée : lire est la partie facile ; ce qui demande du travail, c'est comparer, signaler ce qui est douteux et ne pas combler les vides en silence, avec une personne qui approuve ce qui engage de l'argent.

Pourquoi lire n'est pas la même chose que bien saisir

Une personne qui saisit un document fait trois choses à la fois, sans y penser : elle lit, elle remarque quand quelque chose n'est pas clair et elle demande avant d'inventer. Une IA fait très bien la première. Les deux autres doivent être conçues.

Il y a deux façons de se tromper. Dans la reconnaissance de caractères, la plus simple : un chiffre mal reconnu ou une donnée manquante. Et quand le flux utilise l'IA générative pour interpréter ou compléter le document, une plus délicate : le profil d'IA générative du NIST, l'institut des normes des États-Unis, appelle confabulation la production de contenu faux ou erroné affirmé avec assurance, ce qu'on appelle familièrement des « hallucinations » [1]. Dans un document, cela ressemble à ceci : le dernier chiffre d'un numéro de compte est flou sur la photo et, au lieu de le laisser vide, le système en met un. Le dossier a l'air complet. L'erreur apparaît des semaines plus tard, quand un virement est rejeté. Dans les deux cas, la règle est la même : ne rien compléter en silence et envoyer l'exception en revue.

C'est pourquoi la question utile devant une démo n'est pas « le lit-elle bien ? », mais « que fait-elle quand elle ne le lit pas bien ? ».

Ce qu'on demande à un projet de saisie avec l'IA

1. Que chaque donnée indique son degré de certitude

Plusieurs services de lecture de documents des grands fournisseurs de cloud renvoient un score de confiance pour certaines prédictions, comme un mot ou un champ extrait : la probabilité qu'il ait été bien lu. La documentation de Microsoft indique que, là où l'exactitude est critique, cette confiance sert à décider si la donnée est acceptée automatiquement ou signalée pour une revue humaine, et précise que tous les champs n'en renvoient pas [2]. Celle d'Amazon recommande de fixer un seuil minimal et, en dessous, d'écarter le résultat ou de le signaler pour un examen humain plus attentif [3].

Avant de concevoir le flux, il convient de vérifier quels scores le fournisseur renvoie pour vos documents. Sur cette base, le projet doit pouvoir dire, champ par champ, quelle confiance il exige avant d'accepter seule une donnée, et elle n'a pas à être la même partout : le numéro de compte en demande plus que le quartier. Et une chose encore : ce score mesure la lecture, pas l'authenticité du document, sa validité ou sa concordance avec une autre source. Cela se vérifie à part.

2. Qu'il compare avant d'accepter

Bien lire ne prouve pas que la donnée soit vraie ni que le document appartienne à celui qui le présente. Une pièce d'identité bien lue peut être périmée ; une adresse bien lue peut ne pas correspondre à celle du justificatif. Les lignes directrices du NIST sur la vérification d'identité séparent des contrôles distincts : confirmer que le document est authentique et véritable, confirmer que les données qu'il porte sont correctes et, quand le processus l'exige, confirmer que la personne qui le présente en est le titulaire [4]. Chaque contrôle répond à une question différente.

Dans un dossier, recouper, c'est poser des questions comme celles-ci :

  • Le nom de la pièce d'identité est-il le même que celui du relevé bancaire ?
  • L'adresse du justificatif correspond-elle à celle que le client a donnée ?
  • La date du justificatif est-elle dans le délai qu'exige votre politique ?
  • Les données de la pièce d'identité concordent-elles avec ce que dit la source officielle que consulte votre processus ?

Chaque réponse qui ne concorde pas est une exception, pas une erreur que quelqu'un corrige en douce.

3. Qu'un vide reste un vide

Si une donnée n'a pas été lue, le système doit la laisser vide et dire pourquoi : « illisible », « coupée », « absente du document ». La remplir avec la valeur la plus probable fait gagner une minute aujourd'hui et coûte une clarification demain. Cette règle mérite d'être écrite dans le contrat du projet, pas laissée à l'appréciation de qui que ce soit.

4. Qu'une personne ne voie que ce qui compte

Le but n'est pas que personne ne regarde les dossiers. C'est que l'équipe cesse de recopier et se consacre à ce qui demande du jugement : ce qui n'a pas concordé, ce qui a été lu avec une faible confiance et ce qui est resté vide. Si une IA lit bien la plupart des documents, cette équipe ne passe plus la journée à taper, mais à résoudre les cas douteux.

Et ce qui engage de l'argent — ouvrir une ligne de crédit, débloquer un paiement, changer un compte de versement — est approuvé par une personne, même si toutes les données ont concordé.

5. Qu'il reste un registre de revue

Pour chaque donnée du dossier, il devrait être possible de voir de quel document elle vient, avec quelle confiance elle a été lue, à quoi elle a été comparée et qui l'a approuvée si elle est passée en revue. Sans cette trace, quand une donnée se révèle fausse, impossible de savoir si c'est la photo, la lecture, la règle ou la personne qui a failli.

Les données personnelles ne sont pas un détail

Une pièce d'identité et un relevé bancaire contiennent des données personnelles, et le relevé, en plus, des données financières. La loi fédérale mexicaine sur la protection des données personnelles détenues par les particuliers, publiée au Journal officiel le 20 mars 2025, demande au responsable de respecter, entre autres, les principes de finalité et de proportionnalité, et dispose que les données financières ou patrimoniales exigent le consentement exprès de leur titulaire, sauf les exceptions que prévoit la loi elle-même [5]. Quelle notice, quel consentement et quels contrôles s'appliquent à votre processus, c'est votre service juridique qui le confirme avant la mise en service ; cet article ne le remplace pas.

Pour un projet de saisie, cela mène à des questions auxquelles votre service juridique, la sécurité et l'exploitation doivent pouvoir répondre :

  • À quoi sert chaque donnée extraite, et tout ce qui est extrait est-il nécessaire ?
  • Où les documents sont-ils traités, et qui peut les voir ?
  • Combien de temps les images sont-elles conservées après la saisie ?

Parmi les contrôles de conception à évaluer figure le masquage des données personnelles dans les journaux techniques et sur les écrans de ceux qui n'en ont pas besoin. Un exemple, avec des données fictives : sur l'écran de revue, l'équipe voit « Ana Ejemplo Prueba » et « CURP (clé du registre de la population) : [donnée fictive masquée] » ; la clé complète n'est visible que par la personne qui en a besoin pour approuver.

Avant de l'ouvrir à tous

Testez la saisie sur un échantillon de dossiers récents. Examinez à part les champs les plus risqués — identité, compte et adresse — et comptez trois choses : combien de dossiers sont passés sans intervention, combien sont allés en revue et pourquoi, et combien de données acceptées sans revue ont dû être corrigées ensuite. Ce dernier chiffre n'apparaît pas dans une démo : on ne le connaît qu'en revoyant à la main une partie de ce que le système a accepté seul. La méthode complète pour fixer la référence, l'échantillon et le critère de généralisation se trouve dans Le pilote d'IA a brillé en démo.

Votre premier diagnostic de dossiers

Prenez cinquante dossiers récents et notez pour chacun quelle donnée manquait ou ne concordait pas, quel champ a demandé une revue et combien de temps la personne a mis à le résoudre. Vous avez ainsi la référence pour mesurer toute proposition et la liste des règles d'exception par lesquelles il vaut la peine de commencer.

Et avant de signer, posez deux questions au fournisseur : que fait le système quand il ne peut pas lire une donnée — la laisser vide ou la remplir — et à quoi compare-t-il chaque donnée avant de l'accepter ?

Ce que fait Hábil

Chez Hábil, nous construisons sur mesure l'IA qui travaille avec les données et les règles de vos systèmes.

Si votre équipe passe des heures à recopier dans vos systèmes les données des pièces d'identité, justificatifs de domicile, relevés bancaires et factures, la proposition se trouve dans Hábil AI : la saisie automatisée, où l'IA extrait les données et votre équipe ne traite que les exceptions. Si l'ouverture concerne des clients qui ouvrent leur compte depuis leur téléphone, nous vérifions qu'il s'agit d'une personne réelle devant la caméra, nous comparons son visage à sa pièce d'identité et nous validons ses données auprès de l'INE (institut électoral national) et du RENAPO (registre national de la population) ; les cas douteux passent à une personne de votre équipe. Ce qui engage de l'argent ou des données est exécuté avec l'approbation d'une personne.

La conversation peut commencer avec votre décompte des cinquante dossiers, même à moitié fait. Ensemble, nous voyons où passe le temps et par où il convient de commencer.

Écrivez-nous sur WhatsApp ; pour protéger vos informations, ne partagez pas par ce canal de documents ni de données sur vos clients. Dans la conversation, nous conviendrons du canal adapté au cas.

Demandez votre première conversation, sans frais.

Consultées le 18 novembre 2026. Chaque référence porte son niveau de confiance : élevé (source primaire lue).

Références

  1. NIST, « Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile » (NIST AI 600-1, juillet 2024), risque 2.2 : « Confabulation: The production of confidently stated but erroneous or false content (known colloquially as "hallucinations" or "fabrications") by which users may be misled or deceived ». D'usage volontaire. Ouverte en direct le 18-nov-2026. Confiance : élevée. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
  2. Microsoft Learn, Azure AI Document Intelligence, « Interpret and improve model accuracy and confidence scores » : « A confidence score indicates probability by measuring the degree of statistical certainty that the extracted result is detected correctly », « For scenarios where accuracy is critical, confidence can be used to determine whether to automatically accept the prediction or flag it for human review » et « Currently, not all document fields return a confidence score ». Documentation d'un fournisseur, citée comme pratique. Ouverte en direct le 18-nov-2026. Confiance : élevée. https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept/accuracy-confidence?view=doc-intel-4.0.0
  3. Amazon Web Services, Amazon Textract Developer Guide, « Best Practices » : « In applications that are sensitive to detection errors (false positives), enforce a minimum confidence score threshold. The application should discard results below that threshold or flag situations as requiring a higher level of human scrutiny ». Documentation d'un fournisseur, citée comme pratique. Ouverte en direct le 18-nov-2026. Confiance : élevée. https://docs.aws.amazon.com/textract/latest/dg/textract-best-practices.html
  4. NIST, « Digital Identity Guidelines: Identity Proofing and Enrollment » (SP 800-63A, révision 4), parmi les étapes de la vérification d'identité : « Evidence validation: Confirm that supplied identity evidence is genuine, authentic, and accurate », « Attribute validation: Confirm the accuracy of the core attributes » et « Identity verification: Confirm that the applicant is the genuine owner of the presented evidence and attributes ». Ouverte en direct le 18-nov-2026. Confiance : élevée. https://pages.nist.gov/800-63-4/sp800-63a.html
  5. Chambre des députés (Mexique), « Ley Federal de Protección de Datos Personales en Posesión de los Particulares », « Nueva Ley publicada en el Diario Oficial de la Federación el 20 de marzo de 2025 » ; dernière réforme publiée au Journal officiel le 14-11-2025. Article 5 : « El responsable deberá observar los principios de licitud, finalidad, lealtad, consentimiento, calidad, proporcionalidad, información y responsabilidad en el tratamiento de datos personales » ; article 7 : « Los datos financieros o patrimoniales requerirán el consentimiento expreso de la persona titular, salvo las excepciones a que se refieren los artículos 9 y 36 de la presente Ley » (les données financières ou patrimoniales exigent le consentement exprès de la personne concernée, sauf exceptions des articles 9 et 36). Ouverte en direct le 18-nov-2026. Confiance : élevée. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf