Le vieux registre d’état civil s’affiche à l’écran, son encre pâlie et ses pleins et déliés penchés. En moins d’une seconde, l’intelligence artificielle en déchiffre chaque mot, malgré les ratures, le papier jauni et l’écriture serrée du XIXe siècle. Mistral AI a dévoilé le 23 juin 2026 la quatrième version de son modèle de reconnaissance optique de caractères, Mistral OCR 4, qui promet de faire entrer des millions de documents manuscrits et multilingues dans un usage numérique enfin exploitable.
À retenir
- Mistral OCR 4 est le premier grand modèle à déchiffrer efficacement des écritures manuscrites complexes, au-delà du simple texte imprimé.
- Il prend en charge 170 langues, incluant des langues indiennes et des dialectes rares.
- Au lieu de simplement extraire du texte, l’IA comprend la structure du document : titres, tableaux, signatures et leur emplacement.
- L’outil obtient un score de 93,07 sur le benchmark OmniDocBench, surpassant les standards actuels.
- Un mode local est proposé pour répondre aux exigences de souveraineté et de conformité au RGPD.
Ce lancement n’est pas une simple mise à jour logicielle. Il s’inscrit dans la course à la numérisation des archives publiques et des fonds documentaires privés, où la performance technique compte autant que la souveraineté numérique. Pour les administrations, les hôpitaux et les études notariales qui croulent sous les dossiers papier, Mistral OCR 4 peut transformer des entrepôts de cartons en bases de données interrogeables.
Déchiffrer l’indéchiffrable : la fin de l’angle mort du manuscrit
Un saut technique validé par des tests exigeants
Jusqu’ici, la reconnaissance optique se heurtait à un mur : l’écriture manuscrite. Là où un texte imprimé standard est lu avec une fiabilité supérieure à 99 %, un simple courrier manuscrit fait chuter la performance de la plupart des logiciels. Mistral AI a entraîné son nouveau modèle pour comprendre les liaisons entre les lettres, les variations de pression d’encre et les mises en page irrégulières. Les résultats sur des tests indépendants sont nets. Sur le benchmark OmniDocBench, qui teste la compréhension de documents complexes, le modèle atteint un score de 93,07. Sur OlmOCRBench, il obtient 85,20, ce qui le place en tête des solutions disponibles.
Lors d’un test à l’aveugle mené sur plus de 600 documents, des annotateurs humains ont préféré la sortie de Mistral OCR 4 à celle de ses concurrents dans 72 % des cas. La différence se joue sur des détails qui bloquent souvent les chaînes de traitement : un chiffre mal formé dans un tableau comptable, une note de bas de page en pattes de mouche, une signature qui mord sur le texte d’un contrat.
170 langues, un atlas linguistique pour les institutions
La couverture linguistique est l’autre pilier de cette version. Mistral OCR 4 ne se contente pas des langues majoritaires. Il reconnaît désormais 170 langues réparties en 10 groupes linguistiques. On y trouve des langues indiennes majeures comme le Hindi, le Telugu, le Tamoul, le Malayalam, le Kannada, le Gujarati et le Bengali. Cette diversité répond à des besoins très concrets des institutions européennes, des ONG et des entreprises qui travaillent sur des archives coloniales, des dossiers d’immigration ou de la documentation commerciale internationale. Les langues dites « à faibles ressources », souvent ignorées par les géants américains de la Tech, trouvent ici un outil de préservation et d’accès.
Nous ne voulions pas seulement lire plus de langues, mais les lire correctement, avec le respect des diacritiques et des ligatures qui changent le sens d’un mot.
a déclaré un ingénieur de l’équipe Mistral lors de la présentation technique.
Au-delà du texte brut : une architecture pensée pour l’IA d’entreprise
Des « bounding boxes » pour une précision chirurgicale
L’innovation majeure de Mistral OCR 4 ne réside pas seulement dans ce qu’il lit, mais dans la manière dont il structure l’information. Le modèle génère des « bounding boxes », des cadres de sélection qui localisent avec une grande précision chaque élément sur la page. Un tableau n’est pas extrait comme un bloc de texte informe ; il est découpé en lignes et en colonnes, chaque cellule étant repérée. De même, une signature est identifiée et isolée d’un paragraphe. Cette classification par blocs va jusqu’à différencier les équations, les images, les en-têtes et les pieds de page.
Cette précision spatiale est utile pour les systèmes de RAG (Retrieval-Augmented Generation). Dans un usage professionnel, lorsqu’un employé interroge une base documentaire, le système peut renvoyer la réponse et un extrait cliquable qui pointe directement vers le paragraphe source, avec un score de confiance au niveau du mot. Ce score permet de fixer des seuils de validation automatique : en dessous de 95 % de confiance, le document est redirigé vers un opérateur humain pour vérification.
Une vitesse de traitement industrielle pour l’administration
La dématérialisation de fonds d’archives ne tolère pas la lenteur. Mistral OCR 4 affiche une capacité de traitement allant jusqu’à 2 000 pages/minute sur un seul processeur graphique (GPU). Cette cadence change l’échelle des projets de numérisation, qu’il s’agisse des registres d’état civil, des minutes de notaires ou des dossiers médicaux. Elle permet d’envisager le traitement de plusieurs millions de pages en quelques jours, là où les anciennes méthodes prenaient des mois.
Le contrepoint : un coût à la page qui augmente
Cette montée en gamme s’accompagne d’une évolution tarifaire. Le prix de l’API standard est fixé à 4 dollars pour 1 000 pages, soit environ 3,40 euros. L’option Document AI, qui renvoie des métadonnées enrichies, est facturée 5 dollars les 1 000 pages. Une API Batch, permettant de traiter des volumes asynchrones, fait descendre le tarif à 2 dollars. Si le coût unitaire est plus élevé que celui de la version précédente, Mistral répond que la meilleure qualité réduit fortement les heures de correction et de nettoyage manuel des données, qui restent le vrai gouffre financier des projets de numérisation.
La souveraineté compte aussi dans le modèle de déploiement. Pour les acteurs qui manipulent des données sensibles, Mistral AI propose un mode auto-hébergé, via un conteneur déployable sur Microsoft Foundry, Amazon SageMaker ou sur une infrastructure privée. Cette option permet de traiter des documents sans qu’aucune donnée ne quitte le périmètre de sécurité de l’organisation, un impératif pour rester en conformité avec le RGPD et le cadre juridique européen. Un registre de naissance de 1905 numérisé par une mairie française peut ainsi rester strictement sur le sol national, tout en devenant une ressource interrogeable.
Les archives publiques représentent encore une immense masse de savoir inerte. Avec une IA capable de les lire et de les structurer avec cette finesse, elles deviennent enfin exploitables. Reste à voir si les administrations s’en serviront pour numériser vraiment leurs fonds, ou si l’outil restera un gadget de plus sur la pile.
Laisser un commentaire
Vous devez vous connecter pour publier un commentaire.