Mistral veut bousculer la gestion des documents avec son modèle OCR 4

Mistral lance OCR 4, un outil d'extraction documentaire taillé pour l'IA en entreprise

Mistral AI a lancé mardi OCR 4, sa quatrième génération de technologie de reconnaissance optique de caractères en à peine quinze mois. Ce modèle de traitement documentaire dépasse la simple extraction de texte brut : il retourne une représentation structurée complète de chaque document, avec des boîtes de délimitation précises pour chaque bloc, une classification par type de contenu (titre, tableau, équation, signature) et des scores de confiance mot par mot. Le modèle supporte 170 langues, accepte les formats PDF, DOC, PPT et OpenDocument, et peut être déployé en conteneur autonome sur l'infrastructure interne d'une organisation. Il est disponible immédiatement via l'API Mistral, Document AI dans Mistral Studio, Amazon SageMaker et Microsoft Foundry, avec une intégration Snowflake annoncée prochainement. La tarification débute à 4 dollars pour 1 000 pages, ramenée à 2 dollars via l'API batch. Lors d'évaluations humaines indépendantes, les annotateurs ont préféré les sorties d'OCR 4 dans 72 % des cas face aux solutions concurrentes. Le changement central d'OCR 4 est architectural. Plutôt que de produire un flux plat de texte extrait, le modèle génère une carte sémantique du document : chaque bloc est localisé, typé et scoré. Cette traçabilité répond à une friction majeure des équipes qui construisent des pipelines RAG (retrieval-augmented generation) ou des workflows de conformité, où la question "d'où vient ce chiffre, sur quelle page ?" exige une réponse auditable. La classification des blocs permet en outre d'orienter automatiquement un tableau vers un pipeline de données structurées, un titre vers un découpage sémantique, ou une signature vers un workflow de caviardage. Packager ces sorties directement dans le modèle OCR supprime une couche d'analyse de mise en page que les équipes devaient jusqu'ici construire et maintenir séparément. Les scores de confiance permettent quant à eux de router programmatiquement les extractions incertaines vers des relecteurs humains, sans qu'une personne n'ait à vérifier chaque page de chaque document. Ce lancement intervient dans un contexte particulièrement porteur pour Mistral. La startup française, dont la proposition de souveraineté numérique européenne n'a jamais été aussi commercialement pertinente, cible explicitement les entreprises des secteurs réglementés, finance, santé, juridique, qui ne peuvent pas faire transiter leurs documents sensibles par des API cloud sous juridiction américaine. La capacité de déploiement on-premise en conteneur unique est le principal levier de différenciation face à des acteurs comme Google Document AI ou AWS Textract. Pour les développeurs, l'enjeu est aussi économique : dans les systèmes de production, l'OCR n'est que la première étape d'un pipeline plus large, et la reconstruction manuelle de la structure documentaire consomme souvent plus de temps d'ingénierie que la logique IA en aval. OCR 4 vise à éliminer cette étape, et si le modèle tient ses promesses, les gains se mesurent autant en heures d'ingénierie économisées qu'en coût d'extraction.

Le traitement des documents médicaux par Guardoc avec les modèles Amazon Nova

Guardoc Health, une entreprise spécialisée dans le traitement des documents médicaux pour les établissements de soins de longue durée, a développé une solution basée sur la famille de modèles Amazon Nova, accessible via Amazon Bedrock, pour automatiser l'extraction et la classification des dossiers cliniques. Les maisons de retraite médicalisées et les résidences avec services traitent chaque jour des documents extrêmement hétérogènes : PDF de plusieurs pages avec annotations manuscrites de médecins, formulaires d'autorisation préalable où des cases à cocher déterminent la prise en charge par l'assurance, listes de médicaments présentées sous forme de tableaux, de texte libre ou d'images scannées, et formulaires d'admission mêlant champs tapés, écriture manuscrite et tampons. Guardoc traite plus d'un million de documents lors des journées de pointe. Le pipeline s'appuie d'abord sur Amazon Textract pour extraire le texte et les métadonnées structurelles de chaque page à faible coût, avant qu'une architecture de génération augmentée par récupération (RAG) ne s'appuie sur les modèles Nova pour identifier les conditions médicales en croisant les preuves directement issues du dossier du patient. Les résultats annoncés par Guardoc sont significatifs : une réduction de 46 % des erreurs de documentation, une baisse de 70 % des amendes liées aux audits de conformité, et un retour sur investissement annuel supérieur à 400 000 dollars pour un seul établissement. L'enjeu est de taille pour le secteur de la santé américain, qui dépense chaque année des centaines de millions de dollars en traitement manuel de documents. Une étude publiée dans BMJ Quality and Safety estime que les erreurs de diagnostic touchent environ 12 millions d'adultes américains chaque année en soins ambulatoires, les défaillances dans le traitement de l'information étant identifiées comme un facteur contributif. À l'échelle où opère Guardoc, même un taux d'erreur de 1 % dans la détection des conditions médicales génère des milliers de dossiers erronés par jour, chacun représentant un risque potentiel pour la sécurité des patients ou un motif de non-conformité réglementaire. Pour atteindre ce niveau de fiabilité, Guardoc a dû résoudre trois défis majeurs du traitement documentaire clinique : détecter les conditions médicales spéciales avec un haut rappel, interpréter de manière fiable les cases à cocher sur des dizaines de types de formulaires différents, et extraire avec précision les informations de documents combinant plusieurs formats sur une même page. Ce projet illustre une tendance plus large dans le secteur de la santé, où les établissements de soins cherchent à combiner extraction documentaire classique et modèles de langage pour réduire la charge cognitive des infirmières et des équipes soignantes, tout en répondant aux exigences croissantes de conformité réglementaire. L'adoption de modèles comme Amazon Nova dans ce contexte s'inscrit dans une compétition plus vaste entre fournisseurs cloud pour capter les cas d'usage cliniques à fort enjeu.

💬 Les chiffres sont costauds : 46% d'erreurs de documentation en moins, 400 000 dollars de retour sur investissement pour un seul établissement. Mais le vrai enseignement, c'est que Guardoc n'a pas tout misé sur Nova : Textract fait le sale boulot d'extraction en amont, et le LLM n'arrive qu'ensuite pour trancher les cas ambigus, cases à cocher et écriture de médecin comprises. Dans la santé, la fiabilité passe moins par un modèle miracle que par une architecture qui sait quand appeler quoi, et ça, aucun fournisseur cloud ne le met en avant sur ses slides.

Mistral OCR 4 apporte des sorties structurées prêtes à citer aux pipelines RAG, agents autonomes et recherche d'entreprise

Mistral AI a lancé le 24 juin 2026 OCR 4, la quatrième génération de son modèle de reconnaissance et de compréhension de documents. Contrairement à ses prédécesseurs qui se contentaient de convertir une page en texte brut, OCR 4 produit une représentation structurée de l'intégralité du document : chaque bloc de contenu est localisé par une boîte de délimitation précise, classifié par type (titre, tableau, équation, signature, etc.) et accompagné d'un score de confiance par mot et par page. Le modèle prend en charge 170 langues réparties en 10 groupes linguistiques, y compris les langues rares et peu dotées en ressources, et accepte les formats bureautiques courants comme PDF, DOC, PPT et OpenDocument. Il peut être déployé dans un seul conteneur pour les entreprises soumises à des contraintes de résidence des données ou de conformité réglementaire. La tarification est fixée à 4 dollars pour 1 000 pages, réduite à 2 dollars via l'API batch. Cette sortie change la donne pour les pipelines d'ingestion documentaire en entreprise. En fournissant non seulement ce que dit un document, mais aussi où se trouve chaque élément et à quel degré de certitude, OCR 4 facilite la génération augmentée par récupération (RAG) avec citations vérifiables, les flux agentiques capables d'agir sur des factures ou des contrats, et les processus de vérification humaine ciblée sur les zones à faible confiance. Les benchmarks indépendants sont convaincants : sur plus de 600 documents et 12 langues, des annotateurs humains ont préféré OCR 4 à tous les systèmes concurrents testés, avec un taux de victoire moyen de 72 %. Sur OlmOCRBench, le modèle obtient 85,20 points ; sur OmniDocBench, 93,07. Deux clients illustrent l'impact opérationnel : Rogo a mesuré une précision équivalente aux meilleurs parseurs agentiques du marché, pour un coût huit fois inférieur et une latence dix-sept fois plus faible ; Anaqua a constaté un traitement environ quatre fois plus rapide par page que son fournisseur précédent. OCR 4 s'inscrit dans une tendance de fond où les éditeurs de modèles cherchent à contrôler toute la chaîne de traitement documentaire, de l'ingestion brute jusqu'à la recherche sémantique. Mistral l'intègre dès aujourd'hui comme composant d'ingestion dans son Search Toolkit, un framework de recherche open source désormais en préversion publique, conçu pour alimenter des pipelines de récupération et d'évaluation avec des sorties structurées et prêtes pour la citation. La concurrence sur ce segment est vive : AWS Textract, Google Document AI et les parseurs agentiques spécialisés dominent l'espace entreprise depuis plusieurs années. Mistral parie que la combinaison prix-latence-multilingue, alliée à la possibilité de déploiement on-premise, lui ouvrira des marchés réglementés comme la finance, le droit et la santé, où les données ne peuvent pas quitter l'infrastructure interne.

« Évaluer les agents IA : un modèle de production avec Strands et AgentCore »

Motorway, une place de marché britannique de voitures d'occasion en ligne, organise chaque jour une enchère où jusqu'à 8 000 concessionnaires se disputent jusqu'à 2 500 véhicules. L'entreprise a collaboré avec l'équipe AWS Prototyping and AI Customer Engineering (PACE) pour développer un agent IA de recherche de stock destiné à ses concessionnaires, capable de remplacer des heures de filtrage manuel par de simples requêtes en langage naturel. Ensemble, elles ont construit un pipeline d'évaluation de bout en bout qui a fait chuter le taux de résultats erronés d'une requête sur huit à une sur cinquante, tout en réduisant le temps de détection des problèmes de plusieurs heures à quelques minutes seulement. L'agent repose sur le SDK Strands Agents combiné à Amazon Bedrock AgentCore, le service entièrement géré d'AWS pour déployer et exploiter des agents IA à grande échelle. Il expose huit outils associant un filtrage structuré sur plus de 89 attributs de véhicules à une recherche par similarité vectorielle, propulsée par la base LanceDB et les embeddings Amazon Titan Text Embeddings V2. Un concessionnaire peut désormais demander « des SUV diesel à moins de 25 000 livres près de mon site » ou « quelque chose de sportif et automatique pour une famille », plutôt que de parcourir des fichiers CSV et des filtres rigides pendant des heures. Le système absorbe environ 1 500 utilisateurs simultanés aux heures de pointe. Cette fiabilité n'est pas un détail cosmétique : de l'argent réel est en jeu à chaque enchère. Une erreur de sélection d'outil par l'agent renvoie de mauvais résultats et érode la confiance des concessionnaires ; une mauvaise interprétation sémantique fait remonter des annonces hors sujet ; une dérive du contexte au fil d'une conversation à plusieurs tours fait perdre les critères affinés par l'utilisateur ; et la nature non déterministe des réponses rend les tests à essai unique peu fiables. Une requête aussi banale que « voitures essence, hybrides et électriques de moins de cinq ans » exige déjà que l'agent interprète correctement plusieurs contraintes combinées. Sans méthode d'évaluation rigoureuse, ces failles restent invisibles jusqu'à ce qu'un concessionnaire tombe sur un résultat absurde, avec un impact direct sur la confiance et, potentiellement, sur les transactions. AWS a publié un dépôt compagnon documentant une méthodologie transposable à d'autres agents, au-delà de son propre écosystème. Elle repose sur une évaluation en deux temps : des tests réalisés en amont du déploiement avec la bibliothèque open source strands-agents-evals, puis une surveillance en production via Amazon Bedrock AgentCore Evaluations. S'y ajoute un cadre à trois niveaux, évaluant l'usage des outils, le raisonnement et la qualité des réponses, ainsi qu'un pipeline de déploiement en cinq étapes doté de portes de qualité qui bloquent une mise en production si les métriques passent sous un seuil défini, notamment via l'indicateur pass^k mesurant la constance des réponses. Le déploiement initial prend de 30 à 45 minutes, son adaptation à un autre domaine deux à trois heures, pour un coût d'environ 5 à 10 dollars de calcul via Bedrock. Le dépôt applique par ailleurs des rôles IAM à privilèges minimaux et stocke les clés API dans AWS Systems Manager Parameter Store plutôt que dans des variables d'environnement.