Résumer un PDF avec l’IA sans perdre le contexte

Le conseil qui revient le plus souvent pour choisir un outil de résumé de PDF par IA consiste à comparer les scores d’exactitude et à retenir le meilleur. C’est prendre le problème à l’envers. Un outil peut obtenir un très bon résultat sur un rapport impeccable de douze pages, puis vous livrer un paragraphe fluide qui oublie un préavis de 30 jours, fusionne deux factures en un seul total ou transforme une conclusion prudente en lien de causalité établi. À la lecture, aucune de ces erreurs ne saute aux yeux. Le texte semble simplement bien écrit.
Le critère que j’utilise est donc plus précis. Chaque affirmation du résumé doit pouvoir être rattachée à sa page d’origine, et le résumé doit être accompagné de ces références. Le score global compte bien moins que la citation de la source : une seule exception omise peut peser plus lourd qu’une excellente moyenne.
Voici la méthode que j’applique aux contrats, aux articles scientifiques, aux lots de factures et aux rapports numérisés : au départ, une liste de cinq éléments à préserver, rédigée avant l’importation ; à l’arrivée, une fiche de vérification en sept points, jointe au résumé avant sa diffusion.
Sommaire
- Ce que votre résumé de PDF doit impérativement conserver
- Résumer un PDF en six étapes
- Vérifiez chaque affirmation dans les pages sources
- Corrigez les résumés qui perdent le contexte
- Gardez les pages sensibles hors du prompt
- Consignez les preuves avant d’envoyer le résumé
Ce que votre résumé de PDF doit impérativement conserver
Un résumé est terminé lorsque les informations qui portent à conséquence ont survécu à la synthèse, sans être dissociées des conditions qui les encadrent. Le reste relève du style.
Quatre types de documents passent le plus souvent ce test. Un contrat de prestation de services doit conserver les parties, les dates, les honoraires, les obligations, les exceptions et les modalités de résiliation. Un article scientifique doit conserver la question de recherche, la méthode, le résultat et les limites mentionnées. Un lot de factures doit conserver le fournisseur, le numéro de facture, la taxe, le total et les éventuels doublons. Un rapport numérisé doit conserver ses numéros de page et préciser si son contenu est du texte exploitable ou une simple image de la page. Qu’un seul de ces éléments manque, et le résumé échoue, aussi soignée que soit sa rédaction.
| Document | Éléments à conserver | Omission la plus préjudiciable |
|---|---|---|
| Contrat de prestation de services | Parties, dates, honoraires, obligations, exceptions, modalités de résiliation | Oubli d’une exception ou d’un délai de préavis |
| Article scientifique | Question, méthode, résultat, limites mentionnées | Omission d’une limite ou de la taille de l’échantillon |
| Lot de factures | Fournisseur, numéro, taxe, total, doublons | Fusion de deux factures en un seul total |
| Rapport numérisé | Numéros de page et présence ou non de texte exploitable | Noms ou chiffres mal lus sur une numérisation de mauvaise qualité |
Deux critères qui ne se compensent pas
L’exhaustivité consiste à vérifier que ces éléments figurent bien dans le résumé. La fidélité consiste à vérifier qu’aucun élément n’a été inventé, atténué ou privé de sa condition. Un résumé peut réussir sur le premier plan et échouer sur le second : c’est précisément ainsi qu’une analyse documentaire peut déraper en pratique.
Des métriques de recouvrement textuel comme ROUGE peuvent afficher de bons résultats alors qu’une date est fausse ou qu’une négation a disparu. La fluidité du texte ne suffit pas.
Le format du document explique une partie de la difficulté. Adobe a présenté le PDF à la Windows and OS/2 Conference en janvier 1993, et PDF 1.7 a été normalisé sous la référence ISO 32000-1:2008 le 1er juillet 2008, selon l’historique du PDF. L’ISO indique par ailleurs qu’il existe aujourd’hui des milliards de fichiers PDF et que des milliers d’applications prennent ce format en charge. Un PDF n’est pas un fichier texte. Il peut contenir des mises en page fixes, des polices intégrées, des images, des liens hypertextes, des tableaux et des pages numérisées. Un PDF numérisé peut même ne contenir que des images de pages, jusqu’à ce qu’une reconnaissance optique de caractères, ou OCR, lui ajoute une couche de texte lisible par machine. Une extraction en texte brut ne restitue pas tout le document.
Rédigez la liste des éléments indispensables avant l’importation
Cela prend quatre minutes et transforme la suite du travail en vérification sur critères, plutôt qu’en appréciation au jugé. Pour un contrat, la liste comprend généralement : les parties et leurs dénominations légales exactes, les dates de prise d’effet et de renouvellement, les honoraires et modalités de paiement, les obligations de chaque partie, les exceptions et les droits de résiliation.
Commencez par ceci : notez, avec vos propres mots, cinq éléments que vous vérifierez dans le résultat. Si le résumé ne répond pas aux cinq points avec un numéro de page, il n’est pas terminé.
Résumer un PDF en six étapes
Appliquez cette méthode à un contrat de prestation de vingt pages et le problème devient évident. Un modèle qui reçoit du texte brut extrait ne sait pas quelles pages étaient des photographies, quelles colonnes d’un tableau allaient ensemble ni où se terminait la clause 12.
L’ordre des étapes ci-dessous est déterminant, et chacune comporte son propre risque d’erreur.

1. Classez chaque page. Texte numérique, numérisation ou mélange des deux. Si les pages 14 à 16 du contrat sont des pages signées insérées sous forme d’images, les traiter comme du texte produit soit une section vide, soit une section inventée. Une chaîne de traitement par étapes commence ici, et non au prompt, comme l’explique cette évaluation comparative des chaînes d’extraction et de résumé.
2. Extrayez le texte en préservant la mise en page. Conservez les numéros de page, les titres, les tableaux et l’ordre de lecture. Si le barème tarifaire occupe un tableau à deux colonnes et qu’une clause de responsabilité figure dans un encadré latéral, tout aplatir en un seul flux peut rattacher le mauvais montant au mauvais service.
3. Appliquez l’OCR uniquement aux zones d’image et mesurez ses résultats. Indiquez séparément le taux d’erreur sur les caractères et sur les mots. Une chaîne de traitement spécialisée de bout en bout a atteint 98,70 % d’exactitude au niveau des caractères et 97,71 % au niveau des mots, tandis que les résultats de l’OCR classique se dégradaient sur les documents numérisés et les mises en page complexes, selon la même évaluation de la qualité d’extraction. Avec un OCR classique, un 30 tamponné peut devenir un 80.
4. Découpez le document selon ses propres sections. Un découpage toutes les huit pages peut couper la clause 12 en deux : l’exception se retrouve alors résumée dans un bloc séparé de la condition à laquelle elle se rapporte. Les limites doivent suivre les titres, pas un nombre de pages.
5. Résumez chaque bloc, puis rassemblez les résultats. Faire tenir vingt pages dans un seul prompt risque de faire perdre les informations du milieu. Commencez par des notes de section, puis rédigez une courte synthèse.
6. Arrêtez-vous à un brouillon sourcé. Ne peaufinez pas encore le style. Si la confiance de l’OCR est faible, qu’une zone de page manque ou que l’ordre de lecture est perturbé, signalez le fichier. Un résultat propre reste à vérifier : ce test comparatif avait exclu les PDF illisibles par OCR avant l’évaluation. Un bon score de démonstration ne reflète donc pas le cas d’une page signée photographiée au téléphone.
Les bonnes questions à poser à l’outil
Vous n’allez pas classer les pages ni effectuer l’OCR à la main. Traduisez donc chaque étape en une question sur ce que l’outil vous montre. Indique-t-il les pages constituées uniquement d’images ? Chaque puce comporte-t-elle un numéro de page ? Signale-t-il les pages ignorées ? Peut-il citer une condition mot pour mot plutôt que la reformuler ? Permet-il de rechercher dans des documents PDF pour accéder directement à la clause qui justifie une phrase ?
Voici une consigne utilisable.
Résumez les pages 1 à 20. Conservez les parties, les dates, les honoraires, les obligations, les exceptions et les modalités de résiliation. Ajoutez un numéro de page après chaque puce. Citez mot pour mot toute clause contenant « sauf », « à moins que » ou « sous réserve de ». Listez les pages que vous n’avez pas pu lire.
Refusez un brouillon présenté comme un seul bloc indifférencié : les références aux pages ne peuvent pas y être rattachées précisément. Si l’outil n’affiche aucun repère de page, vous obtenez une impression générale, pas un résumé vérifiable. Pour une longue relecture, vous pouvez aussi écouter les rapports longs en mode mains libres tout en suivant les références à l’écran.
Vérifiez chaque affirmation dans les pages sources
Un brouillon sourcé n’est encore qu’un candidat au statut de résumé. C’est la vérification qui lui permet de franchir cette étape, affirmation par affirmation, et non en jugeant le texte dans son ensemble.
- Découpez le PDF selon ses propres titres pour délimiter clairement chaque section.
- Rattachez chaque note de section à une page ou à un passage au fil du travail.
- Décomposez le brouillon en affirmations élémentaires, à raison d’un fait par ligne.
- Retrouvez le passage source le plus pertinent pour chaque ligne.
- Classez la ligne comme étayée, contredite ou non étayée.
- Supprimez ou réécrivez tout élément non étayé avant de partager la synthèse.

Une clause, une condition oubliée
La page 7 du contrat précise que chaque partie peut résilier avec un préavis de 30 jours, sauf pendant les 12 premiers mois. Un brouillon indiquant que chaque partie peut résilier avec un préavis de 30 jours a supprimé l’exception. Cette ligne n’est pas étayée, même si toutes les autres lignes du paragraphe sont exactes. Pourtant, la phrase conserve un ton parfaitement assuré.
La même démarche de vérification permet de repérer deux autres erreurs courantes. Lorsqu’une statistique devient discrètement une explication causale, il faut placer la phrase d’origine à côté pour comparer. Et une note de bas de page que le modèle n’a jamais consultée ne constitue pas une preuve, quoi que le brouillon laisse entendre.
| Statut | Signification | Action à mener |
|---|---|---|
| Étayée | Le passage source énonce le même fait, assorti des mêmes conditions | Conservez la ligne et sa référence de page |
| Contredite | Le passage source indique une autre date, un autre chiffre ou une autre partie | Remplacez la ligne par la formulation de la source et vérifiez de nouveau la référence |
| Non étayée | Aucun passage source n’énonce ce fait, ou la condition manque | Supprimez la ligne ou réécrivez-la à partir de la page |
| Page illisible | L’OCR n’a produit aucun texte exploitable pour cette page | Signalez la page, lisez-la vous-même et précisez-le dans la note |
Gardez les scores au second plan
Vous pouvez toujours indiquer ROUGE ou BERTScore pour évaluer l’exhaustivité. Précisez simplement ce qu’ils mesurent. Les recherches sur le résumé de documents longs montrent que ROUGE ne reflète pas de manière fiable les jugements humains sur l’exactitude factuelle. Son optimisation peut améliorer la pertinence tout en produisant un résumé moins fidèle aux faits, comme le rapporte cette étude d’évaluation des documents longs présentée à COLING 2024. Elle recommande de vérifier chaque affirmation à partir des éléments sources retrouvés, plutôt que de s’appuyer sur un score global unique. D’où l’intérêt d’une recherche de sources à l’échelle de la phrase : elle permet à un juriste, à un chercheur ou à un professionnel de la finance de contrôler un long dossier sans en relire toutes les pages.
Si vous souhaitez un second avis sur les lignes signalées, soumettez-les à une vérification des faits plutôt que de régénérer tout le document.
La règle de validation est simple : aucune ligne non étayée ne doit subsister dans la version envoyée.
Corrigez les résumés qui perdent le contexte
Voici les chiffres qui devraient guider votre méthode. Sur des documents propres, les tests récents situent l’exactitude factuelle autour de 90 à 95 %. Pour les contrats juridiques comportant des clauses imbriquées, la proportion d’affirmations non étayées atteindrait 5 à 15 %, selon ces tests d’outils de résumé sur des contrats et des articles scientifiques. Lorsqu’il s’agit d’un délai de préavis ou d’un plafond de responsabilité, c’est ce second chiffre qui détermine si vous pouvez vous fier au résultat.
| Ce que vous constatez | Cause probable | Correction |
|---|---|---|
| Date ou montant erroné | Deux clauses ont été mélangées | Rétablissez la valeur à partir de la page référencée |
| Disparition d’un « sauf » ou d’un « à moins que » | La recherche de concision a supprimé une condition | Régénérez uniquement cette ligne en imposant la présence de la condition |
| Noms différents de ceux de la page | OCR appliqué à une photo ou à une numérisation | Relancez l’OCR sur cette page et comparez une ligne témoin |
| Deux fichiers, un seul chiffre | La synthèse commune a masqué une divergence | Conservez les deux chiffres et nommez les fichiers |
| Une observation devient une cause | Une réserve ou une statistique a été mal interprétée | Citez la phrase source à côté de l’affirmation |
Vérifiez le passage source avant de corriger la phrase
Demander une version plus courte du même brouillon produit la même lacune en moins de mots. Rouvrez la page, lisez la clause, puis réécrivez uniquement la ligne concernée à partir de cette source. Une date erronée signifie souvent que le modèle a mélangé deux clauses à la lecture : la référence pointe alors vers le mauvais paragraphe, et seul un retour à la source permet de corriger l’erreur.
L’oubli d’un « à moins que » est le plus coûteux des cinq problèmes, car le résumé devient plus catégorique précisément là où le document prenait des précautions. Ajoutez cette expression à la liste des éléments à préserver, régénérez uniquement la ligne concernée et vérifiez que le résultat cite la condition au lieu de la résumer.
Des noms qui ne correspondent pas à la page signalent un tout autre problème. Aucun nouveau prompt ne corrigera une mauvaise numérisation. Relancez l’OCR sur cette page et comparez une ligne témoin à l’image avant de toucher au texte du résumé.
Deux fichiers qui se contredisent ne constituent pas une erreur à gommer. Conservez les deux chiffres, nommez les fichiers et laissez la divergence bien visible pour le lecteur.
Vérifiez par ordre de priorité
Si le temps manque, classez les points selon leurs conséquences plutôt que par numéro de page. Les droits de résiliation, les conditions déclenchant un paiement, les plafonds de responsabilité, les dates de livraison et tout ce qui touche à la fiscalité passent en premier. Examinez ensuite séparément les interprétations du modèle et les énoncés du document : un résumé qui mélange les deux est plus difficile à remettre en question qu’un résumé qui les distingue.
Gardez les pages sensibles hors du prompt
L’exactitude ne représente que la moitié du risque. L’autre moitié tient à ce que le fichier révèle une fois importé, y compris des informations que le PDF ne présente jamais comme sensibles.
Un modèle qui traite des factures peut déduire qui paie qui et selon quelles modalités. L’analyse d’un contrat peut faire ressortir des informations sur l’emploi, des données de santé, des structures de détention du capital ou un litige enfoui dans une annexe. Cette exposition ne se limite pas aux données d’entraînement. Elle concerne aussi les prompts, les journaux du fournisseur, les personnes autorisées à ouvrir la conversation et les données d’analyse sur les fichiers que vous interrogez.

Le NIST présente son Artificial Intelligence Risk Management Framework comme un cadre d’application volontaire visant à intégrer des critères de confiance dans la conception, le développement, l’utilisation et l’évaluation des systèmes d’IA. Ses recommandations en matière de protection de la vie privée citent la minimisation des données, la désidentification et l’agrégation parmi les moyens de développer une IA plus respectueuse de la confidentialité, selon le cadre de gestion des risques liés à l’IA du NIST. Cinq habitudes en découlent.
- Envoyez uniquement les pages nécessaires. Si votre question porte sur une annexe, importez cette annexe plutôt qu’un dossier de 200 pages.
- Masquez ce dont la question n’a pas besoin. Les numéros de compte et les noms de personnes ont rarement besoin d’être transmis au modèle.
- Distinguez l’accès au fichier de l’accès au résumé. Toutes les personnes qui lisent la synthèse ne doivent pas nécessairement pouvoir ouvrir la source.
- Limitez la conservation des éléments intermédiaires. Extractions, extraits, représentations vectorielles et historique de conversation sont tous concernés.
- Revérifiez le circuit des données lorsque vous changez de modèle. Un nouveau fournisseur, c’est un nouveau sous-traitant qui traite le même document.
La suppression n’est pas absolue
Demandez ce qu’il advient du fichier d’origine, du texte OCR, des extraits, des représentations vectorielles et du résumé si vous demandez ensuite leur suppression. Dans le cadre européen, le droit à l’effacement concerne notamment les données personnelles qui ne sont plus nécessaires ou qui ont été utilisées de manière illicite. Les informations de la Commission européenne à destination des particuliers mentionnent aussi des exceptions liées à la liberté d’expression, au respect d’obligations légales et à la défense de droits en justice. Les obligations légales de conservation et les mesures de préservation liées à un contentieux peuvent empêcher l’effacement, précisément pour les documents professionnels que l’on résume le plus souvent.
Chez BromeAI, nos engagements déclarés en matière de confidentialité associent des accords de conservation nulle des données avec chaque fournisseur de modèles, l’exclusion des conversations et des fichiers de l’entraînement, ainsi qu’une suppression contrôlée par l’utilisateur depuis son profil. La demande de suppression comme les exceptions de conservation sont ainsi explicites, plutôt que laissées dans le flou.
Le test avant importation : si vous n’enverriez pas ce fichier par e-mail à un intervenant externe, ne le transmettez pas à un outil de résumé sans avoir d’abord masqué les informations sensibles.
La modération des prompts est un contrôle distinct, à mettre en place avant toute importation par une équipe. Les outils de modération des prompts de Veevoo couvrent cette couche de vérification entre l’utilisateur et le modèle.
Consignez les preuves avant d’envoyer le résumé
La vérification ne sert à rien si le lecteur ne peut pas en voir la trace. Consignez-la dans une fiche qu’un collègue peut contrôler en moins d’une minute, et n’envoyez jamais de synthèse sans cette fiche.
- Nom du fichier et nombre de pages.
- Liste des éléments indispensables et nombre d’éléments couverts, par exemple 5 sur 5.
- Nombre de lignes non étayées, qui doit être de 0.
- Nombre de lignes contredites, qui doit être de 0.
- Pages que l’outil d’extraction n’a pas pu lire, par exemple la page 14, une page de signature constituée uniquement d’une image.
- Taux d’affirmations étayées, soit le nombre de lignes étayées divisé par le nombre total de lignes.
- Date et modèle utilisé.
Cette fiche répond à la vraie question du lecteur : non pas de combien le document a été raccourci, mais quelle phrase il doit revérifier avant de signer. Pour savoir comment assembler ces champs dans un document diffusable en équipe, découvrez comment générer un rapport à partir de vos résultats.
Une correction, avant et après
Source, page 7 : chaque partie peut résilier avec un préavis de 30 jours, sauf pendant les 12 premiers mois.
Brouillon : chaque partie peut résilier avec un préavis de 30 jours.
Version corrigée : chaque partie peut résilier avec un préavis de 30 jours, mais pas pendant les 12 premiers mois (p. 7).
Si une ligne à fort enjeu reste non étayée après une tentative de correction, arrêtez les retouches et lisez vous-même la page. Citez-la ensuite en plaçant le numéro de page dans la ligne, et non en note de bas de page.
Dans BromeAI, vous décrivez le résultat attendu d’un travail en plusieurs étapes, plutôt qu’une succession de prompts. La liste des tâches apparaît avant toute exécution, les sources sont rattachées à chaque partie de la réponse et, pour l’analyse documentaire, chaque élément de réponse est associé au fichier dont il provient. Les fichiers restent dans le contexte lorsque vous passez à un autre modèle : la seconde lecture des lignes problématiques s’effectue donc sur les mêmes documents, sans nouvelle importation.
Un résumé fluide qui oublie une date vaut moins qu’un résumé maladroit qui la conserve : tout l’enjeu est là. BromeAI vous offre un espace de travail unique où les fichiers PDF, DOCX et XLSX sont lus ensemble, où chaque élément de réponse reste rattaché à son fichier source et où vous pouvez changer de modèle pour une seconde vérification sans perdre les documents. Importez un contrat, un article scientifique ou un lot de factures sur BromeAI, indiquez dans le prompt vos cinq éléments indispensables et vérifiez que chaque ligne renvoie bien à une page.