Un benchmark récent a évalué plusieurs moteurs OCR sur des documents de formulaires imbriqués complexes, révélant une lacune critique : alors que tous les grands outils peuvent reconnaître le texte avec précision, rares sont ceux qui peuvent reconstruire correctement la structure métier d'origine. Le test s'est concentré sur des formulaires avec des champs hiérarchiques, des sections conditionnelles et des tableaux à plusieurs niveaux, courants dans les documents d'assurance, bancaires et juridiques. Les résultats ont montré que les moteurs OCR traditionnels comme Tesseract et les API cloud de Google et Azure fonctionnaient bien sur l'extraction de texte plat mais échouaient à préserver les relations imbriquées. Les plateformes d'IA documentaire spécialisées comme Amazon Textract et Microsoft Form Recognizer ont montré une meilleure rétention de structure mais ont encore du mal avec les mises en page profondément imbriquées. Pour les développeurs construisant des pipelines de traitement de documents, cela signifie que la précision de l'OCR seule est insuffisante ; un post-traitement sensible à la structure ou des analyseurs de formulaires dédiés sont essentiels. Cette découverte a des implications directes pour les systèmes RAG qui reposent sur l'extraction de données structurées à partir de documents scannés. Alors que les entreprises poussent vers l'automatisation complète, la capacité à préserver la logique métier des formulaires reste un défi clé non résolu.
Un benchmark de plusieurs moteurs OCR sur des formulaires imbriqués complexes révèle que la plupart reconnaissent le texte mais ne parviennent pas à préserver la structure métier d'origine. Un constat crucial pour les équipes développant des systèmes de compréhension documentaire.