La réponse courte : face à 77 000 documents produits avant des auditions, un cabinet d’avocats a utilisé la revue assistée par la technologie d’OpenText (Insight Predict) : parmi les 1 000 premiers documents classés, 27 % étaient des pièces clés et 65 % pertinentes, contre 5 % et 46 % par recherche de mots-clés. Un cas parlant sur ce que l’IA apporte quand la recherche classique échoue.
INFOGRAPHIE AILABUn cabinet d’avocats en quelques repères
📚
77 000
documents produits par la partie adverse
🎯
27 %
de pièces clés dans les 1 000 premiers classés, contre 5 % par mots-clés
Un cabinet représentait des plaignants dans un contentieux de responsabilité du fait des produits lié à un dispositif médical. À quelques jours des auditions de témoins, la partie adverse a produit environ 77 000 documents électroniques. Le cas, publié par OpenText, n’a rien d’un projet de GED : c’est un cas d’IA appliquée à la revue de documents.
Le contexte et le défi
La production était très désordonnée : documents mal numérisés, sans métadonnées, avec une reconnaissance de texte (OCR) pleine d’erreurs, des milliers d’e-mails tellement caviardés que même l’adresse et l’objet affichaient « caviardé ». La recherche par mots-clés était inefficace : sur les documents trouvés, seuls 5 % étaient des pièces potentielles d’audition et 51 % pertinents ou clés.
Des documents mal numérisés et sans métadonnées.
Un texte OCR plein d’erreurs.
Des e-mails caviardés au point d’être inexploitables.
Un temps de préparation très court avant les auditions.
INFOGRAPHIE AILABLa solution, en 3 briques
1Amorçage par un avocat
Un avocat contrôle les documents déjà étiquetés comme clés, puis relit quelques centaines de résultats ciblés et des échantillons.
2Classement de toute la population
Insight Predict classe les 77 000 documents et concentre les pièces clés en haut de liste.
3Revue des 1 000 premiers
Les avocats évaluent les mille premiers documents non revus : un petit ensemble riche.
Cabinets juridiques, directions juridiques, conformité, audit interne et enquêtes marocains font face à des corpus volumineux (e-mails, contrats, dossiers). L’IA documentaire assistée accélère la revue, sous contrôle humain. Les règles de confidentialité, de secret professionnel et de preuve s’appliquent.
Ce que nous proposons chez Ailab
Chez Ailab, nous appliquons l’IA là où elle est vérifiable : recherche dans vos documents, extraction de données avec leur source, synthèse de dossiers avec traçabilité, toujours sous supervision humaine.
INFOGRAPHIE AILABNotre démarche pour un projet d’IA documentaire
1Choisir la décision
La décision métier à améliorer, avant la technologie.
La réponse courte : un grand domaine viticole s’appuie depuis 1999 sur OpenText Extended ECM, qu’il a complété par la recherche fédérée (Magellan Search+) : une seule requête interroge la GED, SharePoint et Teams. L’IA vient après, avec une analyse de sentiment à venir. L’ordre du projet est une leçon : d’abord retrouver l’information, ensuite l’analyser.
INFOGRAPHIE AILABUn grand domaine viticole en quelques repères
📅
1999
début de l’usage d’Extended ECM
🔎
Plusieurs
systèmes interrogés d’un seul coup : GED, SharePoint, Teams
Ce domaine viticole, qui n’est pas nommé, est un cas rare par son ancienneté : plus de vingt ans de GED au cœur de ses opérations, de la qualité à la R&D. Son cas, publié par OpenText, montre comment une organisation ajoute des capacités d’IA sur une base documentaire déjà gouvernée.
Le contexte et le défi
Avec la pandémie, le commerce électronique est devenu un canal clé. L’entreprise génère de gros volumes de données structurées et non structurées (ventes en ligne, historiques de consommateurs, publications sur les réseaux sociaux), stockées dans un lac de données mature, dont il est difficile d’extraire des informations exploitables. Elle voulait améliorer ses performances commerciales en renforçant l’analyse et la gestion de contenu.
Retrouver l’information quelle que soit la source dans l’entreprise.
Extraire des enseignements de contenus non structurés (avis, publications).
Protéger les données sensibles tout en facilitant l’accès.
Intégrer progressivement l’IA sans perdre le contrôle.
INFOGRAPHIE AILABLa solution, en 3 briques
1Extended ECM, système de référence
Intégré aux flux du marketing, de la vente et de la production, et système de référence de la recherche et développement.
2Recherche fédérée
Magellan Text Mining et Search+ interrogent la GED et d’autres dépôts comme SharePoint et Teams.
3Taxonomie et droits
Une taxonomie de R&D claire et des droits d’accès par groupes Active Directory protègent les données sensibles.
Entreprises marocaines des secteurs de la distribution, de l’agroalimentaire et de la banque accumulent des contenus dans plusieurs systèmes. La recherche fédérée et la gouvernance des droits sont un préalable à toute IA documentaire. Les règles de protection des données (loi 09-08, CNDP) s’appliquent à l’analyse de contenus consommateurs.
Ce que nous proposons chez Ailab
Chez Ailab, nous appliquons l’IA là où elle est vérifiable : recherche dans vos documents, extraction de données avec leur source, synthèse de dossiers avec traçabilité, toujours sous supervision humaine.
INFOGRAPHIE AILABNotre démarche pour un projet d’IA documentaire
1Choisir la décision
La décision métier à améliorer, avant la technologie.
La réponse courte : un projet d’IA en entreprise réussit quand il part d’une finalité claire : une décision ou une tâche précise à améliorer, mesurée avant de commencer, sur des documents et des données dont on maîtrise l’origine. Au Maroc, il faut aussi vérifier dès le départ le cadre de la loi 09-08 dès que des données personnelles sont en jeu. Cinq étapes : nommer la décision, mesurer le point de départ, délimiter les données, prévoir la supervision humaine, tester sur un périmètre réduit.
Beaucoup de projets d’IA commencent par une technologie : un assistant conversationnel, un modèle de langage, une démonstration impressionnante. Ceux qui produisent un résultat durable commencent par une question plus modeste et plus exigeante : quelle décision, quelle tâche, quel irritant voulons-nous améliorer, et comment saurons-nous que c’est mieux ?
Pourquoi tant de projets restent au stade de la démonstration
Une démonstration convainc en quelques minutes : un assistant répond, un document est résumé, des champs sont extraits. Le passage en production bute ensuite sur trois questions que la démonstration n’a pas posées : quelle tâche exacte améliore-t-on, comment mesurera-t-on le gain, et sur quelles données le système travaille-t-il réellement ? Sans réponse, le projet s’enlise dans des débats d’outils et de budgets.
INFOGRAPHIE AILABDeux façons de lancer un projet IA
Les pièces entrantes : classer automatiquement les documents reçus et en extraire les données utiles, avec validation humaine des cas douteux. C’est le prolongement naturel de la capture documentaire, un domaine sur lequel nous intervenons pour des banques marocaines. Le dossier à instruire : résumer un dossier de crédit, de sinistre ou de contrat en citant les pièces sources, pour que l’analyste vérifie au lieu de tout relire. La recherche : interroger un fonds documentaire en langage naturel, avec des réponses qui renvoient aux documents d’origine et respectent les droits d’accès.
Point commun : l’IA s’appuie sur une GED bien organisée. Sans dossier métier, sans métadonnées et sans droits d’accès clairs, elle produit des réponses impossibles à vérifier.
La méthode en cinq étapes
INFOGRAPHIE AILABLancer un projet IA en cinq étapes
« Réduire le délai d’instruction d’un dossier de crédit » est une finalité ; « faire de l’IA » n’en est pas une. La finalité précise qui utilisera le résultat, pour quelle décision, et ce qui changera concrètement dans son travail.
2. Mesurer le point de départ
Délai actuel, volume traité, taux d’erreur ou de reprise : sans mesure initiale, le gain restera une impression, et le projet ne pourra pas être arbitré face à d’autres priorités.
3. Délimiter les données
Quels documents, de quelle qualité, avec quels droits d’accès, contenant quelles données personnelles ? Le principe de minimisation s’applique : seules les données nécessaires à la finalité entrent dans le périmètre.
4. Prévoir la supervision humaine
Qui valide, dans quels cas, avec quelle trace ? Plus la décision engage l’organisation, plus le contrôle humain est systématique.
5. Tester sur un périmètre réduit
Un type de dossier, une équipe, quelques semaines. On compare aux mesures de départ, puis on décide d’étendre, d’ajuster ou d’arrêter. Arrêter un pilote qui ne tient pas ses promesses est aussi un bon résultat.
INFOGRAPHIE AILABLa fiche de finalité d’un projet IA
Loi 09-08 (2009), sous le contrôle de la CNDP : finalité, minimisation, information des personnes, transferts hors du Maroc, notamment lorsque le service d’IA est hébergé à l’étranger.
Loi 05-20 (2020) relative à la cybersécurité, pour les organisations concernées : sécurité des systèmes qui hébergent ou traitent les données.
Règles sectorielles : banque et assurance ont des exigences propres en matière d’externalisation et de conservation.
INFOGRAPHIE AILABÀ retenir
✓Partir d’une décision mesurable, pas d’une technologie.
✓Mesurer avant de commencer, sinon le gain reste une impression.
✓Délimiter les données au strict nécessaire.
✓Vérifier la loi 09-08 dès que des données personnelles sont en jeu.
Sources : loi n° 09-08 relative à la protection des personnes physiques à l’égard du traitement des données à caractère personnel ; loi n° 05-20 relative à la cybersécurité.
La réponse courte : un système d’IA en production n’est pas un logiciel classique : son comportement évolue avec les données, ses erreurs peuvent rester invisibles longtemps, et ses entrées elles-mêmes peuvent servir à l’attaquer. Le sécuriser repose sur quatre axes : cartographier les risques dès la conception, gouverner les données et le modèle, surveiller en continu les dérives, et disposer d’un plan de réponse avant le premier incident. C’est une posture de surveillance continue, pas une validation unique.
Le problème que personne ne voit venir
Un modèle d’IA prédit, classe, recommande ou génère à partir de données. Cette nature probabiliste crée une surface d’attaque et une surface d’erreur différentes de celles d’une application métier. Les projets se multiplient, automatisation de processus, analyse documentaire, assistants conversationnels, aide à la décision, mais la sécurisation en production est souvent traitée en fin de projet, voire oubliée.
INFOGRAPHIE AILABPourquoi l’IA n’est pas un logiciel comme les autres
Un modèle mal sécurisé peut être manipulé par des entrées malveillantes, dériver silencieusement, produire des décisions biaisées à grande échelle ou exposer des données sensibles vues pendant l’entraînement.
Quatre axes pour sécuriser l’IA en production
INFOGRAPHIE AILABSécuriser l’IA en production : quatre axes
Données d’entraînement, flux d’entrée en production, intégrations avec les systèmes tiers, périmètre d’usage réel : la cartographie produit une matrice de risques, référence pour tout le cycle de vie.
2. Gouverner les données et le modèle
Un modèle hérite des biais et des lacunes de ses données. Documenter leur provenance, différencier les droits d’accès, versionner le modèle comme un composant critique et nommer les responsables.
3. Surveiller en continu
Un modèle peut dériver sans qu’aucune alarme informatique classique ne se déclenche. La surveillance porte sur la stabilité des entrées, la cohérence des sorties et les indicateurs métier, avec des seuils d’alerte réévalués après chaque changement de contexte.
INFOGRAPHIE AILABCe que la surveillance doit mesurer
Que faire si le modèle dérive, produit des résultats anormaux ou subit une tentative de manipulation ? Critères de retour à la version précédente, procédures d’escalade, communication : le plan existe avant le premier déploiement, pas après le premier incident.
Illustration : un score de crédit qui dérive
Cas fictif, présenté à titre pédagogique.
Une institution financière déploie un modèle de score de crédit. Les premières semaines confirment les tests. Six mois plus tard, sans alerte, les erreurs ont nettement augmenté : des dossiers risqués sont acceptés, des profils solides pénalisés. Le profil des demandeurs a évolué et aucune surveillance ne mesurait ce changement. La solution n’était pas de remplacer le modèle, mais d’installer une surveillance active avec des indicateurs métier alignés sur la réalité.
INFOGRAPHIE AILABAnatomie d’une dérive silencieuse
Les entrées malveillantes : des images ou des textes légèrement modifiés peuvent tromper un modèle, notamment en vérification d’identité ou en détection de fraude. Les tests adverses font partie de la validation.
La fuite de données : un modèle entraîné sur des données personnelles peut en restituer une partie. Pseudonymisation et minimisation des données d’entraînement sont à considérer.
La réglementation évolue : traçabilité des décisions algorithmiques et explicabilité deviennent des exigences, surtout avec des partenaires internationaux.
La gouvernance humaine : qui valide les décisions critiques, qui peut décider d’un retour arrière, qui répond de la qualité des données ? Sans réponses claires, la technique ne suffit pas.
Les rôles autour d’un modèle en production
La sécurité d’un modèle repose autant sur une organisation claire que sur la technique. Quatre rôles au minimum doivent être nommés : un responsable métier qui définit l’usage et les indicateurs, un responsable des données qui garantit leur qualité et leur conformité, une équipe technique qui exploite et surveille le modèle, et un référent sécurité qui évalue les menaces et pilote la réponse aux incidents.
INFOGRAPHIE AILABLes quatre rôles autour d’un modèle en production
Ces rôles se réunissent à intervalles réguliers pour examiner les indicateurs, les incidents et les évolutions prévues. Cette revue courte évite que le modèle continue de fonctionner sans que personne ne vérifie qu’il fait toujours ce pour quoi il a été conçu.
INFOGRAPHIE AILABÀ retenir
✓La sécurité de l’IA est un processus continu, pas un état validé.
✓Cartographier les risques dès la conception.
✓Surveiller les dérives avec des indicateurs métier.
✓Avoir un plan de réponse avant le premier incident.
La réponse courte : un résumé produit par IA sans référence aux passages sources n’est pas une synthèse, c’est une interprétation libre. Pour résumer un dossier avec traçabilité, chaque affirmation doit renvoyer au passage précis qui la fonde. Quatre étapes : figer la version source, définir le périmètre d’extraction, générer avec ancrage aux sources, puis faire valider, signer et archiver la synthèse avec son document d’origine.
Synthétiser sans perdre la trace
Résumer un contrat de quatre-vingts pages, extraire les obligations d’un cahier des charges, consolider les conclusions de plusieurs rapports d’audit : ces synthèses sont quotidiennes dans les directions juridiques, métier et conformité. Elles prennent du temps, sont exposées à l’erreur et, point souvent négligé, sont rarement traçables.
La traçabilité d’un résumé tient en trois questions : quelle source, quelle version, quels passages fondent chaque conclusion ? Sans réponse documentée, une synthèse, aussi bien rédigée soit-elle, reste fragile. Les modèles de langage amplifient le problème : leurs résumés sont fluides, mais ils peuvent paraphraser, reformuler ou inventer des éléments absents du document. Sans contrôle, l’organisation gagne en vitesse et perd en fiabilité.
INFOGRAPHIE AILABLes trois questions de la traçabilité d’un résumé
Le document analysé est gelé dans une version de référence datée et archivée. Une GED qui distingue la version soumise à l’analyse de toute version ultérieure est le standard ; un PDF renommé avec date et initiales, le minimum.
2. Définir le périmètre d’extraction
Résumer « un dossier » sans cadrage produit une synthèse générique. Obligations, risques réglementaires, délais critiques, parties prenantes : ce périmètre structure l’instruction donnée à l’outil. Un cadrage flou est la première cause de résumés inexploitables.
3. Générer avec ancrage aux sources
L’outil est configuré pour citer systématiquement le passage qui fonde chaque point. Les environnements de type RAG le permettent : citations, liens vers le fragment source, indice de confiance. Le relecteur vérifie chaque affirmation en quelques secondes ; sans ancrage, sa relecture est aveugle.
INFOGRAPHIE AILABUne synthèse ancrée aux sources (exemple fictif)
Un responsable identifié valide la synthèse et en assume la paternité, puis l’archive avec son document source. Une signature électronique de la synthèse rend cette validation opposable et clôt la chaîne de traçabilité.
Illustration : un cahier des charges en quarante-huit heures
Cas fictif, présenté à titre pédagogique.
Une direction achats reçoit un cahier des charges de cent vingt pages pour un marché public de fournitures informatiques et dispose de quarante-huit heures pour produire une note de conformité. Le document est versé dans un environnement d’analyse, le périmètre est fixé (obligations du soumissionnaire, critères d’évaluation, pénalités, délais de livraison) et le système produit une synthèse structurée où chaque point renvoie au paragraphe numéroté de la source. Un juriste vérifie les passages critiques et valide. La synthèse archivée, avec sa source et sa validation datée, reste exploitable en cas de réclamation ultérieure.
L’hallucination : seuls l’ancrage systématique et une relecture ciblée détectent les affirmations absentes de la source.
La confidentialité : soumettre un dossier sensible à un service d’IA externe sans analyser l’hébergement est un risque, notamment au regard de la loi 09-08 et des règles sectorielles.
La délégation du jugement : un résumé reste une aide. L’interprétation, la pondération des risques et la recommandation appartiennent à un professionnel identifié.
Les versions multiples : avenants et révisions mélangés produisent des synthèses contradictoires. La gouvernance documentaire précède l’IA.
Où la synthèse traçable apporte le plus
Toutes les synthèses n’ont pas besoin du même niveau d’exigence. La traçabilité complète se justifie quand la synthèse fonde une décision engageante ou peut être contestée : note de conformité d’un appel d’offres, synthèse d’un dossier de crédit, analyse d’un contrat avant signature, consolidation de rapports d’audit pour un comité. Pour une note d’information interne, un ancrage léger suffit.
INFOGRAPHIE AILABGraduer l’exigence de traçabilité
Risque de contestation →
Ancrage recommandé
Contestable mais peu engageant : citer les sources principales.
Traçabilité complète
Engageant et contestable : ancrage, validation, signature, archivage.
Ancrage léger
Note interne d’information.
Validation renforcée
Engageant mais peu contestable : relecture experte.
La réponse courte : chercher un document par son nom suppose de savoir comment il a été baptisé, une hypothèse héroïque. La recherche par contexte retrouve un document, ou un passage, à partir de ce qu’il contient et de ce que vous demandez, quel que soit son nom, son format ou son emplacement. Elle repose sur deux piliers complémentaires : des métadonnées métier rattachées au dossier dans la GED, et une recherche sémantique qui comprend les questions posées en langage naturel.
Des documents introuvables malgré leur présence
Le patrimoine documentaire existe : contrats signés, rapports rédigés, procédures formalisées. Mais lorsqu’un collaborateur a besoin d’une clause, d’un rapport d’audit ou d’une note réglementaire, il navigue dans des arborescences dont la logique n’appartient qu’à leur créateur. Le même document peut s’appeler « contrat_final_v3.pdf », « accord_client_def.docx » ou « 2023_partenariat_signe.pdf » selon la personne qui l’a déposé. L’information existe, mais elle est inaccessible.
INFOGRAPHIE AILABLes trois coûts des documents introuvables
Le problème n’est pas le volume de documents : c’est l’impossibilité de les interroger par ce qu’ils contiennent plutôt que par ce qu’ils s’appellent.
De la nomenclature au sens
Plutôt que de taper « contrat_2022_fournisseur_X », vous demandez : « quelles sont les conditions de résiliation de nos accords-cadres avec les fournisseurs logistiques ? ». Le système comprend l’intention et remonte les passages pertinents. Techniquement, les textes sont convertis en représentations vectorielles où la proximité reflète la similarité de sens ; la question est rapprochée des passages qui traitent du même sujet, même avec d’autres mots.
La recherche sémantique ne remplace pas une bonne organisation documentaire : elle la complète. Dans une GED organisée par dossier métier, chaque document hérite des informations de son dossier (client, contrat, équipement, date, statut). On peut alors combiner un filtre précis (« contrats fournisseurs signés en 2025 ») et une question en langage naturel. C’est l’approche des espaces de travail OpenText xECM, que nous intégrons.
La méthode en quatre étapes
INFOGRAPHIE AILABPasser à la recherche par contexte
1. Cartographier les points de friction. Instruction d’un dossier, préparation d’un audit, réponse à un appel d’offres, mise à jour d’une procédure : où la recherche bloque-t-elle vraiment ? 2. Évaluer le corpus. Les documents doivent être lisibles par la machine : un PDF scanné sans OCR ou une image de texte sont des obstacles à lever. 3. Choisir l’approche. Recherche sémantique intégrée à la GED, architecture RAG associant recherche et modèle de langage, ou composants open source hébergés en interne. 4. Piloter et accompagner. Un cas d’usage, des utilisateurs référents, des retours réguliers.
Illustration : un litige sur une clause de pénalité
Cas fictif, présenté à titre pédagogique.
Un litige survient sur une clause de pénalité. La direction juridique doit retrouver toutes les clauses similaires dans plusieurs centaines de contrats pour évaluer l’exposition. Sans recherche contextuelle, plusieurs juristes y passent des jours, avec un risque d’oubli. Avec un index sémantique, la requête « pénalités de retard dans les contrats de prestation » remonte les passages pertinents en quelques secondes. L’équipe se concentre sur l’analyse, la direction obtient une vision consolidée du risque en quelques heures, et les juristes moins expérimentés contribuent dès le départ.
Points de vigilance
Confidentialité : indexer, c’est transmettre les documents à un système de traitement. Localisation des données et loi 09-08 se traitent avant le déploiement ; privilégiez un hébergement maîtrisé pour les documents sensibles.
Hallucinations : l’utilisateur doit toujours pouvoir ouvrir le document source et vérifier le contexte.
Adoption : formuler une question plutôt que taper des mots-clés est un changement d’habitude ; démonstrations et référents internes aident.
Gouvernance documentaire : doublons, versions obsolètes et fichiers corrompus dégradent la pertinence. La technologie révèle les lacunes ; elle ne les corrige pas.
Préparer la GED à la recherche par contexte
La recherche par contexte donne ses meilleurs résultats quand la GED fournit un cadre. Trois chantiers simples préparent le terrain : rattacher chaque document à un dossier métier, renseigner quelques métadonnées utiles (type de document, date, statut, partenaire) et retirer de l’index les doublons et versions obsolètes. Ces chantiers servent aussi la conformité et l’archivage.
INFOGRAPHIE AILABPréparer la GED à la recherche par contexte
Une fois ce socle posé, la recherche sémantique peut être activée progressivement, dossier par dossier, en commençant par ceux où la perte de temps est la plus visible.
INFOGRAPHIE AILABÀ retenir
✓Interroger les documents par leur contenu, pas par leur nom.
✓Métadonnées métier et recherche sémantique se complètent.
✓Le document source doit toujours rester accessible.
✓La technologie révèle les lacunes documentaires sans les corriger.
La réponse courte : la recherche augmentée cherche un sens plutôt que des mots. Elle retrouve le contrat qui parle de « rupture avant terme » quand on demande « résiliation anticipée », et peut formuler une réponse en citant ses sources (approche RAG). Son déploiement suit quatre étapes : auditer le corpus, le préparer (OCR, nettoyage, découpage), déployer le moteur sémantique, puis l’intégrer aux outils des équipes et former les utilisateurs. Sa qualité dépend avant tout de celle du fonds documentaire.
Le problème que personne ne chiffre
Les juristes cherchent une clause dans des centaines de contrats numérisés. La conformité tente de retrouver une circulaire dans une arborescence partagée. Les opérations cherchent le bon mode opératoire parmi plusieurs versions. Le problème n’est pas l’absence de documents, mais leur excès non structuré. Les moteurs classiques, fondés sur la correspondance exacte des mots, échouent dès que le vocabulaire varie, que le document est scanné ou que la question est posée en langage naturel.
Ce fossé entre la question et le document pertinent s’appelle le décalage sémantique. Il coûte du temps, provoque des erreurs d’interprétation et conduit à décider sur des documents incomplets ou obsolètes.
Trois façons de chercher
INFOGRAPHIE AILABTrois façons de chercher dans les documents
Mode
Principe
Limite
Mots-clés
Correspondance exacte des termes
Échoue dès que le vocabulaire varie
Sémantique
Proximité de sens entre question et passages
Dépend de la qualité du corpus
Conversationnelle (RAG)
Retrouve les passages et formule une réponse sourcée
1. Auditer le corpus. Formats (PDF, Word, scans, e-mails), volumes, langues, niveaux de confidentialité, cycles de vie. L’audit révèle doublons, versions obsolètes et silos. 2. Préparer. Nettoyer, convertir les scans par OCR, découper en passages cohérents. Cette étape représente une part importante de l’effort et détermine la pertinence des réponses. 3. Déployer le moteur. Le corpus est indexé sous forme de représentations vectorielles ; le modèle de langage est choisi selon la langue dominante, la confidentialité et le budget. 4. Intégrer et former. Le moteur rejoint l’intranet, le portail ou la GED ; les équipes apprennent à formuler leurs questions ; les retours affinent le système.
Illustration : une direction juridique et ses contrats
Cas fictif, présenté à titre pédagogique.
Une direction juridique gère plusieurs milliers de contrats, politiques internes et textes réglementaires, répartis entre serveurs partagés et messageries. Pour répondre à une question sur une clause, un juriste ouvre une dizaine de fichiers et les lit en diagonale. L’audit montre que la plupart des questions récurrentes portent sur un sous-ensemble limité de documents clés : c’est ce corpus qui est indexé en premier. Les juristes peuvent alors demander, par exemple, quelles obligations de notification prévoient les contrats avec les opérateurs en cas de violation de données, et obtenir en quelques secondes les passages pertinents avec leurs références. La connaissance devient accessible à toute l’équipe, pas seulement aux experts qui savent où chercher.
INFOGRAPHIE AILABUne direction juridique, avant et après
Confidentialité et hébergement : pour les contrats et les données personnelles, un hébergement local ou maîtrisé peut être exigé. Les transferts hors du Maroc relèvent de la loi 09-08.
Qualité du corpus : la recherche augmentée amplifie la qualité, ou les lacunes, de la gestion documentaire. Documents non datés ou contradictoires produisent des réponses incertaines.
Hallucinations : affichez toujours la source citée et formez les utilisateurs à vérifier les réponses critiques. C’est une aide à la décision, pas un oracle.
Droits d’accès : le moteur ne doit montrer que ce que l’utilisateur a le droit de voir dans la GED.
Adoption : investissez autant dans la formation et les retours d’usage que dans la technique.
La recherche augmentée modifie la façon de travailler. Plutôt que d’ouvrir des dossiers et de parcourir des listes de fichiers, l’utilisateur formule une question complète, lit les passages proposés, puis ouvre les documents sources pour vérifier. Cette nouvelle habitude s’apprend : quelques exemples de bonnes questions, propres à chaque métier, accélèrent beaucoup l’adoption.
INFOGRAPHIE AILABFormuler de bonnes questions
Au lieu de chercher
Demandez plutôt
« résiliation »
Quelles conditions de résiliation prévoient nos contrats de maintenance ?
« procédure réclamation »
Quelle est la procédure en vigueur pour une réclamation client ?
« circulaire 2025 »
Quelles obligations nouvelles a introduites la dernière circulaire du régulateur ?
Les premiers utilisateurs convaincus sont les meilleurs relais internes. Recueillez leurs retours, notamment les questions sans réponse satisfaisante : elles révèlent souvent un document manquant, obsolète ou mal rangé, c’est-à-dire un chantier de gouvernance documentaire plutôt qu’un défaut de l’outil.
INFOGRAPHIE AILABÀ retenir
✓La recherche augmentée cherche un sens, pas des mots.
✓La préparation du corpus détermine la qualité des réponses.
✓Toujours afficher la source et respecter les droits d’accès.
La réponse courte : l’OCR transforme l’image d’un document en texte lisible et cherchable ; c’est une étape de capture, pas de compréhension. Pour passer à l’action, il faut l’associer au traitement intelligent des documents (classification, extraction, validation) et à l’intégration dans l’ERP, la GED ou le workflow. La démarche suit quatre étapes : cartographier les flux, prioriser, tester sur des documents réels, industrialiser avec une gouvernance claire de la qualité des données.
Le document, actif stratégique ou fardeau ?
Contrats, bordereaux de livraison, formulaires réglementaires, factures, dossiers clients : le papier reste omniprésent, et il contient des données précieuses sur les flux, les engagements et les transactions. Pourtant, une grande partie de cette valeur reste inaccessible. Les équipes ressaisissent des informations déjà écrites, les délais s’allongent, les erreurs de saisie se propagent dans les systèmes, et les directions manquent de visibilité.
Ce que fait l’OCR, et ce qu’il ne fait pas seul
INFOGRAPHIE AILABTrois couches pour passer de l’image à l’action
L’OCR (reconnaissance optique de caractères) convertit des pixels en caractères. Le traitement intelligent des documents interprète le sens : il identifie le type de document, extrait les champs utiles et les valide selon des règles métier. L’intégration achemine les données vers les systèmes cibles et déclenche les circuits. Ce n’est qu’avec ces trois couches que le document devient une donnée exploitable. Des plateformes comme OpenText Intelligent Capture, que nous intégrons, les réunissent.
Cette gradation permet d’avancer par paliers : commencer par un niveau accessible, démontrer la valeur, puis élargir. C’est souvent la trajectoire la plus sûre pour une organisation qui démarre.
La méthode en quatre étapes
INFOGRAPHIE AILABDe la numérisation à l’action en quatre étapes
Cartographier. La cartographie révèle souvent des flux peu visibles mais très consommateurs de temps. Prioriser. Commencer par les documents les plus structurés et les plus volumineux évite le projet trop ambitieux qui s’enlise. Tester. Un pilote sur des documents réels et représentatifs est le seul moyen d’évaluer objectivement la qualité de reconnaissance. Industrialiser. Avec des responsabilités claires sur la qualité des données produites et la gestion des exceptions.
Illustration : des factures fournisseurs hétérogènes
Cas fictif, présenté à titre pédagogique.
Une direction financière reçoit chaque mois plusieurs centaines de factures : PDF natifs, scans de bonne qualité, photos de documents partiellement manuscrits. La saisie, le rapprochement et la validation mobilisent plusieurs personnes à temps plein, les délais de paiement s’allongent et la direction n’a pas de vue en temps réel sur ses engagements. En priorisant les factures structurées et en testant sur un échantillon de quelques centaines de documents, elle automatise la capture des champs clés (numéro, montant, coordonnées bancaires, échéance) et les envoie dans l’ERP. Les équipes se consacrent au contrôle, à la négociation et à l’analyse ; la traçabilité facilite les obligations fiscales.
INFOGRAPHIE AILABDes factures hétérogènes, avant et après
La qualité des sources : un scan flou ou un document froissé dégrade mécaniquement les résultats. La qualité de capture en amont n’est pas négociable.
L’hétérogénéité : arabe, français et anglais, formats A4, tickets thermiques, manuscrits. Les modèles se valident sur des données représentatives de cette réalité.
La gouvernance des données extraites : qui valide, quel taux d’erreur est acceptable, qui gère les exceptions ? À trancher avant le déploiement.
L’intégration : isolé, l’OCR ne crée pas de valeur. L’effort d’intégration est souvent sous-estimé au budget.
L’accompagnement : les équipes doivent comprendre ce que fait la technologie et quel est leur nouveau rôle.
Les langues et les formats du terrain marocain
Au Maroc, un même flux mélange souvent le français, l’arabe et parfois l’anglais, sur des supports très variés : factures imprimées, tickets thermiques, formulaires remplis à la main, cachets et signatures qui recouvrent le texte. Les moteurs de reconnaissance ne se valent pas sur ces documents. La sélection doit donc se faire sur un échantillon représentatif de vos documents réels, et non sur les exemples fournis par l’éditeur.
Prévoyez aussi le traitement des exceptions : les documents illisibles ou atypiques doivent être orientés vers une file de traitement humain, avec un suivi de leur volume. Ce suivi indique où améliorer la qualité de capture en amont, par exemple en équipant les agences de scanners adaptés ou en proposant un dépôt numérique aux fournisseurs.
INFOGRAPHIE AILABÀ retenir
✓L’OCR capture ; il ne comprend pas.
✓La valeur naît du traitement intelligent et de l’intégration.
✓Avancer par paliers, du plus simple au plus intégré.
✓La qualité des sources conditionne la qualité des résultats.
La réponse courte : une IA qui répond vite ne répond pas forcément bien. La qualité d’une réponse se mesure sur quatre dimensions : pertinence, exactitude factuelle, adéquation au contexte (secteur, réglementation marocaine, langue) et traçabilité des sources. Pour la mesurer, il faut un jeu de questions de référence validé par vos experts, une évaluation humaine régulière sur les cas critiques et une documentation de chaque correction. C’est une responsabilité de gouvernance, pas un réglage technique.
L’illusion de la réponse correcte
Beaucoup d’organisations se contentent de constater que leur outil d’IA répond : l’usage augmente, les demandes au support diminuent, le projet est validé. Mais répondre et bien répondre sont deux choses différentes. Une réponse peut être parfaitement formulée, affirmée avec assurance, et contenir une erreur factuelle, ignorer le contexte réglementaire ou passer à côté de la vraie question.
Dans une banque, une assurance ou une administration, une mauvaise réponse peut conduire à une décision erronée, à un risque juridique ou à une perte de confiance durable. Un modèle conçu pour d’autres marchés peut produire des réponses cohérentes en apparence mais inadaptées au cadre marocain : textes de loi, circulaires sectorielles, terminologie.
« Répondre vite est un confort ; répondre juste est une exigence. »
Les quatre dimensions d’une réponse de qualité
INFOGRAPHIE AILABLes quatre dimensions d’une réponse de qualité
Pertinence : la réponse traite-t-elle la question posée, au bon niveau de détail ? Exactitude : les informations sont-elles vérifiables et justes ? C’est critique dans les domaines réglementés, où les « hallucinations » coûtent cher. Adéquation au contexte : tient-elle compte du secteur, de la réglementation locale et du niveau d’expertise de l’utilisateur ? Traçabilité : peut-on montrer d’où vient la réponse, quelles sources ont été mobilisées et dans quelles conditions ? Dans un environnement audité, une bonne réponse doit aussi être justifiable.
Construire un référentiel d’évaluation en quatre étapes
INFOGRAPHIE AILABConstruire un référentiel d’évaluation
Identifiez les situations où une mauvaise réponse aurait les conséquences les plus lourdes. Ce sont elles, et non les plus fréquentes, qui structurent l’évaluation. Un responsable conformité sait immédiatement quelles questions ne tolèrent aucune approximation.
2. Construire un jeu de questions de référence
Un ensemble de questions-tests avec leurs réponses attendues, validées par vos experts. Ce référentiel métier devient votre étalon ; il s’enrichit à chaque évolution réglementaire ou organisationnelle.
INFOGRAPHIE AILABExemple de jeu de questions de référence
Les métriques automatiques sont utiles mais insuffisantes. Le regard d’un expert reste irremplaçable pour juger la pertinence et l’adéquation réglementaire. Des sessions de revue courtes et régulières sur un échantillon de réponses réelles suffisent.
4. Itérer et documenter
Chaque écart constaté, chaque correction et chaque décision sont documentés. Cette trace sert les audits, la montée en compétence des équipes et la démonstration d’une gouvernance sérieuse.
Illustration : un assistant interne qui cite un seuil obsolète
Cas fictif, présenté à titre pédagogique.
Une organisation financière déploie un assistant IA pour répondre aux questions de ses conseillers sur les produits et les procédures. Les retours sont d’abord positifs. Puis un audit interne découvre que certaines réponses citent des seuils réglementaires obsolètes et omettent une obligation de déclaration. En cause : la base de connaissances n’avait pas été mise à jour après une circulaire récente. L’organisation corrige la base, ajoute une alerte sur les questions réglementaires sensibles et instaure une revue trimestrielle avec le juridique. La qualité d’une réponse n’est pas une propriété fixe du modèle : elle dépend des données, de leur mise à jour et de la gouvernance qui l’entoure.
INFOGRAPHIE AILABMesurer l’usage ou mesurer la qualité
La satisfaction n’est pas la qualité : une réponse agréable peut être fausse. Suivez séparément l’adoption et la fiabilité.
Les modèles évoluent : une mise à jour du modèle, de la base documentaire ou du paramétrage peut dégrader la qualité sans bruit. Toute évolution déclenche une nouvelle évaluation des cas critiques.
Le contexte local évolue aussi : réglementations, usages et terminologies changent ; le référentiel d’évaluation suit.
La gouvernance ne se délègue pas : aucun outil automatique ne remplace le jugement humain sur les questions à fort enjeu.
Organiser la revue experte sans y passer des journées
La revue humaine fait peur parce qu’on l’imagine exhaustive. Elle peut au contraire être légère et régulière : un échantillon de vingt à cinquante réponses réelles par mois, tiré en priorité sur les questions sensibles, relu par deux experts métier qui notent chaque réponse sur les quatre dimensions. Les écarts alimentent directement le jeu de questions de référence et la base de connaissances.
Cette routine produit, mois après mois, une mesure objective de la qualité, et une trace exploitable lors d’un audit. Elle permet aussi de repérer très tôt une dégradation après une mise à jour du modèle ou de la documentation.
La réponse courte : l’IA appliquée à la revue contractuelle extrait les clauses clés, détecte les écarts par rapport à vos modèles, classe les contrats et produit des fiches de synthèse ; elle n’interprète pas le droit et ne remplace pas le juriste. Un projet réussi se cadre en quatre étapes : auditer le corpus, choisir les cas d’usage prioritaires, sélectionner et paramétrer la solution, puis tester sur un pilote contrôlé avant la montée en charge, en traitant dès le départ la confidentialité des contrats.
Un problème silencieux qui coûte cher
Dans les banques, les opérateurs télécoms, les groupes industriels ou les administrations, la revue contractuelle repose encore sur une chaîne humaine longue : un juriste relit quarante pages, extrait les clauses sensibles, les compare au référentiel interne, puis alerte le métier. Ce cycle peut durer des jours, voire des semaines.
Le problème n’est pas la compétence des équipes, mais le volume, la répétition et la dispersion. Des centaines de bons de commande par mois, des accords-cadres dans plusieurs langues, une réglementation qui évolue, et toujours les mêmes outils : traitement de texte, tableurs, messagerie. Résultat : des clauses de résiliation passent inaperçues, des pénalités s’accumulent, des engagements de confidentialité ne sont pas suivis.
Les modèles de traitement du langage permettent aujourd’hui une analyse à grande échelle, en français, en arabe et en anglais, avec une précision suffisante pour filtrer, classer et alerter. C’est le moment de bien cadrer.
Ce que l’IA fait, et ce qu’elle ne remplace pas
INFOGRAPHIE AILABIA et revue contractuelle : le partage des rôles
Dans une organisation qui traite plusieurs centaines de contrats par an, déléguer l’extraction et la détection d’écarts libère un temps considérable pour l’analyse à valeur ajoutée. La revue devient plus rapide, plus cohérente et plus traçable, sans que la responsabilité juridique quitte les équipes.
INFOGRAPHIE AILABLes clauses à surveiller en priorité
Auditer le corpus. Volumes, typologies, langues, lieux de stockage : l’audit révèle souvent des contrats éparpillés dans des dizaines de dossiers sans nomenclature. Il est la fondation du projet, et souvent l’occasion de ranger les contrats dans une GED organisée par dossier. Choisir les cas d’usage. Achats stratégiques, partenariats, engagements de service : quelles typologies, quelles clauses, quel seuil de risque ? Sélectionner et paramétrer. Plateforme de gestion du cycle de vie des contrats enrichie d’IA, module intégré au système documentaire ou modèle de langage configurable : le choix dépend de la maturité, des contraintes de confidentialité et du budget. Piloter. Un type de contrat, une équipe, un périmètre limité ; mesurer la précision, faire valider par les juristes, ajuster, puis étendre.
Illustration : une direction achats face à un corpus hétérogène
Cas fictif, présenté à titre pédagogique.
Une direction achats gère chaque année plusieurs centaines de contrats fournisseurs, en français et en arabe, au formalisme très variable. Les juristes, sous-dimensionnés, ne peuvent pas tout relire avant signature. Un outil d’extraction configuré sur les clauses prioritaires produit pour chaque contrat une fiche de synthèse en quelques secondes. Le juriste se concentre sur les écarts signalés et valide ou invalide les propositions. Le gain est de temps, mais surtout de cohérence : chaque contrat est traité selon le même référentiel, quel que soit l’analyste.
INFOGRAPHIE AILABLa fiche de synthèse générée pour chaque contrat
Rubrique de la fiche
Contenu
Parties et objet
Identification, périmètre de la prestation
Engagements clés
Durée, montants, niveaux de service
Écarts au modèle
Clauses absentes ou modifiées, avec renvoi au passage
Confidentialité et hébergement : où sont hébergés les contrats, qui y accède, le prestataire les utilise-t-il pour entraîner ses modèles ? Au Maroc, les transferts de données personnelles hors du pays relèvent de la loi 09-08.
Qualité et biais : des modèles entraînés surtout sur des corpus anglophones peuvent mal reconnaître les spécificités du droit marocain. Testez sur vos propres contrats avant tout déploiement.
Adoption : présentez l’outil comme une aide, associez les juristes dès la conception, expliquez ce qu’il fait et ne fait pas.
Responsabilité : la décision contractuelle reste humaine ; documentez les validations faites sur la base des recommandations du système.
Mesurer la précision avant d’étendre
Le pilote n’a de sens que s’il est mesuré. Constituez un échantillon de contrats déjà analysés par vos juristes, faites-le traiter par l’outil, puis comparez : clauses trouvées, clauses manquées, faux positifs. Cette comparaison simple indique pour quels types de contrats et de clauses l’outil est fiable, et où la relecture humaine doit rester systématique.
INFOGRAPHIE AILABMesurer la précision sur un échantillon de référence
Mesure
Ce qu’elle indique
Clauses trouvées
La couverture de l’outil sur vos contrats
Clauses manquées
Les cas où la relecture humaine reste indispensable
Répétez la mesure après chaque évolution de l’outil ou de vos modèles de contrats. La précision n’est pas acquise une fois pour toutes : elle dépend du corpus, des langues et des formulations, qui évoluent avec vos partenaires.
INFOGRAPHIE AILABÀ retenir
✓L’IA extrait et alerte ; le juriste interprète et décide.
✓Le projet commence par l’audit du corpus, pas par l’outil.
✓Tester sur vos propres contrats, en français et en arabe.
✓La confidentialité des contrats se règle avant le déploiement.
Les cookies nécessaires activent des fonctionnalités essentielles du site comme les connexions sécurisées et les ajustements des préférences de consentement. Ils ne stockent pas de données personnelles.
Aucun
Les cookies fonctionnels supportent des fonctionnalités comme le partage de contenu sur les réseaux sociaux, la collecte de retours, et l’activation d’outils tiers.
Aucun
Les cookies analytiques suivent les interactions des visiteurs, fournissant des informations sur des métriques comme le nombre de visiteurs, le taux de rebond et les sources de trafic.
Aucun
Les cookies publicitaires diffusent des annonces personnalisées basées sur vos visites précédentes et analysent l’efficacité des campagnes publicitaires.
Aucun
Les cookies non classifiés sont des cookies que nous sommes en train de classifier, en collaboration avec les fournisseurs de cookies individuels.
