PoC IA : Test d'un agent IA souverain pour de la recherche documentaire

Quai des Notaires est une LegalTech française en pleine expansion, spécialisée dans la transformation numérique du notariat. Avec une équipe d'environ 50 collaborateurs, l'entreprise s'est imposée comme un acteur majeur du secteur en équipant près de 24% des offices notariaux de l'Hexagone, soit plus de 8 500 utilisateurs quotidiens.

L'enjeu pour eux était une intégration générale de l'IA au sein de leur activité. Compte tenu de la sensibilité des données traitées, le client exigeait une solution d'IA souveraine, française ou auto-hébergée, tout en privilégiant un hébergement local et des partenaires technologiques nationaux.

La solution technique retenue : une architecture souveraine combinant le modèle Qwen pour l'OCR et le modèle Mistral Small 24B pour l'extraction des métadonnées. L'ensemble de la solution est piloté par l'orchestrateur Apache Airflow, tandis que l'hébergement est assuré par un Cloud souverain français, OVHcloud.

Ce choix technologique a été dicté par une exigence absolue de souveraineté numérique et de confidentialité des données notariales, imposant que les traitements soient effectués exclusivement sur le territoire national. L'utilisation de modèles "Open Weights" comme Mistral garantit une solution auditable et sécurisée, contrairement aux solutions propriétaires étrangères.

Sur le plan opérationnel, Apache Airflow a été privilégié pour sa capacité à gérer des flux de données complexes avec une grande fiabilité, offrant des mécanismes de relance automatique en cas d'erreur. Enfin, nous avons recommandé le cloud public OVH au vu de la nécessité d’ajuster les performances après validation du fonctionnement en conditions réelles ainsi que pour le respect du besoin d’hébergement souverain.

Phase 1 : Qualification du besoin métier

Cette étape initiale s’est concentrée sur la définition précise du périmètre d'intervention pour Quai des Notaires. Le travail a consisté à identifier l'ensemble des documents à traiter ainsi que la nature exacte des informations à en extraire pour répondre aux enjeux du métier. Parallèlement, nous avons isolé les points clés des attentes du client tout en intégrant les contraintes légales strictes liées à la souveraineté des données. Cette phase a permis d'établir le cadre réglementaire et opérationnel indispensable avant toute recherche technique.

Phase 2 : Etat de lieux et analyse des solutions existantes 

L'étude a recensé et comparé plusieurs technologies d'OCR et de modèles d'IA pour répondre aux critères de performance et de confidentialité. Plusieurs pistes ont été explorées, notamment des solutions comme Mistral OCR, LlamaOCR, Qwen, Tesseract ou encore Docling. 

Phase 3 : Expérimentation et résultats du PoC

La mise en œuvre pratique du PoC a servi de banc d'essai pour les solutions préalablement listées. Cette étape d'expérimentation a été cruciale pour confronter les outils à la réalité du terrain, permettant d'identifier concrètement les difficultés techniques, notamment sur la gestion des documents complexes et manuscrits où le taux de réussite a plafonné à 60 %.

C’est à l'issue de ces tests comparatifs que le choix s'est porté sur le modèle Qwen pour la brique OCR, car il s'agit de la solution la plus pragmatique permettant un déploiement local immédiat sans dépendre d'une connexion externe. Pour l'analyse sémantique, Mistral Small 24B a été retenue pour son efficacité et sa parfaite conformité aux critères de souveraineté.

Phase 4 : Étude de l'hébergement et souveraineté

Sur la base des performances observées lors du PoC, une étude spécifique a été menée pour définir l'infrastructure de production. Le choix s'est porté sur le Cloud public d'OVH afin de garantir que l'intégralité du traitement des données s'effectue sur le territoire français, répondant ainsi aux exigences de confidentialité du notariat. Cette étape a permis de dimensionner précisément les besoins en serveurs GPU nécessaires pour faire tourner les modèles Mistral et Qwen, tout en assurant une séparation stricte entre les environnements de test et de production.

Phase 5 : Bilan financier et trajectoire industrielle

L'étude s'est clôturée par une analyse détaillée des coûts et de la feuille de route pour le passage à l'échelle. Ce bilan a mis en évidence un investissement initial pour la construction de la plateforme et un coût de fonctionnement mensuel important lié à la puissance des serveurs. Des pistes d'optimisation ont été formulées, comme l'utilisation de modèles mutualisés en tant que service, pour réduire les frais d'hébergement. Ce volet final donne une visibilité complète sur l'effort de développement et le budget nécessaire pour intégrer durablement cette solution au sein de Quai des Notaires.

L'expérimentation a démontré une excellente efficacité temporelle : le traitement complet d'un lot hétérogène de 52 documents a été réalisé en 4 minutes et 33 secondes. Ce délai couvre l'intégralité du pipeline, de la récupération sur serveur SFTP à l'écriture finale des résultats, validant ainsi la capacité de l'architecture à supporter des flux de production réels sans saturation.

Cependant, la fiabilité de l'extraction varie significativement selon la typologie des documents :

• Certificats simples : Le système atteint un taux de réussite de 100 %, identifiant sans erreur la nature du document et ses métadonnées.
• Extraction de données générales : Pour les informations classiques (adresses, références cadastrales), la précision s'élève à 83 %, offrant une base solide pour l'aide à la saisie.
• Dossiers complexes : Sur les fichiers multi-certificats ou les documents vierges, le taux de succès chute à 60 %. Les erreurs relevées concernent principalement des "hallucinations" (invention d'un certificat inexistant) ou l'omission d'informations noyées dans des mises en page denses.

Concernant les limites rencontrés, trois facteurs structurels expliquent les imprécisions observées sur les dossiers complexes : 

• La temporalité des annotations : L'OCR extrait le texte de manière brute sans pouvoir distinguer le texte original imprimé des notes manuscrites ajoutées ultérieurement (souvent des ratures ou des corrections au stylo). L'IA reçoit un mélange incohérent qu'elle peine à réconcilier.
• La non-linéarité : Les documents comportant des tableaux complexes ou des informations écrites verticalement dans les marges ont entraîné des erreurs de lecture de l'OCR, perturbant ensuite l'analyse sémantique de l'agent.
• La densité sémantique : Sur certains certificats d'urbanisme très denses, l'IA a eu du mal à extraire la "substance" juridique exacte, se limitant parfois à une lecture trop littérale.