Document AI : de l’extraction aux données vérifiées

Avec Document AI comme avec les autres solutions de traitement intelligent des documents, l’intérêt est d’éviter la ressaisie sans laisser entrer de mauvaises données dans vos systèmes. Organisez le workflow autour de 4 tâches : classer le document, en extraire les champs, valider les valeurs et confier les exceptions à une personne avant tout archivage ou enregistrement.

Pour un responsable des opérations ou des finances, le premier résultat utile est une fiche provisoire vérifiée, accompagnée de son document source. Le paiement automatique, l’interprétation d’un contrat et l’approbation d’un fournisseur relèvent de décisions distinctes. Commencez par ce qui occupe vos journées : lire les pièces jointes, recopier les champs et retrouver le bon dossier.

Fonctionnalités et limites vérifiées dans la documentation des éditeurs le 26 octobre 2026. Le pilote décrit ci-dessous est une méthode d’évaluation proposée, pas un benchmark des produits.

Comment fonctionne le traitement intelligent des documents ?

L’IDP est un workflow qui transforme des documents en données exploitables et soumet les cas incertains à une vérification humaine. Imaginez un gestionnaire de dossiers muni d’une liste de contrôle : il identifie ce qui arrive, relève les informations utiles, les confronte aux règles et transmet les dossiers non résolus à une personne habilitée à trancher.

L’entrée peut être un formulaire structuré aux cases fixes, une facture semi-structurée dont la présentation varie selon le fournisseur, ou un e-mail non structuré. Les données peuvent ensuite alimenter votre logiciel comptable, un registre de contrats ou une file de traitement des dossiers. La présentation de l’IDP par AWS décrit la classification, l’extraction, la validation et l’intégration comme les composantes de ce processus plus large.

Voici un workflow utile pour les factures :

1. Classer. Déterminer si la pièce jointe est une facture, un avoir, un relevé ou un autre document. Si un fichier regroupe plusieurs documents, les séparer avant d’extraire les champs.
2. Extraire. Relever le fournisseur, le numéro de facture, les dates, la devise, les totaux et les lignes de détail. Conserver le fichier d’origine ainsi que la page ou la zone qui justifie chaque valeur.
3. Valider. Contrôler les champs obligatoires, les calculs, les doublons et la fiche fournisseur. Un total parfaitement lisible peut tout de même provenir de la mauvaise facture.
4. Orienter. Enregistrer les données acceptées dans la destination autorisée. Confier un bon de commande manquant, un total incohérent ou une classification incertaine à une personne chargée de la vérification et clairement désignée.

Ces responsabilités doivent être prévues dans la conception du workflow : rien ne garantit que chaque API d’extraction les prenne en charge. Une API, l’interface par laquelle un logiciel demande un service, peut renvoyer des champs sans connaître vos règles d’approbation.

Conservez le lien entre l’identifiant du fichier et les données tout au long du processus. Sinon, une extraction correcte peut devenir un échec opérationnel dès que quelqu’un ne retrouve plus le document qui la justifie.

Qu’ont changé les LLM et les modèles de vision par rapport à l’OCR ?

L’extraction peut désormais s’appuyer sur le sens et le contexte de la page, au lieu de se fier uniquement à l’emplacement d’un champ. La reconnaissance optique de caractères, ou OCR, lit les caractères présents dans une image. Un extracteur fondé sur des gabarits recherche ensuite des positions connues ou applique des règles de mise en page. Un grand modèle de langage, ou LLM, interprète le langage ; un modèle de vision-langage accepte aussi des images en entrée.

Un fournisseur peut, par exemple, déplacer la mention « Montant dû » du coin inférieur droit vers un encadré récapitulatif en haut de page. Une règle fondée sur une position fixe doit alors être adaptée. Un modèle chargé de trouver le total à payer peut s’appuyer sur le libellé et son contexte, même s’il peut encore sélectionner le mauvais montant.

Custom Extractor, dans Google Document AI, permet une extraction par modèle de fondation à partir d’un schéma défini, c’est-à-dire la liste des champs nommés à renvoyer, avec des options zero-shot et few-shot. Ces termes désignent une utilisation sans exemple de la tâche ou avec un petit ensemble d’exemples. Les services d’extraction managés ont donc déjà dépassé le modèle historique fondé uniquement sur les gabarits. La documentation de Custom Extractor de Google présente les méthodes disponibles.

Les sorties structurées répondent à un autre besoin : imposer la forme des données renvoyées. Une chaîne de caractères dans un champ de date ou un total numérique sont plus faciles à traiter par un logiciel, mais leur format ne prouve pas qu’ils proviennent du bon endroit. Distinguez bien la validation du schéma, qui contrôle la structure, de la validation métier, qui détermine si une valeur est acceptable.

Quels usages pour le traitement intelligent des documents ?

Choisissez le premier workflow selon votre capacité à définir clairement une réponse correcte. Une tâche d’extraction bien délimitée s’évalue plus facilement qu’une consigne du type « gérez tous nos documents ».

En comptabilité fournisseurs, créez des fiches de factures provisoires, rapprochez-les des fournisseurs et signalez les doublons. Excluez les changements de coordonnées bancaires de l’acceptation automatique, même lorsque le numéro de compte imprimé est parfaitement lisible.

Pour les contrats, extrayez les parties, les dates indiquées et le passage consacré au renouvellement. Recopier un délai de préavis et déterminer comment il s’applique au fil des avenants sont deux tâches différentes. Un responsable des opérations peut utiliser la première pour préparer un registre ; la seconde exige une personne responsable de la vérification.

Pour les formulaires, relevez les données saisies et les cases cochées, puis vérifiez que le document est complet. Un formulaire d’intégration auquel manque une signature obligatoire doit rester incomplet : le système ne doit pas déduire une réponse pour combler ce manque.

Pour les e-mails, identifiez la demande et reliez-la aux pièces jointes. Si un message indique « merci d’utiliser la facture révisée », le workflow doit conserver ce lien, au lieu de simplement extraire les deux pièces jointes et de créer des doublons.

La même logique peut servir à enregistrer des déclarations de sinistre, des documents d’expédition ou des dossiers du personnel. Le critère reste concret : quelle valeur faut-il obtenir, où se trouve sa preuve et qui tranche en cas de désaccord ?

Logiciel de traitement documentaire : acheter ou développer ?

Achetez un workflow complet quand le besoin est standard ; développez autour de services d’extraction quand vos règles et vos systèmes de destination font la particularité du projet. La différence tient à la part de collecte, de validation, de vérification et d’intégration que votre organisation devra prendre en charge.

Un service managé est une brique logicielle, pas nécessairement un workflow financier prêt à fonctionner. À l’inverse, « sur mesure » ne signifie pas qu’il faut entraîner un modèle à partir de zéro. Vous pouvez construire votre propre processus de collecte et de vérification autour d’un extracteur hébergé.

Pour un acheteur, la démonstration décisive consiste à voir la personne chargée du contrôle résoudre une exception avec le document original sous les yeux. Une animation d’import réussie ne dit pas grand-chose du travail qui reste ensuite.

Document AI, Azure, AWS et LLM : quelle approche choisir ?

Comparez ces approches selon vos documents, vos exigences de traçabilité et la charge de vérification. Les descriptions ci-dessous reprennent les fonctionnalités documentées par les éditeurs. Les appréciations sur leur pertinence sont des recommandations, pas un classement de précision.

Google Document AI : des processeurs spécialisés et des options génératives

Google Document AI est le service de traitement documentaire de Google Cloud. Son catalogue de processeurs comprend OCR, Invoice Parser, Custom Extractor, Custom Classifier et Custom Splitter. Invoice Parser extrait les champs d’en-tête et les lignes de détail ; la classification et le découpage identifient les documents et leurs limites. Le catalogue des processeurs de Google détaille ces rôles distincts.

Commencez par le processeur prédéfini adapté, puis évaluez Custom Extractor si les champs ou les types de documents requis ne sont pas couverts. Son approche générative permet une extraction guidée par un schéma, avec, en option, des exemples ou du fine-tuning. Google propose aussi une correspondance exacte ou approximative pour l’évaluation : convenez donc des normalisations acceptables avant de comparer les résultats. Documentation de Custom Extractor.

La limite tient à la prise en charge du workflow : renvoyer le montant d’une facture ne suffit pas à la rapprocher d’un fournisseur, à appliquer vos règles ou à résoudre une exception. Avant le pilote, vérifiez les langues, les régions et les documents pris en charge par la version du processeur choisie.

Azure AI Document Intelligence : modèles prédéfinis et personnalisés

Azure AI Document Intelligence est le service d’extraction documentaire de Microsoft. Les options documentées comprennent Read et Layout, des modèles prédéfinis pour les factures et les reçus, l’extraction personnalisée par gabarit ou par modèle neuronal, ainsi que la classification personnalisée. Microsoft destine les gabarits personnalisés aux mises en page fixes et les modèles neuronaux aux documents plus variés. Présentation des modèles par Microsoft.

Pour un système opérationnel reposant sur Azure, commencez par le modèle prédéfini qui correspond au document. Ajoutez une classification personnalisée lorsque les lots reçus contiennent plusieurs catégories de documents, puis évaluez l’extraction personnalisée si les champs requis diffèrent.

Le piège serait de croire que la reconnaissance de la mise en page suffit à constituer une fiche métier complète. Layout peut identifier du texte, des tableaux et des cases cochées ; votre application doit encore adapter et rapprocher ces résultats pour le système de destination. Microsoft évoque explicitement le post-traitement nécessaire pour réunir en un seul tableau des éléments répartis sur plusieurs pages dans sa documentation de Layout.

Traitement documentaire chez AWS : Amazon Textract

Amazon Textract est le service d’Amazon Web Services destiné à extraire le texte et les données des documents. AWS documente la détection de texte, l’extraction de formulaires et de tableaux, ainsi que le traitement spécialisé des factures et des reçus. Son analyse des dépenses peut retrouver des champs comme la date, le numéro et le total d’une facture sans gabarit propre à chaque fournisseur. Documentation de Textract sur les factures et les reçus.

Textract est un premier candidat pertinent lorsque l’application qui l’entoure fonctionne déjà sur AWS et que les champs des documents correspondent aux opérations proposées. Choisissez l’opération adaptée au lieu de traiter chaque document comme du texte brut.

La limite est de croire qu’un score de confiance tranche une décision métier. AWS recommande de fixer les seuils selon la sensibilité de l’application et de soumettre les résultats incertains à un examen. L’éditeur signale aussi des extractions incohérentes dans les cellules fusionnées et les tableaux irréguliers. Bonnes pratiques de Textract.

L’approche fondée sur un LLM : un modèle, un schéma et une file de vérification

L’API OpenAI fournit un exemple documenté de l’approche fondée sur un LLM : un logiciel transmet un document à un modèle et lui demande de renvoyer des champs dans une structure définie. Pour les PDF, le mode d’entrée compatible avec la vision fournit à la fois le texte extrait et les images des pages. Documentation sur les fichiers en entrée.

Votre application définit les champs, exige des références aux éléments justificatifs et décide de la marche à suivre lorsqu’une valeur manque. Prévoyez un état « valeur manquante » accompagné d’un motif comme « absente du document » ou « illisible » ; ne forcez pas le modèle à remplir chaque case. Vérifiez les références justificatives dans le fichier original, au lieu de supposer qu’un numéro de page généré est correct.

OpenAI documente le respect du schéma pour les sorties structurées prises en charge, tout en précisant que les valeurs peuvent encore contenir des erreurs et qu’il faut gérer les refus comme les réponses incomplètes. Documentation de Structured Outputs. Notre guide des sorties structurées explique le contrat entre le modèle et votre application.

Choisissez cette approche lorsque l’extraction contextuelle est la capacité qui vous manque et qu’une personne peut assurer la maintenance du workflow. La limite est opérationnelle : avec un prompt et une réponse JSON, vous restez responsable de l’évaluation, des nouvelles tentatives, de la vérification, du stockage et de la sécurité des enregistrements dans les systèmes de destination.

Dext : une solution à réserver au besoin comptable

Dext est une application de capture de documents comptables, pertinente lorsque les justificatifs et les factures s’accumulent. Sa documentation décrit l’extraction du fournisseur ou du client, des dates, des totaux, des taxes et des numéros de facture vers une fiche détaillée, où ces éléments peuvent être vérifiés, modifiés et exportés vers un logiciel comptable connecté. Guide d’extraction de Dext.

Pour un responsable financier dont le besoin s’arrête à une fiche comptable vérifiée, c’est un point de départ plus pertinent que de faire développer un système documentaire généraliste. Cette recommandation ne s’étend ni à l’interprétation des contrats ni à l’orchestration de formulaires et d’e-mails de toute nature. Consultez le comparatif des logiciels de comptabilité avec IA si votre décision porte sur l’application comptable elle-même.

Concevoir un pilote qui mesure les champs avant d’accorder sa confiance

Évaluez les valeurs dont l’entreprise a besoin avant d’autoriser le workflow à agir sur leur base. Un document qui semble correctement transcrit peut encore contenir l’erreur décisive : une mauvaise devise, un mauvais fournisseur ou un montant à payer incorrect.

1. 1

   Définir une catégorie de documents et ses champs obligatoires

   Commencez par une tâche bien délimitée, comme transformer des factures fournisseurs en fiches provisoires. Nommez chaque champ obligatoire, sa source et l’action qu’il peut autoriser. Séparez l’extraction des valeurs calculées : une date d’échéance indiquée sur le document et une date calculée à partir des conditions de paiement sont deux résultats différents.

2. 2

   Établir des réponses vérifiées par des personnes et réserver un jeu de test

   Réunissez des documents historiques représentatifs, notamment des fournisseurs inconnus, des scans médiocres, des avoirs et des tableaux difficiles. La vérité de référence correspond aux réponses correctes établies par des personnes. Faites contrôler les annotations ambiguës ou critiques par une autre personne. Séparez les documents d’évaluation des exemples utilisés pour ajuster les prompts ou entraîner l’extracteur, y compris les documents presque identiques issus d’une même transaction.

3. 3

   Convenir des règles de comparaison avant de regarder les résultats

   Normalisez les différences sans conséquence, comme les espaces en début ou en fin de texte ou un format de date connu. N’utilisez pas une similarité textuelle approximative pour les montants, les identifiants de compte ou les numéros de facture. Préservez le sens de la devise et des décimales. Pour les lignes de détail, évaluez à la fois les valeurs et leur rattachement à la bonne ligne : un montant correct associé au mauvais article constitue une erreur.

4. 4

   Tester les candidats sur les mêmes documents restés à l’écart des réglages

   Conservez chaque réponse brute avant correction manuelle, la version du modèle ou du processeur, celle du prompt et du schéma, l’échec de traitement et la référence source. Comptabilisez les fichiers illisibles, les délais d’attente dépassés et les extractions vides dans les résultats opérationnels. Ne les retirez pas discrètement du dénominateur.

5. 5

   Orienter les exceptions et fonctionner en parallèle du processus existant

   Faites produire des brouillons au workflow proposé en parallèle du processus actuel. Mesurez les corrections et le temps de vérification. N’activez l’acceptation automatique que pour un sous-ensemble de documents dont les résultats sur le jeu de test réservé atteignent les seuils fixés à l’avance par le responsable du processus ; maintenez une approbation propre aux actions à fort impact.

Évaluer séparément les champs, les fiches complètes et les erreurs silencieuses

Une moyenne unique masque l’emplacement et les conséquences des erreurs. Utilisez une grille d’évaluation avec des résultats distincts pour chaque champ et chaque groupe de documents difficiles.

Présentez séparément les champs facultatifs absents, afin que des centaines de cases correctement laissées vides ne gonflent pas les performances. Si vous indiquez aussi le rappel, définissez-le comme le nombre de valeurs obligatoires correctement retrouvées divisé par le nombre total de valeurs obligatoires. Évaluez séparément la classification des documents et le découpage des lots : une extraction parfaite effectuée sur le mauvais document produit tout de même une fiche incorrecte.

Exemple de calcul, et non performance mesurée d’un produit : supposons que 200 factures exigent chacune 8 champs, soit 1 600 valeurs attendues. Si 1 590 valeurs sont correctes mais que les 10 erreurs restantes portent sur les totaux à payer de factures différentes, seules 190 factures sont entièrement correctes. Un bon score global sur les champs ne suffit pas à autoriser toutes les factures.

Mesurez les erreurs silencieuses en auditant les fiches que le workflow aurait acceptées, et pas seulement en inspectant sa file de vérification. Commencez par contrôler toutes les sorties du pilote ; les échantillonnages ultérieurs doivent rester représentatifs de ce qui est accepté. Si aucune fiche n’a été acceptée automatiquement, le taux d’erreurs silencieuses n’est pas défini : ce n’est pas un résultat parfait. Appliquez la même règle à la précision lorsqu’aucune valeur n’a été renseignée.

Quels bénéfices ? Mesurer le travail réellement supprimé

Le bénéfice opérationnel se mesure en minutes économisées pour obtenir une fiche correcte. Comparez le traitement manuel à l’ensemble du processus proposé : collecte, traitement par le modèle, correction, vérification, export et reprises. Suivez aussi le délai de traitement et l’ancienneté de la plus vieille exception non résolue. Une extraction rapide avec une file d’attente qui grossit déplace le travail en retard sans le résorber.

Donnez aux personnes chargées du contrôle la page source, les éléments justificatifs surlignés lorsqu’ils sont disponibles, la valeur extraite, la règle non respectée et la destination prévue. Enregistrez la correction et son motif. Le guide de l’IA avec intervention humaine aborde la responsabilité de la file et la remontée des cas difficiles ; désigner une personne pour résoudre les exceptions fait partie du lancement du workflow.

Les limites de l’IDP : écriture manuscrite, tableaux et scans

Intégrez volontairement des entrées difficiles au pilote. Une évaluation composée uniquement de factures numériques propres apprend peu de choses sur une photo prise au téléphone, un formulaire annoté ou un tableau qui se poursuit sur une autre page.

L’écriture manuscrite exige son propre groupe de test. Montants barrés, notes en écriture cursive et tampons qui se chevauchent créent des ambiguïtés, même lorsqu’un produit prend en charge le manuscrit. Cette prise en charge peut aussi varier selon la langue : Amazon Textract documente la reconnaissance des caractères manuscrits uniquement en anglais. Limites de Textract. Soumettez une correction manuscrite incertaine à une vérification, au lieu de la laisser remplacer silencieusement un montant imprimé.

Les tableaux sur plusieurs pages exigent des contrôles de continuité. Un saut de page peut couper une ligne, répéter un en-tête ou introduire un sous-total qui ressemble à une ligne de détail. Vérifiez le nombre de lignes, les descriptions qui se poursuivent et les totaux à l’échelle du document entier. La documentation de Layout de Microsoft évoque explicitement le post-traitement nécessaire pour réunir les pages en un seul tableau. C’est une raison de tester le modèle choisi et la logique de reconstitution, pas d’affirmer que tous les modèles échouent sur tous les tableaux répartis sur plusieurs pages.

Pour les scans de mauvaise qualité, prévoyez de demander une nouvelle copie. Le flou, les bords coupés et la compression peuvent supprimer des informations qu’un modèle ne saura pas récupérer de façon fiable. AWS recommande des images de haute qualité, idéalement d’au moins 150 DPI, et déconseille de réduire la résolution de fichiers déjà pris en charge. Bonnes pratiques de Textract. Conservez l’original ; demandez une copie plus lisible lorsque les éléments justificatifs sont illisibles.

Testez aussi les pages manquantes et les fichiers regroupant plusieurs documents. Une fiche peut réussir tous les contrôles de format des champs tout en restant incomplète. Prévoyez un motif d’exception pour les justificatifs manquants, et pas seulement un échec de traitement générique.

Quelles promesses faut-il relativiser ?

« Lire des documents » ne signifie pas « pouvoir mener la transaction à bien sans risque ». Trois idées reçues provoquent des erreurs évitables.

Premièrement, une sortie structurée n’est pas une sortie vérifiée. Imposer un schéma à une réponse ne permet pas d’établir que le compte bancaire extrait appartient au fournisseur approuvé.

Deuxièmement, la confiance ne constitue pas une règle universelle d’acceptation. Le score d’un service, la certitude déclarée par un modèle et l’exactitude mesurée sur vos propres documents sont des choses différentes. Calibrez la règle d’acceptation à partir des résultats du jeu de test réservé et des conséquences des erreurs ; ne traitez pas un score de confiance généré par un modèle comme une probabilité mesurée.

Troisièmement, enregistrer des corrections ne réentraîne pas nécessairement le modèle. Utilisez-les pour diagnostiquer les échecs et améliorer les règles, les prompts ou les données d’entraînement, puis réévaluez le changement avant son déploiement. Conservez un jeu de non-régression, un ensemble fixe de documents déjà vérifiés, pour qu’une amélioration chez un fournisseur ne masque pas un échec chez un autre.

Qui devrait se lancer, attendre ou conserver son système actuel ?

Lancez-vous lorsque la collecte répétitive a une destination claire, des champs vérifiables et une personne responsable des exceptions. Pour un responsable des opérations, l’étape suivante consiste à réunir un échantillon représentatif et à nommer les champs obligatoires. Pour un responsable financier, commencez par des fiches provisoires ; gardez l’autorisation de paiement séparée.

Côté développement, commencez par l’extracteur le plus simple qui convient. Une personne qui développe seule peut comparer un modèle managé et une approche LLM sur le même échantillon réservé à l’évaluation. Le responsable technique d’une entreprise de taille intermédiaire doit exiger des liens vers les justificatifs, une responsabilité définie pour la vérification, des règles de conservation et une évaluation reproductible avant de connecter le workflow aux données de production. Traitez le texte des documents comme des données d’entrée : il ne doit pas pouvoir réécrire les instructions ou les autorisations de l’application.

Côté achat, attendez si personne ne sait définir une fiche correcte ni prendre en charge la file de vérification. Un fondateur ayant levé des fonds mais confronté à cette lacune doit désigner le responsable du processus avant de commander une automatisation sur mesure. Une équipe dont le système à gabarits traite déjà de manière fiable des formulaires stables n’a aucune raison de le remplacer au seul motif que des modèles de vision existent.

Dès lundi, choisissez une catégorie de documents, réunissez l’échantillon historique, rédigez les règles d’acceptation avec la personne chargée du contrôle et faites fonctionner le workflow proposé vers une destination réservée aux brouillons. N’élargissez son périmètre que lorsque les résultats par champ et la charge de travail restante le justifient.

Questions fréquentes sur l’IDP

Qu’est-ce que le traitement intelligent des documents ?

C’est un workflow qui classe les documents, en extrait les informations, les valide, puis oriente les fiches obtenues ou les exceptions. Le résultat utile est une donnée vérifiée dont on peut retrouver la source.

Quelle différence entre l’OCR et le traitement intelligent des documents ?

L’OCR lit le texte d’une image. L’IDP englobe la classification, l’extraction des champs, les contrôles et l’orientation nécessaires pour utiliser ce texte dans un processus métier. L’OCR peut en être une composante.

Quel logiciel choisir pour le traitement intelligent des documents ?

Choisissez selon la tâche à accomplir et le travail qui reste aux personnes chargées du contrôle. Pour les justificatifs et les factures, commencez par une application comptable comme Dext. Pour une collecte sur mesure, évaluez un extracteur managé ou un workflow LLM sur les mêmes documents vérifiés par des personnes.

L’IDP relève-t-il de l’intelligence artificielle ?

Le traitement intelligent des documents utilise couramment l’IA pour la classification et l’extraction, en complément de règles métier classiques. Dans d’autres contextes, IdP signifie fournisseur d’identité, un concept différent.

Quels sont les principaux fournisseurs de solutions IDP ?

Google Document AI, Azure AI Document Intelligence et Amazon Textract sont les services managés présentés ici. Il s’agit d’une comparaison de fonctionnalités, pas d’un classement par part de marché ou par précision : leur pertinence dépend des documents et du workflow.

Quelle IA convient le mieux au traitement documentaire ?

Le meilleur candidat est celui qui respecte vos critères d’acceptation pour les champs obligatoires et les fiches complètes, avec une charge de vérification maîtrisable. Un modèle qui lit bien les mises en page inhabituelles peut encore nécessiter des contrôles supplémentaires sur les tableaux et les champs manquants.

Existe-t-il une meilleure IA que ChatGPT ?

Pour une collecte documentaire récurrente, comparez un workflow réellement mis en œuvre à votre processus actuel, au lieu de juger uniquement une réponse dans un chat. Quel que soit le modèle choisi, il vous faut des champs prévisibles, des justificatifs issus de la source, une gestion des exceptions et une destination contrôlée.

Combien coûte Document AI ?

Les tarifs de Google Document AI varient selon le processeur et le volume ; consultez la page officielle des tarifs pour le processeur que vous comptez tester.

Google Docs utilise-t-il vos textes pour entraîner l’IA ?

Pour Google Workspace, Google indique que les données des clients ne servent pas à entraîner des modèles d’IA générative en dehors du domaine du client sans son autorisation. Consultez la politique de confidentialité de l’IA dans Workspace applicable à votre compte et à la fonctionnalité utilisée ; Google Docs est distinct du service Document AI présenté ici.

Pour des guides pratiques sur l’intégration de l’IA dans les processus métier, abonnez-vous à la newsletter.