Envoyer un PDF numérisé vers un service d’OCR cloud pour en extraire le texte prend quelques secondes. La question qui se pose réellement concerne ce qui arrive au fichier pendant et après le traitement, surtout quand il contient des données de santé, des pièces contractuelles ou des archives RH.
Les principales API d’OCR cloud (AWS Textract, Azure Document Intelligence, Google Document AI) affichent des engagements de sécurité détaillés, mais les contraintes techniques et juridiques qu’elles imposent méritent un examen plus attentif.
A voir aussi : Stockage sécurisé : comment éviter le cloud ?
Métadonnées de requête : ce que l’OCR cloud conserve après le traitement
La plupart des services d’OCR cloud récents ne stockent plus le PDF source sur disque après extraction du texte. Google indique par exemple que les requêtes en ligne de Document AI ne persistent pas les fichiers envoyés.
En revanche, les métadonnées de requête restent enregistrées : horodatage, volume de pages traitées, identifiant du compte appelant, parfois des fragments de texte dans les logs de débogage. Pour un dossier médical ou un contrat confidentiel, ces traces suffisent à reconstituer un contexte sensible, même sans le document original.
A lire en complément : Stockage cloud privé : a-t-il vraiment des avantages pour la confidentialité des données ?
La distinction entre « le fichier n’est pas conservé » et « aucune donnée issue du fichier ne persiste » est rarement explicitée dans les conditions d’utilisation. Elle constitue un angle mort pour les équipes conformité qui valident l’usage d’un service cloud sur la seule base du marketing produit.
Limites techniques des API OCR cloud pour les gros PDF sensibles
Les contraintes de taille et de pagination des API constituent un problème concret, rarement abordé sous l’angle de la sécurité. Les grandes API plafonnent typiquement entre 20 Mo et 1 Go par fichier, et entre 15 et 3 000 pages par requête, avec des quotas de requêtes par seconde qui déclenchent des erreurs en cas de dépassement.
Un dossier de conformité réglementaire ou une archive RH numérisée dépasse régulièrement ces seuils. Le fichier doit alors être fragmenté avant envoi, ce qui crée une chaîne technique plus longue :
- Chaque fragment génère son propre appel API, ses propres logs et ses propres métadonnées, multipliant la surface d’exposition
- L’orchestration côté système d’information (scripts de découpe, files d’attente, stockage temporaire des morceaux) introduit des points de fuite supplémentaires
- La reconstitution du document final après OCR nécessite un traitement local qui, s’il est mal sécurisé, annule les garanties du service cloud lui-même
Fragmenter un PDF sensible augmente mécaniquement le nombre de points de vulnérabilité. Ce n’est pas un défaut du service OCR en tant que tel, mais une conséquence directe de ses limites techniques appliquées à des documents volumineux.
OCR cloud et conformité RGPD : le flou juridique persistant
Utiliser un OCR cloud pour traiter des PDF contenant des données personnelles (bulletins de paie, dossiers patients, pièces d’identité) déclenche un transfert de données au sens du RGPD. Le prestataire cloud devient sous-traitant, avec les obligations que cela implique : contrat de sous-traitance (article 28), registre des traitements, analyse d’impact si les données sont sensibles.
La localisation des serveurs de traitement reste un point de friction. AWS, Google et Azure proposent des options de résidence des données en Europe, mais le traitement OCR lui-même ne bénéficie pas toujours de cette garantie géographique. Certaines fonctionnalités avancées (extraction de tableaux, reconnaissance d’écriture manuscrite) peuvent être routées vers des clusters situés hors de l’Union européenne, selon la charge et la disponibilité.
Les retours terrain divergent sur ce point : certaines entreprises obtiennent des engagements contractuels précis sur la localisation du traitement OCR, d’autres se voient opposer des conditions génériques qui couvrent l’ensemble des services cloud du prestataire sans distinction.
OCR local ou hybride : une alternative crédible pour les documents confidentiels
Face à ces limites, des solutions d’OCR fonctionnant entièrement en local ou en mode hybride gagnent du terrain. Le principe : le moteur de reconnaissance s’exécute sur l’infrastructure de l’entreprise, sans que le PDF quitte le réseau interne.
Plusieurs outils open source permettent ce déploiement (Tesseract, PaddleOCR, le récent modèle OCR de Baidu). L’OCR local supprime le risque de transfert de données vers un tiers, mais impose en contrepartie des ressources matérielles (GPU pour les modèles neuronaux) et une maintenance logicielle que les petites structures n’ont pas toujours.
Le modèle hybride tente de combiner les deux approches : les documents classifiés comme sensibles sont traités en local, les documents courants passent par le cloud. Cette séparation suppose un système de classification en amont fiable, ce qui représente un projet à part entière.
Critères pour choisir entre OCR cloud et OCR local
- Nature des données contenues dans les PDF : données de santé, données financières ou documents internes non sensibles n’appellent pas le même niveau de précaution
- Volume et taille des fichiers : au-delà de quelques centaines de pages par lot, les limites des API cloud deviennent un facteur bloquant
- Capacité interne à maintenir une infrastructure OCR : serveurs, mises à jour des modèles, monitoring des performances
- Exigences réglementaires spécifiques au secteur (santé, banque, défense) qui peuvent interdire tout transfert vers un cloud public
Précision de l’OCR cloud sur les PDF numérisés : des résultats inégaux
La qualité de la reconnaissance dépend autant du service utilisé que de la qualité du scan d’origine. Un PDF numérisé à basse résolution, avec des pages inclinées ou des annotations manuscrites, produit des résultats très variables d’un moteur à l’autre.
Les comparatifs disponibles montrent que les écarts de précision entre API cloud dépassent souvent dix points de pourcentage sur des documents dégradés. Pour un PDF sensible, une erreur de reconnaissance sur un montant, un nom ou une date peut avoir des conséquences juridiques ou financières directes.
Les services cloud proposent des fonctions de post-correction et de validation humaine, mais elles impliquent une étape supplémentaire où le contenu du document est exposé, cette fois à des opérateurs ou à des interfaces de revue dont le niveau de sécurité varie.
Le choix d’un OCR cloud pour des PDF sensibles ne se réduit pas à une question de fonctionnalités ou de tarif. La persistance des métadonnées, la fragmentation imposée par les limites techniques, le flou sur la localisation du traitement et les écarts de précision sur les documents dégradés forment un ensemble de contraintes que chaque organisation doit évaluer au regard de ses propres obligations réglementaires et de sa tolérance au risque.
