Word, Excel, PDF…Vous avez peut-être essayé de « donner un document à l’IA » et vous vous êtes demandé : mais au fait, est-ce qu’elle le lit vraiment ? Est-ce qu’elle comprend mon tableau Excel ? Est-ce qu’elle voit la mise en page de mon contrat Word ?

La réponse courte : non, pas directement. Et comprendre pourquoi, c’est comprendre comment fonctionne réellement l’intelligence artificielle — et pourquoi des solutions comme ArkeoAI font un travail de préparation invisible mais essentiel avant même que vous posiez votre première question.

L’IA ne « lit » pas. Elle calcule.

Un être humain qui ouvre un document Word voit des mots, des paragraphes, peut-être un tableau bien mis en forme. Son cerveau interprète instantanément la structure, le contexte, le sens.

Un modèle de langage (LLM — Large Language Model), lui, ne « voit » rien. Il ne traite qu’une chose : du texte brut, une séquence de caractères. Il n’a pas d’yeux, pas d’écran, pas de notion de « page » ou de « colonne ».

Son fonctionnement repose sur des probabilités statistiques apprises sur des milliards de phrases. En simplifiant : il prédit le mot le plus probable qui suit un autre mot, en tenant compte de tout ce qui précède dans la conversation. C’est très puissant — mais ça suppose que l’entrée soit du texte lisible, propre, ordonné.

Donnez-lui autre chose, et il est perdu.

Le problème : vos fichiers ne sont PAS du texte

Un fichier Word (.docx), c’est quoi vraiment ?

Contrairement à ce qu’on pourrait croire, un fichier Word n’est pas un simple document texte. C’est une archive compressée (comme un fichier ZIP) qui contient des dizaines de fichiers XML — un langage de balises technique — décrivant non seulement le contenu, mais aussi les marges, les polices, les styles, les métadonnées, les images intégrées, les commentaires, l’historique des révisions…

Si vous « ouvrez » un .docx sans logiciel adapté, vous obtenez des milliers de lignes de code incompréhensibles. L’IA ne peut pas extraire le sens de tout cela directement.

Un PDF, c’est encore plus compliqué

Le format PDF (Portable Document Format) a été conçu pour que le document s’affiche de manière identique sur n’importe quel écran ou imprimante. C’est une excellente idée pour la présentation — c’est une catastrophe pour l’extraction automatique.

Techniquement, un PDF ne contient pas de « paragraphes » ni de « phrases ». Il contient des instructions de positionnement : « affiche ce mot à la coordonnée X=142, Y=387 ». Résultat : quand on veut extraire le texte, on récupère parfois les mots dans le mauvais ordre, des colonnes mélangées, des tirets de césure en plein milieu des mots, des espaces manquants…

Et si le PDF est scanné (une image photographiée d’un document papier), il n’y a littéralement aucun texte dedans. Seulement des pixels. L’IA ne peut rien en faire sans une étape préalable de reconnaissance optique de caractères (OCR).

Un fichier Excel (.xlsx), un autre univers

Excel, c’est une grille de cellules. Chaque cellule a une adresse (A1, B3…), une valeur, parfois une formule, un format conditionnel, une couleur, une liste déroulante… Le fichier stocke tout ça dans une structure XML complexe, avec des feuilles multiples, des graphiques embarqués, des plages nommées.

Pour l’IA, cette structure tabulaire n’a de sens que si elle est correctement convertie en texte structuré. Un tableau de 50 colonnes mal préparé donnera une bouillie incompréhensible. L’IA ne saura pas que la colonne C représente un montant en euros, ni que la ligne 1 est un en-tête.

La préparation des documents : le travail invisible

C’est ici qu’intervient ce qu’on appelle le pipeline de traitement documentaire. Avant qu’une seule question puisse être posée à l’IA, chaque document passe par plusieurs étapes de transformation.

Étape 1 — Extraction du texte

Des outils spécialisés « ouvrent » le fichier et en extraient le texte pur, en essayant de reconstituer un ordre logique de lecture. Pour Word, on utilise des parseurs XML. Pour PDF, des bibliothèques comme PyMuPDF ou PDFPlumber. Pour Excel, des outils comme openpyxl ou pandas.

Cette étape seule peut déjà corriger une grande partie des problèmes de format — mais elle n’est pas infaillible, surtout pour les PDFs complexes.

Étape 2 — Nettoyage et normalisation

Le texte extrait est rarement propre. On trouve des sauts de ligne parasites, des caractères spéciaux issus du formatage, des en-têtes et pieds de page répétés à chaque page, des numéros de page intégrés au milieu d’une phrase…

Il faut nettoyer tout ça : supprimer les redondances, corriger l’encodage des caractères, reconstituer les mots coupés par la césure, normaliser les espaces.

Étape 3 — Découpage en morceaux (chunking)

Un contrat de 80 pages, une fois converti en texte, représente des dizaines de milliers de mots. Or, un LLM ne peut pas traiter une quantité illimitée de texte en une seule fois — il a une « fenêtre de contexte » limitée, comme une mémoire de travail.

La solution : découper le document en blocs de taille optimale, appelés chunks. Idéalement, chaque chunk représente une unité de sens cohérente — un article de loi, une clause contractuelle, un paragraphe thématique. Ni trop court (on perd le contexte), ni trop long (on dépasse la capacité de traitement).

Étape 4 — Vectorisation et indexation

C’est l’étape la plus technique, et la plus importante pour les systèmes RAG (Retrieval-Augmented Generation) comme ArkeoAI.

Chaque chunk de texte est transformé en une représentation mathématique appelée vecteur — une liste de nombres qui capture le sens sémantique du texte. Deux phrases ayant le même sens auront des vecteurs proches, même si elles utilisent des mots différents.

Ces vecteurs sont stockés dans un index vectoriel (comme FAISS, utilisé par ArkeoAI). Quand vous posez une question, cette question est elle aussi transformée en vecteur, et le système recherche les chunks dont le sens est le plus proche — avant de les transmettre à l’IA pour qu’elle formule une réponse.

Pourquoi tout ce travail ?

Parce que la qualité de la réponse de l’IA dépend entièrement de la qualité du texte qui lui est fourni. C’est le principe dit « garbage in, garbage out » : si vous donnez de la bouillie à l’IA, vous obtenez de la bouillie en retour.

Un document mal préparé peut amener l’IA à :

• Rater des informations pourtant présentes dans le fichier
• Mélanger des données issues de sections différentes
• Inventer des réponses plausibles mais incorrectes (phénomène d’hallucination)
• Être incapable de localiser une clause précise dans un long contrat

C’est précisément pourquoi ArkeoAI intègre un pipeline d’indexation rigoureux, conçu pour traiter des centaines ou milliers de documents juridiques, comptables ou administratifs, et garantir que l’IA dispose toujours d’une base documentaire propre, cohérente et navigable.

En résumé

L’intelligence artificielle ne lit pas vos fichiers comme vous le faites. Elle a besoin qu’on lui traduise ces fichiers en texte pur, nettoyé, découpé intelligemment, et indexé de façon à retrouver instantanément l’information pertinente.

Ce travail de préparation — invisible pour l’utilisateur final — est la fondation sur laquelle repose toute la fiabilité d’un assistant IA professionnel. Sans lui, l’IA tâtonne. Avec lui, elle répond. Excel : ce qui se passe vraiment en coulisses