Le parsing visuel : pourquoi vos PDF sabotent votre RAG (et comment LlamaParse corrige le tir)

On a passé deux ans à débattre du modèle. GPT-5 contre Claude 4.5, Gemini contre Mistral, contexte d’un million de tokens contre cache préfixé. Pendant ce temps, l’éléphant dans la pièce est resté invisible : 90% des pipelines RAG en production avalent une bouillie de pixels mal extraits, puis s’étonnent que le LLM hallucine. Le problème n’est pas dans le cerveau. Il est dans l’œsophage.

Comme je l’expliquais dans l’article sur le passage du RAG au CAG, même une fenêtre de contexte d’un million de tokens ne sauvera pas un système nourri à la donnée corrompue. Garbage in, garbage out — la règle de 1957 reste imbattue. Et la première porte d’entrée du garbage, c’est le PDF.

Le PDF : un format mort, conçu pour l’imprimante

Adobe a inventé le PDF en 1993 pour une seule mission : préserver l’apparence visuelle d’un document à travers les machines. Pas son sens. Pas sa structure. Son apparence. Quand un designer InDesign exporte un rapport, l’ordre de lecture est souvent celui dans lequel il a posé les blocs sur la page, pas celui dans lequel un humain les lirait. C’est le secret sale du format : le PDF moyen est un cimetière sémantique avec une mise en page agréable.

PyPDF2, PDFMiner, pdfplumber : ces outils traditionnels lisent les caractères mais ignorent la géométrie. Ils restituent le texte dans l’ordre où il a été écrit dans le fichier, pas dans l’ordre où un cerveau l’interpréterait. Sur un document à colonnes, le résultat est immédiat : les phrases se mélangent, les paragraphes deviennent illisibles. Sur un tableau, c’est pire.

Prenez un manuel d’atelier automobile, un manuel BMW M par exemple. Le tableau de pressions de pneus distingue avant/arrière, charge basse/charge maximale, jante 19″/jante 20″. Six valeurs disposées sur une grille. Passé dans PyPDF2, le tableau ressort en une suite linéaire : 2.3 2.5 2.4 2.6 2.5 2.7. Six chiffres. Aucune relation. Le mécanicien qui y verrait un tableau ne récupère qu’un égrenage incohérent. L’embedding qui en sortira sera un nuage de probabilités flottant entre « pression », « pneu » et « BMW », incapable de répondre à la question simple : quelle pression dois-je mettre en charge pleine sur la M4 G82 avec jante M de 20 pouces ?

Le verdict est mécanique : si le texte extrait est illisible pour un humain, il est inexploitable pour le modèle d’embedding qui le suit. C’est exactement le diagnostic posé dans l’article sur le talon d’Achille du RAG — le maillon faible de la chaîne, ce n’est pas Voyage ou Cohere, c’est la donnée brute qu’on leur fait avaler.

Le parsing visuel : on regarde la page, on ne lit plus le code

Le saut de paradigme est arrivé en 2024 avec l’industrialisation des Vision-Language Models. Au lieu de parser le code interne du PDF, on rasterise chaque page en image, puis on la passe à un VLM entraîné à reconnaître la structure visuelle d’un document : titres, paragraphes, listes, tableaux, légendes, en-têtes de colonnes, notes de bas de page. C’est exactement la manière dont un humain lit. On voit avant de comprendre.

LlamaParse, le service maintenant rebadgé « Parse » sur LlamaCloud, est l’outil de référence du segment. Il combine OCR, modèles de vision et reconstruction sémantique pour produire un Markdown propre où la hiérarchie est restaurée : # Titre, ## Section, listes à puces, et surtout — surtout — des tableaux Markdown avec les pipes verticales aux bons endroits. Mais en 2026, deux concurrents lui marchent sérieusement sur les talons et méritent qu’on s’y arrête.

Le trio de tête : LlamaParse, Reducto, Docling

Reducto (Y Combinator, 33 M$ levés dont une Série A de 24,5 M$ menée par Benchmark) joue la carte de la précision absolue sur les documents financiers et juridiques. Son architecture multi-passe — d’abord un modèle de layout, puis des VLM contextuels, puis un « Agentic OCR » qui relit et corrige ses propres erreurs — vise les cas où la moindre erreur de cellule coûte un audit. Sur RD-TableBench, leur propre benchmark public d’extraction de tableaux, Reducto atteint 90,2% de similarité moyenne sur tableaux denses, devant Azure Document Intelligence, AWS Textract et GPT-4o.

Docling (IBM Research Zurich, 37 000 étoiles GitHub, donné à la Linux Foundation début 2026) joue la carte exactement opposée : open-source Apache 2.0, exécution 100% locale, modèles distillés pour tourner sur CPU sans GPU dédié. Sa stack interne combine DocLayNet (object detection sur 81 000 pages annotées), TableFormer (reconnaissance de structure de tableaux), le modèle Heron de décembre 2025 (RT-DETRv2, 28 ms par page sur A100, +23,5 points de mAP sur l’analyse de layout), et désormais Granite-Docling-258M, un VLM de 258 millions de paramètres sous Apache 2.0. Sur les rapports de durabilité — denses, multi-tableaux, multi-langues — Docling sort à 97,9% de précision dans le benchmark indépendant Procycons, devant LlamaParse et Unstructured.

Voici les arbitrages techniques qui décident du choix :

Le verdict pratique : LlamaParse pour démarrer vite sur un cas générique, Reducto quand chaque cellule de bilan compte, Docling quand la souveraineté ou le coût marginal zéro priment. Les autres acteurs (Document AI de Google, Textract chez AWS, Document Intelligence chez Azure, Unstructured pour l’open-source-first, Nanonets-OCR pour les déploiements GPU locaux) restent pertinents sur des niches mais aucun ne domine simultanément le triplet précision/coût/souveraineté que ces trois-là proposent.

LlamaIndex, dont LlamaParse est la brique d’ingestion, n’est pas qu’un orchestrateur de requêtes. C’est avant tout une plomberie de structuration : il découpe les documents en Node exploitables, applique des MarkdownElementNodeParser qui respectent la hiérarchie, et alimente la base vectorielle avec des chunks dont la cohérence interne est préservée. La requête vient après. Et elle est meilleure parce que l’amont a été propre.

Le Markdown : le langage universel de la vectorisation

Pourquoi Markdown comme format pivot, et pas du JSON, du XML, du HTML ? Parce que le Markdown est le seul format qui combine trois propriétés rares : il est lisible par un humain, structuré pour une machine, et léger en tokens. Un titre Markdown coûte deux caractères (# ). Le même titre en HTML en coûte neuf (<h1></h1>). Sur un corpus de dix millions de pages, le différentiel se compte en milliers d’euros sur la facture d’embedding.

Surtout, le Markdown préserve les relations logiques que les modèles d’embedding modernes savent exploiter. Les pipes d’un tableau (| Avant | Arrière |) agissent comme des indices de proximité spatiale : le modèle comprend que les valeurs de la colonne « Avant » appartiennent à un même axe sémantique. Un en-tête ## Pressions de pneus rattache tous les paragraphes suivants à cette thématique, jusqu’au prochain ##. Le modèle d’embedding n’invente plus la structure — elle lui est donnée.

Cette structure forte produit un effet secondaire précieux : elle creuse la distance vectorielle entre les différents types de blocs. Un chunk identifié comme titre ## Pressions de pneus ne se projette pas dans le même voisinage de l’espace latent qu’un chunk de paragraphe descriptif, ni qu’un chunk de tableau. Le modèle d’embedding n’a plus à deviner la nature du contenu — elle lui est signalée par la syntaxe Markdown elle-même. C’est précisément le mécanisme qui empêche le Semantic Collapse à grande échelle, ce phénomène où les vecteurs d’un index volumineux deviennent indistinguables les uns des autres. Du texte brut sans hiérarchie produit des vecteurs qui s’agglutinent en grappe ; du Markdown structuré produit des vecteurs qui s’écartent franchement selon le type de bloc. Le bruit recule, le signal monte.

Voyage AI, racheté par MongoDB en février 2025 pour 220 millions de dollars, pousse cette logique encore plus loin avec son modèle voyage-context-3 sorti en juillet 2025 : chaque chunk est embedé non pas isolément, mais avec le contexte global du document dont il provient — une seule passe d’embedding voit l’ensemble des chunks d’un document et injecte automatiquement le contexte pertinent dans chaque vecteur, sans surcoût de stockage. Sur les benchmarks publiés par Voyage, le gain de précision de retrieval va de +7% sur des corpus généralistes à +23% sur des contrats légaux longs où la perte de contexte est la plus sévère. C’est précisément le profil de document — manuels techniques, contrats, rapports denses — où le parsing visuel propre amont rencontre le contexte global aval pour démultiplier la qualité du résultat. Pour comprendre pourquoi le vecteur lui-même est si sensible à la qualité de son entrée, il faut revenir à la nature même de l’embedding — un point que j’avais creusé dans l’odyssée de l’embedding, du vecteur de Newton à ChatGPT.

Architecture pipeline 2026 : la chaîne de raffinage

Voici la stack que je déploierais aujourd’hui pour un client e-commerce, juridique ou industriel ayant un fonds documentaire complexe :

1. Source — PDF hétérogènes : manuels techniques, contrats, fiches produit, catalogues B2B, documentation ERP. Le pire scénario imaginable : multi-colonnes, tableaux imbriqués, schémas annotés, notes de bas de page.
   
2. Parsing — LlamaParse en mode premium pour les pages denses (tableaux, schémas), cost_effective pour les pages de texte simple. Sortie en Markdown. Pour les acteurs qui veulent garder la main sur la donnée — administration, défense, santé, souveraineté juridique au sens fort — bascule vers Docling en local, ou LiteParse en TypeScript pour les cas plus simples.
   
3. Vectorisation — voyage-3-large pour la recherche multilingue généraliste (1024 dimensions par défaut, jusqu’à 2048), voyage-context-3 pour les corpus longs où la cohérence inter-chunks compte, ou voyage-code-3 pour les bases de code. Le contexte d’entrée monte à 32K tokens, ce qui permet d’embedder des chunks volumineux sans pré-découpage agressif.
   
4. Stockage — Pinecone Serverless v2 avec un index par cas d’usage métier (RAG client, recherche sémantique, recommandation), partitionné par namespace pour isoler chaque client ou domaine de connaissance. L’isolation physique des namespaces interdit les fuites croisées entre tenants : un namespace client_acme_2026 ne peut pas leaker dans client_beta_2026. C’est la pierre angulaire d’un SaaS RAG multi-tenant honnête.
   
5. Reranking — rerank-2.5 de Voyage en post-retrieval pour réordonner les top-k candidats avant de les passer au LLM. Et c’est ici qu’apparaît un effet multiplicateur souvent ignoré : le travail du reranker n’est pertinent que si les candidats qu’il compare ont du sens. Sur un retrieval issu de PyPDF2, le reranker arbitre entre des fragments incohérents — il choisit le moins mauvais. Sur un retrieval issu de chunks Markdown bien structurés, il compare des extraits qui sont chacun, individuellement, des unités de sens complètes : un tableau intact, un paragraphe avec son titre, une procédure avec ses étapes. Le gain typique passe alors de 5-10% à 15-20% de précision sur des questions ambiguës. Le parsing visuel ne sert pas que l’embedding ; il démultiplie chaque maillon en aval.
   
6. Génération — Le LLM de votre choix. Et c’est le point clé : à ce stade, peu importe lequel. Si la donnée est propre, Mistral Large, Claude Opus 4.5 et GPT-5 produisent des réponses largement comparables. La différenciation s’est déplacée en amont.

Le piège de la souveraineté

Soyons clairs sur le diagnostic : LlamaParse SaaS, Voyage AI désormais sous pavillon MongoDB, Pinecone hébergé chez AWS — ce pipeline 2026 standard est intégralement américain, soumis au Cloud Act et au régime extraterritorial des États-Unis. Pour un cabinet d’avocats français, un industriel de défense, ou même une PME qui manipule des documents RGPD-sensibles, c’est inacceptable.

Les briques de substitution existent, mais le ticket d’entrée est plus élevé qu’il n’y paraît. Docling est l’option la plus mûre pour le parsing on-prem : open-source IBM, hébergé à la Linux Foundation, supporté par Red Hat dans sa distribution AI 3.3, exécutable sur CPU avec un fallback GPU optionnel. LiteParse, écrit en TypeScript, fait du parsing spatial sans dépendance Python ni GPU — parfait pour des cas simples, mais il décroche dès que le document devient visuellement complexe. Pour aller plus loin, il faut basculer sur un VLM auto-hébergé : Florence-2 de Microsoft (770M de paramètres, polyvalent en OCR et layout detection), ou — plus radical — ColPali, une approche de retrieval visuel développée par l’équipe française Illuin Technology, qui shunte purement et simplement le markdown en embedant directement les pages comme images. Ces modèles tournent sur GPU. Comptez une A100 ou une RTX 4090 minimum pour une inférence raisonnable, plus une équipe DevOps capable de gérer le stack PyTorch, le batching, la quantization. Côté base vectorielle, Qdrant ou Weaviate auto-hébergés assurent le relais. Côté embeddings, BGE-M3 (BAAI) ou Mistral Embed remplacent Voyage.

Le coût opérationnel grimpe — il faut le GPU, la VM, le plan de sauvegarde, le monitoring — mais la dépendance s’effondre. C’est exactement le compromis posé dans le débat sur l’IA souveraine et l’open source local : la souveraineté coûte cher, mais elle vaut son prix quand le contentieux arrive.

La donnée propre, dernier rempart de l’expertise

La bataille de l’IA d’entreprise ne se joue plus sur le modèle. Elle se joue sur la raffinerie qui prépare la donnée avant qu’elle ne touche le modèle. Comme je l’écrivais dans l’IA est une commodité, votre savoir-faire est l’avantage compétitif, le vrai différenciant en 2026 n’est ni votre prompt, ni le LLM que vous appelez. C’est la qualité de votre corpus, la finesse de votre découpage, la rigueur de votre indexation.

Un acteur qui aura passé six mois à nettoyer ses 50 000 PDF avec Docling ou LlamaParse, à les vectoriser avec voyage-context-3, à les organiser dans des namespaces Pinecone propres, écrasera n’importe quel concurrent qui aura misé sur le dernier modèle à la mode. Le LLM est interchangeable. La donnée propre, non.

C’est aussi ce qui se profile derrière le mouvement vers les agents et MCP, dont je parlais dans le RAG est mort, vive l’Agent : un agent autonome ne fonctionne que s’il interroge des sources structurées. Une base de connaissance propre est la condition de possibilité de l’agent. PyPDF2 a fait son temps. Le parsing visuel n’est plus un luxe — c’est le ticket d’entrée.