AI Builder pour l'extraction de documents dans Power Automate : ce qui marche vraiment, et ses limites
AI Builder permet d'extraire automatiquement les données de factures, reçus et formulaires sans écrire de code, via des modèles prêts à l'emploi ou personnalisés. Retours de terrain sur ce qui fonctionne en production, les pièges fréquents, et comment juger la faisabilité avant de se lancer.
Par Consultants Power Platform

AI Builder permet d'extraire automatiquement les données d'un document - facture, reçu, formulaire, pièce d'identité - directement dans un flow Power Automate, sans écrire de code ni entraîner un modèle de machine learning à la main. Pour les documents aux mises en page standardisées (factures type, formulaires répétitifs), les modèles prêts à l'emploi donnent de bons résultats dès la première configuration. Pour des documents plus hétérogènes - mises en page variables, écriture manuscrite, scans de mauvaise qualité - les résultats sont plus inégaux, et mieux vaut le savoir avant d'industrialiser un processus dessus. Voici ce que montrent les retours de terrain, modèle par modèle.
Qu'est-ce qu'AI Builder pour le traitement de documents
AI Builder est la brique d'IA intégrée à Power Platform, construite sur les services de reconnaissance de documents d'Azure. Elle s'utilise comme une action low-code directement dans un flow Power Automate ou dans une Power App : on lui passe un fichier (PDF, image), elle renvoie des champs structurés - montant, date, nom du fournisseur, numéro de facture - avec un score de confiance pour chacun. Ces champs peuvent ensuite alimenter une table Dataverse, une liste SharePoint, un fichier Excel ou déclencher une approbation. Chaque page traitée consomme des crédits AI Builder, inclus dans certaines licences Power Platform ou achetables en complément - un paramètre à chiffrer avant de généraliser un flow à fort volume.
Les modèles disponibles : lequel choisir selon vos documents
| Modèle | Entraînement requis | Cas d'usage typique | Limite principale |
|---|---|---|---|
| Traitement de factures (prêt à l'emploi) | Aucun | Factures fournisseurs variées, champs standards (TVA, total, date, fournisseur) | Factures multi-pages complexes ou mises en page très atypiques moins bien reconnues |
| Lecteur de pièces d'identité (prêt à l'emploi) | Aucun | Passeports, cartes d'identité, permis de conduire | Couverture inégale selon les pays et formats de document |
| Traitement de reçus (prêt à l'emploi) | Aucun | Notes de frais, tickets de caisse | Reçus froissés, décolorés ou mal cadrés : erreurs fréquentes |
| Document structuré (modèle personnalisé) | Quelques exemples annotés, mise en page fixe | Formulaires internes répétitifs, bons de commande maison | Sensible au moindre changement de gabarit, à ré-entraîner si le document évolue |
| Document non structuré / freeform (modèle personnalisé génératif) | Peu d'exemples, mise en page variable tolérée | Contrats, courriers, documents dont la présentation change d'un expéditeur à l'autre | Moins précis sur les champs ambigus, relecture humaine recommandée |
Les modèles personnalisés non structurés, qui s'appuient sur des modèles de langage plutôt que sur un alignement strict avec un gabarit, demandent nettement moins d'exemples d'entraînement que l'ancienne génération de modèles structurés - un vrai gain sur les documents dont la mise en page varie d'un expéditeur à l'autre, au prix d'une précision un peu plus irrégulière sur les champs les moins explicites.
Monter un flow d'extraction dans Power Automate
- Déclencheur : nouveau fichier déposé dans un dossier SharePoint ou OneDrive, ou pièce jointe reçue sur une boîte mail dédiée.
- Action AI Builder : « Extraire des informations de documents » (modèle prêt à l'emploi) ou « Traiter des informations avec un modèle personnalisé », selon le type de document.
- Récupération des champs et de leur score de confiance individuel, renvoyés par l'action sous forme de variables exploitables dans la suite du flow.
- Condition sur le score de confiance : au-dessus d'un seuil choisi, le champ est considéré fiable ; en dessous, le document part dans une file de relecture humaine plutôt que d'être validé automatiquement.
- Écriture des données validées dans une table Dataverse, une liste SharePoint ou un fichier Excel, selon l'écosystème déjà en place côté métier.
Exemple concret : facture fournisseur vers Dataverse
Un flow typique se déclenche sur l'arrivée d'un fichier dans un dossier SharePoint « Factures entrantes ». L'action AI Builder extrait le fournisseur, la date, le montant HT, la TVA et le total. Une condition vérifie le score de confiance des champs montants : au-dessus du seuil, un enregistrement est créé directement dans la table Dataverse « Factures » ; en dessous, une carte d'approbation est envoyée à la comptabilité via Teams pour validation ou correction manuelle avant intégration. Ce garde-fou évite qu'une erreur d'extraction sur un montant se propage silencieusement jusqu'au paiement.
Ce qui marche bien, et ce qui coince en production
- Qualité de numérisation déterminante : un scan net à plat donne de bons résultats ; une photo prise au téléphone, de travers ou mal éclairée, fait chuter la précision, parfois nettement.
- Écriture manuscrite mal gérée : les caractères bâtons isolés passent à peu près, l'écriture cursive reste globalement hors de portée en usage courant.
- Tableaux multi-colonnes complexes : sur des factures avec de nombreuses lignes de détail, l'alignement entre une ligne et son montant peut se décaler, surtout sur plusieurs pages.
- Documents multi-pages : il faut prévoir une logique spécifique pour les pages de continuation, qui ne portent pas toujours les mêmes repères que la première page.
- Coût en crédits qui grimpe avec le volume : un usage ponctuel reste négligeable, mais un flux à plusieurs centaines de documents par jour mérite un chiffrage préalable, pas une découverte sur la facture de licences.
- Score de confiance élevé qui ne garantit pas tout : il réduit les faux positifs sans les éliminer complètement, donc une relecture humaine reste utile sur les champs à enjeu financier ou juridique.
- Gouvernance des données : les documents traités contiennent souvent des données sensibles (financières, personnelles) ; la région de traitement et les politiques DLP qui encadrent le connecteur AI Builder doivent être vérifiées, pas supposées conformes par défaut.
Faut-il adopter AI Builder pour digitaliser vos documents ?
Le calcul est favorable quand le volume est suffisant pour justifier l'effort de mise en place, que les documents restent raisonnablement standardisés (même avec des variations), et qu'une étape de relecture humaine est prévue pour les cas à faible confiance plutôt qu'une confiance aveugle dans l'automatisation. Il l'est beaucoup moins pour un volume marginal, des documents très hétérogènes ou majoritairement manuscrits, ou un contexte où une erreur d'extraction non détectée aurait un impact difficile à rattraper. Dans le doute, le plus sûr reste de tester le modèle sur un échantillon réel de vos propres documents avant d'industrialiser quoi que ce soit : les résultats varient fortement d'un fonds documentaire à l'autre, et une démo réussie sur un document propre ne présage pas du comportement sur l'ensemble du lot.
Questions fréquentes
Faut-il un abonnement Azure séparé pour utiliser AI Builder ?
Non. AI Builder est intégré à Power Platform et consomme des crédits inclus dans certaines licences ou achetables en complément, sans souscription Azure distincte à gérer pour la capacité de base.
Peut-on utiliser le même modèle pour plusieurs types de documents différents ?
Non, chaque modèle est entraîné ou configuré pour un type de document donné. Il faut un modèle - ou une branche de flow - par type de document, sauf à utiliser le modèle freeform génératif sur des documents dont la nature varie mais reste du même ordre (courriers, contrats).
Combien d'exemples faut-il pour entraîner un modèle personnalisé structuré ?
Une poignée d'exemples représentatifs par variation de mise en page suffit généralement pour démarrer, davantage si certains champs sont difficiles à localiser de façon cohérente d'un document à l'autre. Le modèle freeform génératif demande nettement moins d'exemples que l'approche structurée classique.
Offre partenaire
Testez AI Builder sur vos propres documents avant de vous engager
Notre partenaire expert évalue en quelques jours la faisabilité d'une extraction automatisée sur un échantillon de vos documents réels - précision par champ, volume de relecture humaine à prévoir, et chiffrage avant tout engagement sur un flow en production.
Découvrir l'offre Faisabilité Express →