Mistral OCR vs Tesseract : benchmark 2026, protocole et critères de choix

Mistral OCR vs Tesseract : deux approches, deux générations d'OCR

L'OCR convertit une image, un scan ou un PDF en texte exploitable. La documentation OCR d'Albert API, service de la DINUM (Direction interministérielle du numérique), en résume l'intérêt : le texte extrait peut être recherché, indexé, analysé ou transmis à un LLM (grand modèle de langage).

Tesseract est un moteur open source historique, généralement déployé en local. Il convient particulièrement aux documents imprimés assez propres et aux chaînes de traitement maîtrisées. Je ne lui attribue ici aucune note : sa version, ses langues, le prétraitement et ses paramètres influencent trop le résultat pour qu'un chiffre isolé ait du sens.

Mistral OCR 3, identifié sous le nom de modèle mistral-ocr-2512, vise une sortie plus riche. D'après l'annonce de Mistral, il produit du Markdown, reconstruit les tableaux en HTML et extrait le texte ainsi que les images intégrées.

Reconnaître des caractères ou comprendre un document

La différence tient moins au texte brut qu'à sa structure. Tesseract fournit surtout une sortie textuelle que le pipeline doit organiser. Mistral OCR cherche à restituer directement la mise en page, les formulaires, les documents complexes et l'écriture manuscrite. La question utile devient donc : quel outil donne le meilleur résultat final pour un cas d'usage donné ?

Encadré méthode. Évaluez séparément sept critères : exactitude des caractères, fidélité de la structure, exploitabilité du JSON ou du Markdown, latence, coût, confidentialité et maintenance. Une moyenne unique masquerait les arbitrages qui comptent en production.

Ce que les chiffres de Mistral prouvent, et ce qu'ils ne prouvent pas

Mistral annonce 74 % de victoires globales face à Mistral OCR 2 sur les formulaires, les scans, les tableaux complexes et le manuscrit. Ces benchmarks sont internes et fondés sur des exemples métiers. Ils renseignent sur la progression du modèle, mais ne constituent pas une comparaison indépendante avec Tesseract. Pour replacer ces notions dans leur contexte, le glossaire IA d'IAPRO peut servir de point d'entrée.

Benchmark 2026 : protocole, corpus et métriques à utiliser

Un benchmark utile doit pouvoir être rejoué par une autre équipe. Je propose un corpus équilibré, composé de documents français contenant des accents, des dates, des montants, des références, des noms propres et des unités, car ces erreurs ont un impact métier disproportionné.

Constituer le corpus et la vérité terrain

• Documents simples et dégradés : intégrez des imprimés propres, des scans inclinés ou compressés et des PDF multicolonnes, afin de mesurer l'écart entre conditions idéales et réalité d'exploitation.
• Documents structurés : ajoutez des formulaires, des factures et des tableaux complexes, car la valeur métier dépend souvent d'un champ correctement rattaché à son libellé, plutôt que du texte seul.
• Documents difficiles : prévoyez du manuscrit et des archives historiques, évalués à part, pour éviter qu'un faible volume de pages atypiques ne fausse ou ne masque le résultat global.

La vérité terrain doit être relue manuellement, versionnée et conservée hors des systèmes testés.

Mesurer le texte, la structure et l'exploitation

Mesurez au minimum le CER (taux d'erreur de caractères), le WER (taux d'erreur de mots), la précision et le rappel sur les champs, puis la fidélité des tableaux : en-têtes, cellules fusionnées, lignes, colonnes et ordre de lecture. Ajoutez le temps par page, le taux d'échec, la taille des sorties, le coût pour mille pages, le besoin de prétraitement, la reproductibilité et l'effort de correction humaine.

Garantir des conditions équitables

Utilisez les mêmes fichiers, la même résolution et les mêmes orientations, sans correction manuelle en entrée, avec des répétitions suffisantes pour les appels API. Côté Tesseract, documentez la version, le modèle de langue, le mode de segmentation et le nettoyage. Côté Mistral, consignez le modèle, le format envoyé, les pages sélectionnées, les annotations et l'environnement.

Niveau de preuve	Exemple	Usage
Donnée constructeur	Score annoncé par l'éditeur	Hypothèse à tester
Mesure reproductible	CER sur le corpus annoté	Base de décision
Observation qualitative	Colonnes mélangées	Analyse des causes

Mistral évoque une métrique de type fuzzy-match. Elle peut tolérer de petites différences, mais une date ou un montant faux reste grave : publiez donc le corpus lorsque c'est possible, les règles de normalisation et les résultats par catégorie. Un benchmark sérieux doit être réexécuté lorsque les modèles, les API ou les tarifs évoluent.

Précision réelle : texte, mise en page, tableaux et manuscrit

Cette section ne publie pas de score : elle indique quoi vérifier, par type de document. Les capacités citées pour Mistral OCR 3 sont des déclarations de l'éditeur, et les comportements attendus restent des hypothèses à tester sur votre corpus.

Imprimés propres et scans dégradés

Sur une page nette, en langue connue, Tesseract peut rester très pertinent si seule la sortie textuelle est attendue. Il faut alors mesurer l'écart de précision, mais aussi la simplicité du post-traitement et la stabilité sur un gros volume.

Pour les scans inclinés, compressés, bruités ou à faible résolution, Mistral revendique une robustesse face aux artefacts, à la distorsion, au bruit et au faible DPI. Classez les erreurs observées : caractères confondus, colonnes mélangées, lignes omises et ponctuation perdue. Sur une facture, un seul chiffre confondu peut avoir plus de conséquences que dix accents manquants.

Mise en page et tableaux

Un texte correct devient inutilisable si l'ordre de lecture est faux ou si les blocs sont fusionnés. Contrôlez les titres, paragraphes, listes, notes et images intégrées. Pour les tableaux, vérifiez les en-têtes, cellules vides, cellules fusionnées, contenus multilignes et hiérarchies de colonnes. Mistral annonce une reconstruction HTML avec colspan et rowspan : cette promesse doit être validée sur des factures, états financiers et formulaires administratifs français.

Manuscrit et annotations

Mistral présente l'écriture manuscrite et les annotations superposées aux formulaires comme une amélioration majeure de sa version 3. Tesseract doit être évalué avec les modèles et prétraitements réellement disponibles, sans présumer d'un échec systématique.

Axe	Question de contrôle	Statut actuel
Exactitude du texte	Les montants et noms sont-ils exacts ?	À mesurer
Contexte visuel	Chaque valeur reste-t-elle liée à son libellé ?	À mesurer
Donnée exploitable	La sortie alimente-t-elle le SI sans reprise ?	À mesurer

Cette grille évite un piège fréquent : retenir le moteur qui lit le mieux les caractères, alors qu'un autre fournit la donnée la plus directement exploitable. Selon le métier, la pondération change : un cabinet comptable peut privilégier les montants, un service d'archives la recherche plein texte. Nos repères par métier aident à cadrer ces priorités avant le test.

Intégration technique : API Mistral OCR, pipeline Tesseract et souveraineté

Tesseract s'intègre comme un composant local dans une chaîne de conversion PDF, rasterisation, amélioration d'image, reconnaissance, contrôle qualité et export. Le projet reste responsable des langues, de la segmentation, de la rotation, de l'extraction des zones, de la correction et de la reconstruction de la structure. Ce contrôle fin augmente le travail d'ingénierie.

Une API organisée par page

La documentation d'Albert API décrit un endpoint /v1/ocr qui reproduit celui de Mistral. Il utilise mistral-ocr-2512, accepte document_url ou image_url, y compris en data URL, et permet de sélectionner des pages ou d'inclure les images en base64. La réponse renvoie du Markdown par page et, selon la configuration, des annotations au format texte libre, JSON ou JSON Schema. Prévoyez aussi l'accessibilité des fichiers, les limites de taille, les erreurs, la reprise sur incident, la journalisation, les quotas et la dépendance réseau.

Trois modes de déploiement

Mode	Atout	Point à vérifier
Tesseract local	Contrôle du pipeline	Effort d'ingénierie
API opérée par un fournisseur	Mise en route rapide	Données, contrat, réseau
Mistral auto-hébergé	Maîtrise renforcée	Licence, support, prérequis

Mistral indique une possibilité de self-hosting pour les organisations soumises à de fortes exigences de confidentialité. Albert en offre une illustration : sa documentation mentionne une chaîne hébergée via une offre Mistral Entreprise on-premise. Cette plateforme s'adresse toutefois aux administrations, dans un cadre mutualisé : une entreprise privée ne doit pas la considérer comme une option disponible par défaut.

Ne pas confondre open source et souveraineté

« Open source », « open weight », « API française » et « souveraineté » ne sont pas synonymes. Évaluez la localisation, la maîtrise des données, les sous-traitants, les journaux, les conditions contractuelles, la réversibilité et la capacité d'audit. Le socle de l'État montre que l'extraction de tableaux, de formulaires et de factures peut être pensée comme un service mutualisé, et L'Assistant s'appuie sur une infrastructure annoncée en SecNumCloud. Ces références ne valent pas qualification pour votre propre déploiement.

Je recommande une architecture hybride : un moteur local pour les documents simples ou très sensibles, un modèle avancé pour les cas complexes après filtrage et validation.

Coût, latence et ROI : quand Mistral OCR devient rentable

Le prix facial ne suffit pas. Tesseract peut éviter une redevance de licence, sous réserve de vérifier les conditions de la version retenue, mais il faut financer serveurs, stockage, prétraitement, supervision, règles d'extraction, correction humaine, maintenance des modèles et évolution des formats.

Pour Mistral OCR 3, l'éditeur publie 2 dollars pour 1 000 pages, puis 1 dollar avec la réduction Batch API de 50 %, selon ses conditions. Ces prix doivent être revérifiés avant décision et n'incluent ni l'hébergement souverain ni le self-hosting.

Une formule de coût total

Coût par page = ingestion + OCR + post-traitement + contrôle humain + stockage + réseau + exploitation.

À ce tarif, 100 000 pages coûtent 200 dollars d'API, ou 100 dollars en Batch. Prenons maintenant une hypothèse de calcul, à remplacer par votre donnée : à 36 € de l'heure, chaque seconde de correction coûte 0,01 € par page, soit un ordre de grandeur supérieur au prix API de 0,002 dollar. Un outil moins cher à l'appel peut donc coûter davantage s'il impose des reprises. Inversement, une solution plus chère peut être rentable sur des factures ou des contrats si elle réduit réellement la saisie. Le calculateur de ROI IA permet de structurer cette estimation.

Latence : mesurer selon le scénario

Séparez le traitement unitaire interactif, les lots, l'archivage de plusieurs millions de pages et le pipeline avec validation. La performance dépend de la taille des documents, du nombre de pages, du réseau, des files d'attente et des limites d'API. Pour Tesseract, mesurez le débit sur l'infrastructure retenue, jamais sur un simple poste de test.

Trois profils théoriques

Profil	Indicateur prioritaire	Piste à tester
Petit volume sensible	Maîtrise des données	Moteur local
Volume industriel standardisé	Coût et débit	Tesseract, puis comparaison
Documents complexes à forte valeur	Champs exploitables	Mistral OCR sous contrôle

Suivez les minutes de correction par page, le taux de champs exploitables, le délai de mise à disposition, le volume traité par agent et la réduction des erreurs de ressaisie. Je recommande un pilote chiffré sur un corpus représentatif, avec un seuil de décision fixé avant le test.

Conformité, risques et choix final pour les organisations françaises

Un OCR traite souvent des identités, adresses, données de santé, informations financières ou signatures. Le projet d'expert publié par l'EDPB (Comité européen de la protection des données), achevé en septembre 2023, identifie des risques lors de l'achat, du développement et de l'usage. Au titre du RGPD (Règlement général sur la protection des données), notamment ses articles 5 et 32, prévoyez minimisation, contrôle des accès, chiffrement, rétention limitée, traçabilité et validation humaine des extractions sensibles.

AI Act : qualifier l'usage, pas seulement l'outil

Un OCR n'est pas automatiquement à haut risque au sens de l'AI Act, le Règlement (UE) 2024/1689. Indexer des archives n'a pas le même profil que contribuer à une décision sur l'emploi, un service essentiel, l'immigration, la justice ou les droits d'une personne. La Commission européenne indique que les obligations des systèmes à haut risque s'appliquent à partir du 2 décembre 2027 pour l'annexe III ; elles couvrent notamment données, journalisation, documentation, robustesse, cybersécurité, information et supervision humaine. Pour situer votre cas, consultez ce guide sur les usages classés à haut risque, puis faites valider l'analyse par votre DPO (délégué à la protection des données) ou votre conseil. Le hub AI Act d'IAPRO présente l'accompagnement possible.

Des risques techniques des deux côtés

Un modèle multimodal peut halluciner, normaliser indûment une valeur, omettre silencieusement un passage ou mal lire un tableau. Il faut aussi anticiper la dépendance au fournisseur, la dérive de version et la difficulté à expliquer une sortie. Tesseract n'est pas exempt de risques : erreurs de reconnaissance, modèles de langue inadaptés, prétraitement défaillant et fausse impression de fiabilité parce que tout reste local.

Matrice de décision

Situation dominante	Choix proposé	Condition
Imprimé, périmètre stable, local prioritaire	Tesseract	Équipe capable d'opérer la chaîne
Tableaux, formulaires, scans complexes, manuscrit	Mistral OCR	Corpus et cadre de données validés
SI documentaire hétérogène	Hybride	Routage et seuils documentés

La gouvernance fait la différence dans la durée : tests de non-régression à chaque changement de version, échantillonnage humain, monitoring des erreurs et réévaluation périodique du choix. Sans ce dispositif, même un bon résultat initial perd rapidement sa valeur de preuve.

FAQ — Mistral OCR et Tesseract

Pour aller plus loin avec IAPRO

Vous hésitez entre un pipeline local, une API et un déploiement souverain ? Préparez un échantillon représentatif de vos documents, vos contraintes de confidentialité et vos volumes, puis contactez IAPRO pour échanger sur le cadrage d'un pilote et la formule la plus adaptée à votre contexte.

Liens utiles

• évaluer la maturité IA de votre entreprise
• Glossaire IA d'IAPRO
• Calculateur de ROI d'un projet IA
• Applications de l'IA par métier
• Accompagnement AI Act
• Simulateur d'aides au financement
• Annonce officielle de Mistral OCR 3
• Guide OCR d'Albert API
• Projet EDPB sur les risques de l'OCR et de la NER