AWS Textract est l'API OCR à base de machine learning d'Amazon, lancée en mai 2019, qui extrait texte, formulaires, tableaux et signatures de fichiers JPEG, PNG, PDF et TIFF. Des comparatifs tiers classent sa détection de tableaux et de lignes de détail parmi les plus solides des services OCR cloud, et elle s'intègre nativement à S3, Lambda, SNS et SQS, avec des API prêtes à l'emploi pour les notes de frais (AnalyzeExpense), les pièces d'identité américaines (AnalyzeID) et les dossiers hypothécaires (AnalyzeLending). Des limites strictes s'appliquent : les appels synchrones acceptent des fichiers de 10 Mo et des PDF d'une seule page, les traitements asynchrones 500 Mo et 3 000 pages ; la détection de texte couvre six langues, l'écriture manuscrite et les requêtes étant limitées à l'anglais (documentation AWS, 2026).
Textract renvoie de l'OCR brut, c'est-à-dire des blocs de texte, des bounding boxes, des paires clé-valeur et des cellules de tableau, et n'impose aucun schéma de sortie. Sa fonctionnalité Queries est plafonnée à 15 requêtes par page en mode synchrone et 30 en mode asynchrone (documentation AWS, 2026). Transformer cette sortie en données exploitables par votre application exige un pipeline de post-traitement sur mesure : mappage des champs, règles de validation, gestion des erreurs et normalisation des formats. anyformat extrait selon un schéma défini par l'utilisateur en zero-shot : définissez les champs, chargez un document, recevez du JSON validé. La plateforme accepte plus de 100 formats de documents sans gabarits, en combinant LLM et règles déterministes, et les changements de schéma s'appliquent instantanément sans déploiement de code.
Orchestration des workflows
Textract n'a pas de couche de workflows : classification, découpage, routage, validation, revue humaine et gestion des relances s'assemblent avec Lambda, Step Functions, SNS, SQS et du code sur mesure. Cet effort d'ingénierie, et non le tarif à la page, constitue le coût dominant de Textract en production. anyformat inclut un constructeur visuel de workflows (Studio) avec branchements, conditions, découpage, routage, opérateurs d'extraction et revue human-in-the-loop intégrée, si bien que les équipes opérations et ingénierie mettent à jour les workflows sans déploiement de code.
Tarification
Textract facture à la page et par fonctionnalité : 1,50 $ pour 1 000 pages en détection de texte, 15 $ pour les tableaux, 50 $ pour les formulaires, 10 $ pour les notes de frais et 70 $ pour les dossiers hypothécaires (tarifs AWS, US West, 2026). anyformat facture en crédits, à la page et par opérateur, sans dépendance à AWS : 10 crédits coûtent 0,01 €, donc Parse revient à 25 crédits par page (0,025 €, publié sous la forme 25 $ pour 1 000 pages), Extract à 35 crédits par page, Classify à 10, Split à 25 et Validate à 25 crédits par règle (tarifs anyformat, 2026). Pay As You Go est gratuit au démarrage, avec une dotation unique de 50 000 crédits ; Business coûte 499 € par mois (399 € en facturation annuelle) pour 500 000 crédits, 5 utilisateurs et 10 workflows ; Enterprise est sur devis, avec utilisateurs et workflows illimités, déploiement en VPC ou on-premise et rétention zéro des données. Cumuler les fonctionnalités de Textract multiplie le tarif à la page, et le pipeline Lambda et Step Functions qui l'entoure ajoute un coût d'ingénierie que le prix à la page ne montre jamais ; la métrique qui compte est le coût par sortie correcte, où anyformat a obtenu 78,1 % contre 65,4 % pour Textract sur le benchmark de parsing 2026 (benchmark anyformat, 2026).
Précision sur documents réels
anyformat a obtenu 78,1 % et AWS Textract 65,4 % sur un parse score combiné portant sur plus de 1 000 documents réels couvrant plus de 30 types (benchmark anyformat, 2026). Textract reste solide sur les formulaires et tableaux standard, mais il aplatit les mises en page multi-colonnes, se dégrade sur les tableaux qui s'étendent sur plusieurs pages ou contiennent des cellules fusionnées, et ne sait pas interpréter figures, graphiques ou diagrammes ; anyformat détecte les éléments visuels et renvoie des descriptions structurées. Sur des tableaux atteignant 50 pages et environ 2 400 lignes, anyformat a maintenu une récupération des lignes de ~99 %, et a extrait 94 % des factures aux formats variés avec tous les champs et toutes les lignes de détail corrects (benchmark anyformat, 2026). En production, L'Oréal rapporte 99 % de précision d'extraction et une réduction de 60 % du temps de traitement sur plus de 1 500 factures mensuelles.
Confiance et revue humaine
Les scores de confiance de Textract ne sont pas calibrés, si bien qu'un score annoncé ne correspond pas à une probabilité réelle d'exactitude (benchmark anyformat, 2026). anyformat calibre la confiance champ par champ, mesurée à 99,1 % de précision de calibration avec un Adaptive ECE de 0,009 (benchmark anyformat, 2026), et joint des citations visuelles reliant chaque valeur extraite à sa position exacte sur la page. La calibration est ce qui rend les seuils opérants : les champs à confiance élevée passent automatiquement, les champs incertains sont routés vers des relecteurs.
Textract fonctionne uniquement sur AWS, sous juridiction américaine quelle que soit la région choisie ; pour les organisations soumises au RGPD ou à DORA, le choix de région est un détail de configuration, pas une garantie de souveraineté. Sa posture de conformité hérite des certifications de plateforme AWS comme SOC 2 et l'éligibilité HIPAA, qui couvrent l'infrastructure et non le pipeline d'extraction construit au-dessus. anyformat est natif de l'UE, certifié ISO 27001 sur l'ensemble du pipeline documentaire, propose le traitement sans rétention via un simple interrupteur (l'équivalent Textract impose de maintenir des politiques de cycle de vie S3 et de rétention CloudWatch), et se déploie en cloud, cloud privé ou environnements on-premise isolés (air-gapped). Textract n'a pas d'option on-premise (documentation AWS, 2026).
Une suite d'évaluations et le pipeline de production autour de l'extraction. La qualité d'extraction est une variable ; la maintenir correcte après la mise en production est le poste où les projets documentaires dépensent l'essentiel de leur budget d'ingénierie.
Évaluations, disponibles aujourd'hui. Chaque workflow Extract et Classify d'anyformat dispose d'un onglet Health. Vous constituez un jeu de données avec une vérité terrain vérifiée, en promouvant un document déjà traité par le workflow et en confirmant ses valeurs dans l'interface de revue, ou en téléversant des documents étiquetés avec leur JSON attendu. Les fichiers se taguent en sous-jeux de données, si bien que la précision se lit par fournisseur, par type de document ou par niveau de difficulté plutôt que sous forme d'une moyenne unique. Une évaluation réextrait chaque document concerné sur une version choisie du workflow et le note champ par champ, avec une vue résultat contre attendu sur chaque échec ; les exécutions sont numérotées et immuables, si bien que l'effet d'un changement se mesure au lieu d'être supposé. Health Overview place ensuite le benchmark du jeu de données à côté de la précision de production en temps réel, de la confiance et du through rate, et rapporte l'écart entre les deux (Evals). AWS publie précision, rappel et F1 pour un adaptateur Custom Queries entraîné face à un jeu de test étiqueté (documentation AWS, 2026) ; cette mesure porte sur un adaptateur de la fonctionnalité Queries et non sur un pipeline de bout en bout, sans découpage en sous-jeux de données, sans historique d'exécutions immuable ni comparaison entre benchmark et production.
Optimizer, annoncé et pas encore disponible. anyformat a annoncé Optimizer, un workflow qui s'optimise lui-même sur son propre jeu de données en prenant vos évaluations comme cible. Il figure à la feuille de route, pas dans le produit actuel (Evals).
Le pipeline que vous n'avez pas à construire. Textract renvoie des blocs de texte, des bounding boxes, des paires clé-valeur et des cellules de tableau. La production exige en plus du post-traitement, de la validation de schéma, une logique de reprise et de routage, une interface de revue humaine, un suivi de la précision et des réglages à chaque changement de mise en page ou de modèle sous-jacent ; les recommandations d'AWS elles-mêmes assemblent cette couche avec Lambda et Step Functions. Amazon A2I, la boucle gérée de revue humaine reliée à l'opération AnalyzeDocument de Textract, ferme l'accès aux nouveaux clients le 30 juillet 2026 et ne recevra pas de nouvelles fonctionnalités (documentation AWS, 2026). anyformat livre cette couche en tant que produit : workflows no-code dans le Studio, confiance calibrée par champ avec routage vers la revue, citations visuelles pour l'audit et la boucle d'évaluation ci-dessus. Mettre en place un workflow de production avec l'assistant Annie prend environ 5 minutes contre à peu près 4 heures de configuration manuelle (benchmark interne anyformat, 2026).
Quand choisir AWS Textract
Choisissez Textract quand votre pile est native AWS, que vos documents correspondent à ses API prêtes à l'emploi (formulaires, tableaux, reçus, pièces d'identité américaines, dossiers hypothécaires) et que votre équipe peut construire et maintenir le pipeline environnant. Le paiement à l'usage part de zéro sans engagement minimal, et l'intégration native avec S3, Lambda et Step Functions garde tout le flux dans un seul cloud.
Choisissez anyformat quand vous avez besoin d'une extraction validée par schéma, d'une orchestration de workflows et d'une revue humaine sans assembler d'infrastructure ; quand vos documents dépassent les formulaires standard, avec des tableaux longs, plus de 100 formats ou des figures intégrées ; ou quand la résidence européenne des données, le déploiement on-premise et la confiance calibrée pour le straight-through processing sont des exigences non négociables.
Les équipes qui remplacent Textract citent invariablement l'absence de couche de workflows, le coût du post-traitement et la juridiction américaine comme facteurs décisifs. Pour une vue plus large du marché, consultez notre guide des meilleures alternatives à AWS Textract.
