ChatGPT est un grand modèle de langage généraliste développé par OpenAI (San Francisco). Claude est un LLM généraliste développé par Anthropic (San Francisco). Gemini est un LLM généraliste développé par Google (Mountain View). Les trois lisent des documents via des modèles multimodaux, et les trois peuvent renvoyer une sortie contrainte à un schéma JSON que vous définissez.
La version honnête de ce comparatif est plus étroite qu’il y a deux ans. Ces modèles extraient bien, et anyformat utilise des LLM en interne. La question n’est pas de savoir si un modèle sait lire une facture. C’est de savoir ce qui entoure le modèle quand une valeur fausse coûte de l’argent : d’où vient la valeur, quelle est la probabilité qu’elle soit juste, qui la relit quand elle ne l’est pas, et sous quelle juridiction le document a été traité.
Le palier grand public et le palier API sont deux produits différents
L’essentiel de la confusion dans ce comparatif vient du fait de traiter « ChatGPT » et « l’API d’OpenAI » comme une seule chose. Ce n’en est pas une, et la différence relève de la gouvernance des données.
Les applications grand public — ChatGPT, Claude.ai, l’application Gemini — conservent les conversations par défaut et, selon l’offre et les réglages, ce contenu peut servir à améliorer les modèles. Y déposer des documents clients est une décision de gouvernance, pas une décision technique.
Les paliers API et entreprise agissent en sous-traitants sous DPA avec clauses contractuelles types, n’entraînent pas sur le contenu soumis par défaut et proposent des modes de rétention zéro soumis à approbation. Les plateformes des trois fournisseurs détiennent la certification ISO 27001.
L’affirmation générale selon laquelle les LLM ne sont pas conformes est donc fausse. L’affirmation plus étroite — que les chatbots grand public sont le mauvais endroit pour des documents de production — tient toujours.
L’écart de provenance
Quand un modèle renvoie le total d’une facture, il renvoie un nombre. Il ne renvoie pas les coordonnées d’où ce nombre a été lu. Certains fournisseurs renvoient des citations vers un passage textuel source ; aucun ne lie un champ extrait à une bounding box sur l’image de la page.
Le traitement documentaire en production exige de l’auditabilité. Quand une valeur extraite entre dans votre ERP et déclenche un paiement, auditeurs, responsables conformité et systèmes en aval doivent tous pouvoir vérifier son origine.
anyformat attache une citation visuelle à chaque champ extrait : vous cliquez sur le champ et vous atterrissez sur la position exacte dans le document source. C’est ce qui rend les décisions de l’IA auditables au regard de réglementations européennes comme ViDA, DORA et les obligations nationales de facturation électronique.
L’aisance n’est pas la calibration
Les LLM sont fluides. Ils donnent des réponses à l’air assuré même lorsqu’ils sont incertains. Un modèle peut extraire un numéro de commande et le présenter avec la même apparente certitude qu’un total de facture, alors même qu’il devine à partir d’un scan flou.
Les log-probabilités de tokens ne sont pas un substitut. Elles décrivent la confiance du modèle dans le token suivant, pas la probabilité qu’un champ soit correct, et elles ne sont pas calibrées sur les résultats. Il n’existe donc aucun seuil que vous puissiez fixer ni aucun champ que vous puissiez approuver automatiquement sur cette base. C’est le problème des défaillances silencieuses : une valeur fausse présentée avec assurance franchit tous les contrôles en aval jusqu’à l’échec du rapprochement.
anyformat attribue un score de confiance calibré à chaque champ extrait, mesuré à 99,1 % de précision de calibration avec un Adaptive ECE de 0,009 (benchmark anyformat, 2026). La calibration est ce qui donne un sens à un seuil : le champ à 98 % passe seul, le champ à 62 % part vers un relecteur.
Le décodage contraint a comblé cet écart. Structured Outputs, les schémas d’outils et les response schemas rendent la sortie structurellement déterministe : mêmes noms de champs, même imbrication, mêmes types, à chaque exécution. Qui décrit encore la sortie d’un LLM comme structurellement imprévisible décrit 2023.
Ce que la validité structurelle ne vous dit pas, c’est si la valeur est juste. Un champ bien typé peut être faux avec assurance, et un schéma ne l’attrapera pas. C’est à cela que servent l’évaluation et la confiance calibrée, et aucune des deux n’est livrée avec l’API d’un modèle.
anyformat livre une suite d’évaluations : vous lancez un jeu annoté, vous obtenez la précision par champ, vous attrapez les régressions avant la production et vous comparez les changements de pipeline à une référence fixe plutôt qu’à une impression.
Coût à l’échelle
La tarification au token rend l’extraction ponctuelle bon marché. Aux volumes de production, le calcul change : le coût suit le nombre de pages, les reprises et chaque nouveau prompt dépensé à convaincre un document récalcitrant. Le poste le plus lourd est en général l’ingénierie : maintenance des prompts, validation des sorties, logique de reprise et l’outillage de revue que vous finissez de toute façon par construire.
anyformat facture en crédits, par page et par opérateur : 10 crédits coûtent 0,01 €, donc Parse revient à 25 crédits par page (0,025 €) et Extract à 35 crédits par page (tarifs anyformat, 2026). Le chiffre à comparer est le coût par sortie correcte, pas le coût par token.
Souveraineté européenne et juridiction
C’est la dimension où rien n’a changé. OpenAI, Anthropic et Google ont leur siège aux États-Unis. Des régions de traitement européennes et des options de résidence des données existent, mais le fournisseur qui exploite le service reste sous juridiction américaine, et c’est cela que testent les exigences européennes de souveraineté, pas l’emplacement du centre de données. Dans le tableau comparatif ci-dessus, la souveraineté européenne est la ligne où tous les concurrents obtiennent « non ».
anyformat est natif de l’UE. Entité européenne, infrastructure européenne, certifié ISO 27001, conforme au RGPD par architecture, avec traitement en rétention zéro et déploiement on-premise ou air-gapped sur toutes les offres.
Orchestration de workflows et revue humaine
Les API de modèles traitent un document à la fois, un appel à la fois. Classification, découpage, routage, validation, files de revue, logique conditionnelle et intégration en aval sont de l’ingénierie sur mesure que vous construisez et maintenez, et l’interface de revue, la partie que personne ne chiffre, est en général le plus gros morceau.
anyformat inclut Studio, un canevas de workflows sans code avec branchements, conditions, découpage, routage, opérateurs d’extraction, recoupement avec des sources de données internes et revue humaine intégrée. Les équipes opérationnelles modifient le processus sans déploiement de code.
Tableaux, figures et mises en page complexes
Les modèles multimodaux lisent tableaux et graphiques avec compétence et, associés à un response schema, renvoient les lignes en JSON typé. Les modes de défaillance restants sont les modes opérationnels : les tableaux qui s’étendent sur des dizaines de pages, où le biais positionnel perd des lignes au milieu ; les cellules fusionnées et les tableaux à cheval sur plusieurs pages ; et l’absence de toute provenance par cellule pour vérifier une ligne suspecte.
Le pipeline multi-étapes d’anyformat a maintenu ~99 % de récupération de lignes sur des tableaux allant jusqu’à 50 pages et environ 2 400 lignes (benchmark anyformat, 2026), et renvoie les figures sous forme de descriptions classées et liées au schéma, avec citations. Ce sont des problèmes d’ingénierie qu’on ne résout pas par le prompt seul.
Le bon modèle mental
Les LLM sont le moteur des plateformes modernes de traitement documentaire, anyformat compris. Utiliser l’API d’un modèle brut pour de l’extraction en production, c’est acheter un moteur diesel et l’appeler un transport. Le moteur est excellent. Ce n’est pas un véhicule.
anyformat est le véhicule : le modèle enveloppé de confiance calibrée, de citations visuelles, d’orchestration de workflows, de revue humaine, d’évaluations et de contrôles de conformité natifs de l’UE.
Pour la production, oui, mais pas pour les raisons que ce comparatif avançait autrefois. Les API de modèles gèrent désormais la validation par schéma, la lecture de tableaux et l’interprétation de graphiques, tournent sur des plateformes certifiées ISO 27001, signent des DPA de sous-traitant et proposent la rétention zéro sur le palier API. Ce qu’elles ne fournissent pas : un score de confiance calibré par champ, une citation visuelle liant chaque valeur à sa position sur la page, une couche de workflows avec revue humaine, un harnais d’évaluations pour mesurer la précision sur vos propres documents, ou une option de juridiction européenne. anyformat utilise les LLM comme moteur d’extraction et apporte exactement ces cinq éléments. Si vous répondez à des questions ponctuelles sur une poignée de documents, un modèle brut est le bon outil. Si vous en traitez des milliers par jour sous obligations de conformité européennes, l’infrastructure autour est le produit.
Quand utiliser un LLM brut
Prototypage, questions ponctuelles, analyse isolée. Utilisez un modèle brut quand vous explorez, pas quand vous opérez.
Quand les documents arrivent en production : chaque valeur traçable jusqu’à sa position sur la page, chaque champ incertain envoyé vers un relecteur, la précision mesurée plutôt que supposée, et l’ensemble sous juridiction européenne.
anyformat est la plateforme de document intelligence agentique conçue pour les entreprises européennes. Certifiée ISO 27001, conforme au RGPD, avec traitement en rétention zéro et déploiement on-premise. Commencez sur anyformat.ai
