La multinationale ABBYY est un éditeur spécialisé dans la reconnaissance de documents et de reconnaissance optique de caractères (OCR). Son moteur FineReader OCR est notamment utilisé pour convertir des documents numérisés ou des images en données exploitables. Avec FineParser, l’entreprise transpose cette technologie dans l’écosystème IA générative.

L’OCR d’ABBYY s’invite dans les pipelines RAG

Le principe est de placer le parsing en amont des LLM. Dans un pipeline RAG, un document mal extrait peut en effet produire des données mal découpées ou perdre des informations de structure avant même d’atteindre le moteur de recherche ou le LLM. FineParser cherche donc à transformer les fichiers entrants en contenu structuré, avant leur ingestion par les applications d’IA.

Selon une estimation de Gartner citée dans le communiqué, 60 % des projets d’IA pourraient être abandonnés d’ici 2026 en raison notamment d’un manque de données adaptées à l’IA. Pour les organisations, disposer de données structurées et correctement documentées devient ainsi un prérequis pour alimenter les systèmes d’IA et en garantir la pertinence. Gartner souligne d’ailleurs que 63 % des organisations interrogées en 2024 ne disposaient pas, ou ne savaient pas si elles disposaient, des pratiques de gestion des données nécessaires à l’IA.

Un parseur conçu pour conserver la structure

Déployé en moins de 5 minutes, FineParser ne se limite pas à extraire du texte, le logiciel identifie notamment la structure,l’ordre de lecture et la hiérarchie d’un document afin de l'interpréter. Il peut traiter des documents numérisés, des photographies, des formulaires, des codes-barres et certains contenus manuscrits. ABBYY annonce la prise en charge de 208 langues et scripts, couvrant notamment les alphabets latin ainsi que le chinois, le japonais, le coréen, l’arabe, l’hébreu ou encore plusieurs écritures indiennes.

La solution expose une API, un fichier est envoyé au point d’entrée de parsing et le résultat peut être récupéré sous une forme structurée. FineParser propose notamment de recevoir un format de texte brut DocLang ou JSON.

Cette conservation de la structure constitue le cœur du positionnement d’ABBYY. Un tableau transformé en simple succession de lignes, ou un texte extrait dans un ordre incorrect, peut modifier le contexte fourni au modèle. Le parsing intervient donc ici comme une couche de préparation des données plutôt que comme une fonction du LLM lui-même.

Déploiement chez le client

Autre particularité,  FineParser fonctionne dans un conteneur Docker sur un processeur, sans GPU obligatoire. ABBYY annonce un déploiement rapide, en moins de cinq minutes. Le logiciel peut ainsi être installé sur site ou dans l’environnement cloud choisi par l’entreprise.

Cette architecture vise notamment les organisations qui manipulent des documents sensibles ou soumises à des contraintes de résidence des données. The Register souligne également que la solution est conçue comme un composant de pipeline, elle extrait et structure le contenu de manière déterministe, puis laisse à un système d’IA générative le soin de produire la réponse ou l’analyse.

FineParser s’appuie sur FineReader Engine, dont ABBYY revendique plus de trois décennies de déploiements en entreprise. La société présente ainsi son nouveau produit comme une façon de réutiliser une technologie OCR éprouvée dans les architectures RAG, les agents IA et les applications fondées sur les LLM.

DocLang comme couche intermédiaire

ABBYY met enfin en avant DocLang, un format ouvert de représentation documentaire développé avec IBM, NVIDIA, Red Hat et la Linux Foundation. L’objectif est de conserver la structure utile au modèle tout en fournissant une représentation plus compacte du document.

Le site de FineParser affirme que l’utilisation de DocLang peut réduire la consommation de tokens, réduisant les coûts d’infrastructure d’IA à grande échelle. Disponible immédiatement, FineParser propose un niveau gratuit limité à 1 000 pages par mois. ABBYY commercialise également des offres payantes et une déclinaison Enterprise permettant notamment le fonctionnement entièrement hors ligne et dans des environnements isolés.