Lundi matin, les documents arrivent de partout. Une assistante de direction trie des pièces jointes entre contrats, notes de frais, comptes-rendus et devis. En RH, un avenant est introuvable parmi des fichiers nommés « V2_final_bis » et « A_jour_2024 ». En logistique, un bon de livraison reste ouvert à l'écran parce que personne ne sait quel PDF correspond au bon transporteur.
Ces situations ne révèlent pas un manque de compétence. Elles montrent surtout qu'une règle commune de rangement n'existe pas encore. Avant de demander à l'intelligence artificielle de résumer, rechercher ou distribuer les documents, il faut lui donner un environnement lisible. La classification de documents constitue cette première brique, accessible aux fonctions supports et utile bien au-delà d'un projet informatique.
Table des matières
- Pourquoi la classification de documents change le quotidien des fonctions supports
- Comprendre la classification de documents sans jargon technique
- Règles, machine learning et LLM pour classer vos documents
- Le pipeline opérationnel d'un projet de classification documentaire
- Harmoniser les pratiques IA autour de la classification en entreprise
- Plan de démarrage en 90 jours pour une équipe non tech
- Ce qu'il faut retenir pour passer à l'action
Pourquoi la classification de documents change le quotidien des fonctions supports
Quand chaque service nomme et range ses fichiers à sa manière, une recherche simple devient une enquête. Sarah doit parcourir sa messagerie, Karim ouvre plusieurs versions d'un même avenant et Nadia compare des PDF dont les noms ne précisent ni le fournisseur ni le statut. Le temps perdu ne vient pas seulement de la recherche. Il vient aussi du doute, car un collaborateur hésite avant d'utiliser un document dont il ne connaît pas la version fiable.
Classer, ce n'est pas simplement déplacer des fichiers dans des dossiers. C'est décider à quelle famille appartient un document, qui peut l'utiliser, quelle information doit l'accompagner et ce qui doit lui arriver après sa validation ou sa clôture. Une facture fournisseur, par exemple, ne devrait pas être traitée comme un devis, même si les deux documents contiennent un nom d'entreprise et un montant.
Un même langage pour plusieurs métiers
Une classification partagée permet à l'assistante, à la RH et au responsable logistique de parler des documents avec les mêmes repères. Le service RH peut distinguer un contrat, un avenant et un bulletin. La logistique peut séparer un bon de commande, un bon de livraison et une facture. Le secrétariat de direction peut organiser une note, un compte-rendu et une présentation selon leur usage.
Cette logique rejoint le fonctionnement des archives publiques françaises, où les documents sont rattachés à leur producteur, à leur contexte et à leur valeur, plutôt que rangés uniquement par sujet. Le cadre de classement archivistique français montre notamment que les séries alphanumériques servent à organiser les fonds selon leur nature et leur période.
Règle pratique : si deux personnes ne classent pas le même fichier au même endroit, l'entreprise n'a pas encore une classification opérationnelle.
Le premier chantier avant l'IA
Les équipes qui utilisent déjà Claude Code pour créer des agents ou des outils personnalisés peuvent donner l'impression d'avancer dans un autre monde que celles qui n'ont jamais ouvert ChatGPT. Pourtant, la première barrière est souvent psychologique. Un projet de classification permet de commencer par une tâche familière, observer les décisions humaines, puis introduire l'IA sur un périmètre compréhensible.
L'enjeu n'est donc pas de remplacer le jugement des fonctions supports. Il consiste à rendre ce jugement plus régulier, plus traçable et plus facile à transmettre. Une fois les catégories, les règles et les exceptions clarifiées, l'automatisation devient une aide concrète, pas une boîte noire imposée aux utilisateurs.
Comprendre la classification de documents sans jargon technique
Pensez à une bibliothèque. Les contrats vont dans un rayon, les documents RH dans un autre, les factures dans une section dédiée. Pour que chacun retrouve un ouvrage, il faut aussi une règle précise. Le titre, l'auteur et le sujet servent d'indices, tandis que l'emplacement indique la famille du document.
La classification documentaire fonctionne de la même manière. Elle attribue un document à une catégorie métier à partir de son contenu, de son contexte ou de ses métadonnées. Une taxonomie est l'ensemble organisé de ces catégories. Une étiquette, ou label, est le nom appliqué à un fichier. Le schéma de classification décrit les règles qui permettent de choisir la bonne étiquette.
Trois notions à ne pas mélanger
Le classement documentaire répond à la question « dans quelle catégorie ranger ce document ? ». Le cycle de vie répond à une autre question, « que devient-il au fil du temps ? ». Un document peut être créé, relu, validé, utilisé, archivé, puis éliminé ou conservé selon les règles applicables.
Les documents classifiés, au sens défense ou secret protégé, relèvent encore d'un cadre différent. Leur niveau de protection détermine les conditions d'accès et de traitement. Dire qu'un fichier est « classé » dans un dossier « Contrats » ne signifie donc pas qu'il est classifié au sens de la défense.
Cette distinction est importante dans une entreprise. Un contrat de travail peut recevoir l'étiquette « RH / Contrat / Actif » sans être un document classifié. Une note stratégique peut nécessiter une restriction d'accès, sans pour autant relever automatiquement du régime des documents de défense.
Des exemples très concrets
Pour les RH, une taxonomie simple pourrait distinguer :
- Contrat de travail, document initial signé avec le salarié.
- Avenant, modification d'un contrat existant.
- Bulletin de paie, document périodique soumis à des règles d'accès strictes.
- Dossier de recrutement, ensemble de pièces liées à une candidature.
En logistique, les catégories peuvent suivre le flux opérationnel :
- Bon de commande, demande adressée au fournisseur.
- Bon de livraison, preuve de remise des marchandises.
- Facture, pièce destinée au contrôle et au paiement.
- Document transport, justificatif lié à l'acheminement.
Pour une direction, les étiquettes peuvent refléter le besoin de retrouver rapidement l'information : « Conseil d'administration », « Comité de direction », « Présentation commerciale » ou « Note de décision ». Le meilleur plan de classement n'est pas le plus sophistiqué. C'est celui que les utilisateurs appliquent sans hésiter.
Une bonne classification repose enfin sur la provenance, le statut et le contexte. Les archives publiques françaises appliquent une règle de non-mélange des fonds, car l'origine d'un document influence sa valeur, sa conservation et sa communicabilité. Cette logique reste utile en entreprise : rattacher un fichier à son service producteur limite les confusions entre versions et facilite les contrôles.
Règles, machine learning et LLM pour classer vos documents
Il n'existe pas une seule bonne technologie. Le choix dépend de la régularité des documents, de la précision attendue et de la capacité de l'équipe à préparer des exemples fiables.
Les règles conviennent aux documents prévisibles. Une facture fournisseur peut être reconnue grâce à des mots-clés, une structure récurrente, des métadonnées ou des expressions régulières. Cette approche est facile à expliquer, mais elle devient fragile lorsque les formats changent ou que les documents contiennent des formulations inattendues.
Le machine learning traditionnel apprend à partir d'un ensemble de documents déjà annotés. Des méthodes comme les SVM, les forêts aléatoires ou Naive Bayes peuvent distinguer des catégories bien définies, par exemple un contrat de travail et un avenant. L'équipe doit toutefois fournir des exemples représentatifs et surveiller les erreurs sur les catégories moins fréquentes.
Les LLM et transformers, comme BERT, GPT ou des modèles spécialisés, sont plus adaptés aux textes variés et aux formulations naturelles. Ils peuvent interpréter le contexte d'un document, mais leurs réponses doivent être encadrées par une taxonomie claire, des consignes précises et une validation humaine pour les cas sensibles.
| Critère | Règles | Machine Learning traditionnel | LLM / Transformers |
|---|---|---|---|
| Type de document | Formats stables et prévisibles | Catégories bien définies | Documents variés et langage naturel |
| Données nécessaires | Règles métier et exemples de formats | Jeu de données annoté | Documents, consignes et taxonomie |
| Explicabilité | Très forte, chaque règle est lisible | Intermédiaire, selon le modèle | À encadrer, justification à conserver |
| Maintenance | Mise à jour des règles | Réentraînement possible | Révision des instructions et contrôles |
| Cas métier | Factures standardisées | Contrats et avenants | Notes, courriels et documents hétérogènes |
| Point de vigilance | Sensibilité aux variations | Qualité des annotations | Hallucinations et décisions non justifiées |
Un choix guidé par le terrain
Commencez par observer les documents, pas par sélectionner un modèle. Si la catégorie est reconnaissable par la présence d'un champ stable, une règle peut suffire. Si les documents se ressemblent mais comportent des variations, un modèle supervisé peut être pertinent. Si l'équipe doit comprendre des formulations longues, implicites ou mélangées, un LLM peut apporter davantage de souplesse.
Dans tous les cas, prévoyez une catégorie « à vérifier ». Elle évite de forcer le système à choisir entre deux étiquettes quand le document est incomplet, ambigu ou hors périmètre. Pour une fonction support, un rejet explicite vaut mieux qu'une classification assurée mais erronée.
Les taxonomies très larges demandent aussi une architecture plus prudente. Les travaux de Databricks sur la classification de grands ensembles d'étiquettes décrivent notamment une approche qui réduit d'abord la liste des catégories candidates avant de solliciter un modèle de langage. Pour une entreprise non tech, l'idée à retenir est simple : ne demandez pas à un outil de choisir dans une liste inutilement vaste.
Le pipeline opérationnel d'un projet de classification documentaire
Un projet de classification ressemble davantage à un processus qualité qu'à un cours de data science. Les assistants, les RH et les opérationnels détiennent une partie essentielle du savoir, car ils savent reconnaître un document correct, une exception et une version exploitable.
1. Préparer des fichiers lisibles
Commencez par réunir les documents du périmètre choisi. Écartez les doublons, repérez les fichiers illisibles, harmonisez les formats et vérifiez que les PDF scannés peuvent être convertis en texte. Cette étape conditionne la suite : un modèle ne peut pas interpréter correctement une information qui n'a pas été extraite.
Les métadonnées méritent la même attention. Date, service producteur, statut, fournisseur et niveau d'accès peuvent compléter le contenu textuel. Une classification fiable combine souvent ces indices plutôt que de dépendre d'un seul mot-clé.
2. Annoter avec les experts métier
L'annotation consiste à attribuer la bonne étiquette à chaque document de référence. Les assistants peuvent définir les catégories du secrétariat, les RH peuvent distinguer les pièces contractuelles et les équipes logistiques peuvent préciser les documents qui déclenchent une action.
Rédigez une consigne par catégorie. Elle doit préciser ce qui entre dans la catégorie, ce qui en sort et comment traiter un cas mixte. Si deux personnes ne sont pas d'accord, ne masquez pas le désaccord. Transformez-le en règle ou en cas à vérifier.
3. Entraîner sans perdre le contrôle
L'entraînement peut rester une étape technique prise en charge par un outil ou un prestataire. L'équipe métier fournit les exemples, vérifie les catégories et signale les erreurs compréhensibles dans le contexte réel.
Demandez à voir les documents mal classés. Un résultat global flatteur peut cacher une confusion entre avenant et contrat, ou entre bon de livraison et facture. La question utile n'est pas seulement « le modèle fonctionne-t-il ? », mais « quelles erreurs produit-il, et qui les corrige ? ».
4. Évaluer avec des critères métier
Mesurez la précision par catégorie, le nombre de documents envoyés en vérification et les erreurs qui peuvent avoir une conséquence administrative. Une mauvaise étiquette sur une présentation interne n'a pas le même impact qu'une mauvaise étiquette sur un dossier RH.
Point de contrôle : toute décision automatisée doit pouvoir être expliquée par le document source, la règle appliquée et l'intervention éventuelle d'un utilisateur.
5. Déployer et suivre
L'intégration peut se faire dans une GED, un ERP ou une messagerie, mais le déploiement doit rester progressif. Prévoyez une validation humaine, un historique des corrections et une personne responsable des cas limites. Le modèle peut perdre en pertinence lorsque les formats, les fournisseurs ou les catégories évoluent.
Pour prolonger ce travail, les équipes peuvent consulter le guide sur l’optimisation des processus administratifs. La classification devient alors une étape d'un flux complet, depuis la réception jusqu'à l'archivage et au suivi.
Harmoniser les pratiques IA autour de la classification en entreprise
Dans une même entreprise, certains collaborateurs utilisent déjà Claude Code pour créer des agents et des outils personnalisés, tandis que d'autres n'ont jamais utilisé ChatGPT ou l'ouvrent rarement. Ce contraste ne traduit pas une différence de potentiel. Il reflète surtout des occasions d'apprentissage différentes, une confiance inégale et l'absence de pratiques communes.
Les données françaises confirment que l'adoption progresse sans être homogène. 10 % des entreprises françaises de 10 salariés ou plus déclaraient utiliser au moins une technologie d'IA en 2024, contre 6 % en 2023, selon l'Insee. Parmi les entreprises utilisatrices, plus d'une sur deux employait au moins deux technologies d'IA, ce qui montre qu'un noyau d'équipes avance plus vite que le reste de l'organisation.
Un baromètre KPMG publié en 2026 indique que 47 % des collaborateurs du secteur privé en France utilisent déjà l'IA générative dans leur travail, avec des niveaux d'usage réguliers plus restreints, 24 % au moins une fois par semaine et 7 % presque tous les jours. Ces résultats, présentés dans l'Observatoire de l'IA responsable 2026 de KPMG, illustrent l'écart entre découverte et appropriation.
| Critère | Usages IA dispersés | Projet de classification structuré |
|---|---|---|
| Point de départ | Initiatives individuelles | Périmètre métier partagé |
| Règles | Variables selon les personnes | Catégories et consignes communes |
| Validation | Souvent implicite | Responsable identifié et historique conservé |
| Relation à la DSI | Demandes ponctuelles | Collaboration autour des données et des accès |
| Progression | Dépend de quelques utilisateurs | Compétences transférables à toute l'équipe |
Un projet qui réunit métier et technique
La classification oblige l'entreprise à répondre à des questions concrètes : qui est propriétaire des données, quelles catégories sont légitimes, qui valide une décision automatisée et comment conserver la preuve de cette décision ? Elle transforme les fonctions supports en contributrices du système d'information, car elles définissent les règles que les outils devront appliquer.
La conformité renforce cette nécessité. L’article 4 de l'AI Act et les obligations présentées par Service-Public imposent depuis février 2025 un niveau de maîtrise de l'IA adapté à l'usage pour les personnes qui l'utilisent au nom de l'entreprise. Le même cadre prévoit, pour les systèmes à haut risque, des exigences de documentation, de supervision humaine, de fiabilité, de précision et de cybersécurité.
Le RGPD doit également guider les choix lorsque les documents contiennent des données personnelles. La classification ne doit pas devenir un prétexte pour copier des fichiers sensibles dans un outil sans vérifier les accès, la conservation et les finalités. Une gouvernance IA documentée aide à relier les décisions quotidiennes aux responsabilités de l'entreprise.
Plan de démarrage en 90 jours pour une équipe non tech
Un projet pilote fonctionne mieux lorsqu'il reste limité. Choisissez une seule typologie, un seul service et une décision claire à automatiser ou à assister. Les contrats fournisseurs, les notes de frais ou les bons de livraison constituent des points de départ compréhensibles, à condition que l'équipe puisse définir ce qu'est une classification correcte.
Jours 1 à 30, cadrer
Désignez un sponsor métier, une personne référente dans les fonctions supports et un interlocuteur technique. Cartographiez les emplacements actuels, les formats, les accès et les principales erreurs de rangement. Écrivez ensuite les catégories retenues, les critères d'affectation et la règle applicable aux documents ambigus.
Le succès de cette première phase se vérifie simplement : l'équipe doit pouvoir expliquer le périmètre, le résultat attendu et le rôle de chacun sans recourir à un vocabulaire technique.
Jours 31 à 60, préparer et tester
Constituez un échantillon représentatif de 200 à 500 documents, comme le prévoit le scénario de démarrage retenu ici. Les assistants, les RH et les opérationnels l'annotent ensemble, puis testent une approche par règles ou par LLM selon la variété des fichiers.
Ne cherchez pas à tout automatiser dès cette étape. Comparez les classifications proposées avec les décisions humaines, notez les erreurs et enrichissez les consignes. Un lot de validation séparé permet de vérifier si les règles fonctionnent sur des documents qui n'ont pas servi à les définir.
Jours 61 à 90, piloter et décider
Intégrez la classification dans l'outil métier choisi, avec une possibilité de correction visible. Formez les utilisateurs finaux sur les catégories, les exceptions et la façon de signaler une erreur. Le guide sur l'automatisation no-code peut aider une équipe à connecter des étapes sans construire immédiatement une application complète.
Suivez des indicateurs compréhensibles : temps consacré au tri, erreurs de catégorie, volume envoyé en vérification et satisfaction des utilisateurs. À la fin du pilote, décidez s'il faut étendre le périmètre, modifier la taxonomie ou arrêter l'automatisation sur une catégorie trop risquée. La décision doit reposer sur les usages observés, pas sur l'effet de nouveauté.
Ce qu'il faut retenir pour passer à l'action
La classification documentaire relie montée en compétence, conformité et performance opérationnelle. Elle donne aux équipes non tech un premier cas d'usage IA concret, avec des catégories visibles, des décisions vérifiables et des résultats que chacun peut comprendre.
Trois engagements suffisent pour commencer :
- Réduire le périmètre, avec une typologie et un service.
- Former les utilisateurs avant le déploiement, afin que chacun comprenne les règles et les limites.
- Partager la gouvernance, entre métier, fonctions supports et technique.
Vous n'avez pas besoin d'être expert en code pour contribuer à un projet d'IA. Vous devez savoir décrire vos documents, reconnaître une erreur et proposer une règle métier claire.
Rainer School accompagne les assistants de direction, les équipes RH et les opérationnels avec des formations pratiques à l'IA générative, à la gestion documentaire et à l'automatisation des processus. Découvrez les parcours professionnalisants et certifiants sur Rainer School, puis choisissez le format qui vous aidera à passer de la curiosité à une utilisation maîtrisée au quotidien.
