Discuter avec un PDF : comment faire et ce qui casse

La réponse courte

Pour discuter avec un PDF, ouvrez-le dans un outil capable de le lire (une extension de navigateur, Gemini Notebook, ChatGPT, Claude, Acrobat Studio ou une application de chat PDF dédiée), puis posez vos questions en langage courant. La plupart des outils convertissent le document en texte, repèrent les passages qui semblent pertinents pour votre question, et demandent à un modèle de langage de répondre en s'appuyant uniquement sur ces passages.

Ce dernier point résume toute l'affaire. Vous ne parlez pas à quelque chose qui a lu votre PDF. Vous parlez à quelque chose qui en a lu quelques paragraphes, choisis par une étape de recherche que vous ne voyez jamais. Tout ce que le chat PDF a d'utile, et tout ce qu'il a de dangereux, découle de là.

La règle pratique : servez-vous-en pour trouver et clarifier, non pour compter ni pour conclure. Puis allez voir la page citée avant de la citer à votre tour.

Ce qui se passe vraiment quand vous « discutez » avec un PDF

Quatre étapes s'intercalent entre votre question et la réponse, et chacune peut dérailler indépendamment des autres.

L'analyse du fichier (parsing). Le PDF est converti en texte. Le PDF est un format d'impression, pas un format de texte : l'exercice est donc réellement difficile. Aucun ordre de lecture n'est garanti dans le fichier, les tableaux ne sont souvent qu'un assemblage de traits et de caractères flottants, et une page scannée est une photographie qui ne contient aucun texte.

Le découpage (chunking). Le texte extrait est débité en morceaux, en général de quelques centaines de mots chacun, puis transformé en vecteurs pour pouvoir être cherché par le sens plutôt que par mot-clé.

La recherche (retrieval). Votre question devient elle aussi un vecteur, et le système remonte la poignée de fragments qui en sont les plus proches. C'est l'étape dont tout le monde oublie l'existence. On ne remet pas votre document au modèle. On lui remet une petite pile d'extraits.

La génération. Le modèle rédige une réponse à partir de ces extraits et, dans les bons outils, y joint une citation qui pointe vers eux.

Certains outils sautent l'étape de recherche et poussent le document entier dans la fenêtre de contexte du modèle. Cela échange un mode de défaillance contre un autre, ce qui est un sujet à part entière. Nous avons traité le versant technique de cet arbitrage dans la dégradation du contexte et le débat RAG contre contexte long. Pour un lecteur qui a un PDF sous les yeux, l'important est de savoir lequel des deux il utilise, car les deux cassent différemment.

Panne n° 1 : le fichier casse avant que le modèle ne le lise

Demandez à un outil de chat PDF pourquoi il a mal lu un tableau : vous obtiendrez des excuses, pas une explication. L'explication, en général, c'est que le tableau n'a jamais survécu à l'extraction.

En mai 2026, des chercheurs ont publié PureDocBench, un banc d'essai conçu pour évaluer honnêtement l'analyse de documents. Ils y ont mesuré 40 modèles, des parseurs en pipeline aux spécialistes de bout en bout en passant par les modèles vision-langage généralistes, sur 10 domaines et 1 475 pages déclinées en versions propres, dégradées numériquement et réellement dégradées. Leur conclusion principale : l'analyse de documents est loin d'être un problème résolu. Le meilleur modèle n'a obtenu qu'environ 74 sur 100, avec 44,6 points d'écart entre le plus fort et le plus faible.

La même équipe a audité OmniDocBench, le banc d'essai qui faisait référence jusque-là, et y a relevé 2 580 erreurs sur 21 353 blocs notés, soit 12,08 %. L'instrument de mesure était faussé.

Deux résultats comptent pour quiconque discute avec un vrai document :

• Les formules sont le goulot d'étranglement commun. En moyenne sur les trois pistes du banc d'essai, aucun modèle n'a dépassé 67 % en reconnaissance de formules. Si vous discutez avec un article de physique ou un manuel de finance, les équations sont la partie la moins fiable de la réponse.
• La dégradation inverse le classement. Les modèles vision-langage généralistes perdent 0,99 et 8,52 points sous dégradation numérique puis réelle. Les parseurs en pipeline perdent 4,90 et 14,21 points, de quoi renverser complètement le classement. Un outil qui gagne sur des pages propres peut s'effondrer dès que la qualité des pages baisse.

C'est pour cela que la même question donne une réponse nette sur un rapport nativement numérique et une réponse étrange sur un chapitre photocopié. Les articles académiques sur plusieurs colonnes sont lus en travers des colonnes au lieu de l'être colonne par colonne. Les notes de bas de page atterrissent au milieu d'une phrase. Les en-têtes se répètent à chaque page et polluent la recherche. Rien de tout cela ne vous est visible, puisque l'outil vous montre sa réponse, pas sa transcription.

Si votre source est un scan ou un article dense sur deux colonnes, considérez chaque chiffre extrait comme non vérifié tant que vous n'avez pas regardé la page. L'indice habituel : un chiffre qui ne colle pas tout à fait à la phrase qui l'entoure.

Panne n° 2 : la recherche ne trouve que ce que vous avez déjà demandé

Voici le calcul que tout le monde saute. La documentation d'Anthropic indique que Claude convertit chaque page de PDF en image et en extrait le texte, et que le texte extrait coûte à lui seul 1 500 à 3 000 tokens par page, les images de page étant facturées en plus. Un livre de 300 pages représente donc 450 000 à 900 000 tokens de texte avant même que la moindre image soit comptée.

Des fenêtres de contexte de cette taille existent, mais les remplir est lent et coûteux : beaucoup d'outils grand public font donc de la recherche à la place. Or la recherche a un angle mort bien précis : elle trouve les fragments qui ressemblent à votre question. Les questions dont la réponse n'est concentrée dans aucun passage n'ont aucun fragment à trouver.

Cela casse une catégorie de questions parfaitement prévisible :

• « Combien de fois l'auteur mentionne-t-il X ? » Aucun fragment ne contient le total.
• « Quelle différence de ton y a-t-il entre le chapitre 2 et le chapitre 9 ? » La réponse vit à deux endroits à la fois.
• « Qu'est-ce que ce rapport passe sous silence ? » L'absence n'a pas de vecteur.

Posez l'une de ces questions : un bon outil vous dira qu'il ne peut pas répondre. Un outil ordinaire répondra quand même, à partir de ce qu'il a récupéré par hasard, et sa réponse se lira exactement comme les réponses fiables.

Les outils à contexte long échouent autrement, mais tout aussi sûrement. Dans le banc d'essai NoLiMa, présenté à ICML 2025, Modarressi et ses collègues ont réduit au minimum le recouvrement littéral de mots qui rend faciles les tests classiques de l'aiguille dans une botte de foin. À 32K tokens, 11 des modèles testés sont tombés sous 50 % de leur propre score de référence en contexte court. GPT-4o faisait partie des deux exceptions qui ont le mieux tenu, et il est tout de même passé de 99,3 % à 69,7 %. Nelson Liu et ses coauteurs avaient déjà montré la même forme dans TACL : la courbe en U désormais connue sous le nom de « lost in the middle », perdu au milieu. Les modèles réussissent le mieux sur les informations placées au début et à la fin d'une longue entrée, et le moins bien sur celles du milieu. Si le fait dont vous avez besoin se trouve à la page 140 sur 300, c'est l'endroit le plus défavorable qui soit.

Panne n° 3 : ancré ne veut pas dire exact

L'argument le plus séduisant de cette catégorie, c'est qu'ancrer le modèle dans votre document supprime l'hallucination. C'est faux, et l'on dispose désormais d'une mesure soignée de ce que l'ancrage apporte réellement.

Varun Magesh, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher Manning et Daniel Ho ont mené la première évaluation préenregistrée des outils d'IA de recherche juridique, publiée dans le Journal of Empirical Legal Studies en 2025. Ils ont testé des produits LexisNexis et Thomson Reuters conçus spécifiquement pour répondre à partir d'un corpus juridique sélectionné, avec un jeu figé de 202 requêtes. Ce ne sont pas des agents conversationnels qui devinent de mémoire. Ce sont des systèmes de recherche sur des documents validés, vendus avec la promesse d'être « hallucination-free », sans hallucination.

Les résultats :

Ask Practical Law AI a renvoyé une réponse incomplète, c'est-à-dire un refus ou un contenu non ancré, sur 62 % des requêtes. Les auteurs l'attribuent à son corpus plus étroit plutôt qu'à la prudence : il ne puise que dans des articles de pratique, et non dans la jurisprudence, les lois et les règlements. (L'introduction de l'article arrondit l'exactitude de Westlaw à 42 % ; les 41 % ci-dessus proviennent du détail chiffré des trois systèmes.)

Relisez ce tableau deux fois, car il dit deux choses différentes. L'ancrage a fonctionné sur l'hallucination : les trois systèmes ancrés dans des documents ramènent le taux de 43 % de GPT-4 à 17 %, 17 % et 33 %. Il n'a rien fait pour la fiabilité. Deux de ces trois systèmes ont répondu correctement à moins de la moitié des requêtes, et pour des raisons différentes. Le déficit de Westlaw tient surtout à l'hallucination : 33 %, contre 25 % de réponses incomplètes. Celui d'Ask Practical Law AI tient presque entièrement à la prudence : 62 % d'incomplètes contre 17 % d'hallucinations. Le résumé des auteurs eux-mêmes est que les promesses des fournisseurs sont exagérées et que les hallucinations restent « substantial », substantielles.

Transposez maintenant à votre situation. Ces systèmes puisent dans une base juridique sélectionnée par des professionnels et correctement analysée, bâtie par des entreprises qui ont tout intérêt à ne pas se tromper. Votre outil, lui, puise dans un PDF qu'un parseur a traversé ce matin à coups de suppositions. Rien ne permet d'espérer un meilleur résultat, et la citation posée à côté de la réponse aura exactement la même allure d'autorité dans les deux cas.

Les questions auxquelles le chat PDF répond vraiment bien

La déception vient le plus souvent d'une question mal formée. Accordez la question au mécanisme et la technologie devient réellement excellente.

Faites bien cette distinction et la moitié du problème disparaît. Servez-vous du chat PDF comme d'un assistant de recherche très rapide et très lettré, capable de trouver. Ne vous en servez pas comme d'un lecteur qui aurait fini le livre.

Les meilleurs outils de chat avec PDF, et la seule fonctionnalité qui compte

Oubliez un instant les listes de fonctionnalités. Ce qui sépare un outil de chat PDF utile d'un outil dangereux, c'est qu'il vous dise exactement d'où vient chaque réponse, pour que vous puissiez la vérifier. Un clic, c'est la meilleure version. Un numéro de page que vous devez retrouver vous-même, c'est la version acceptable. N'offrir ni l'un ni l'autre devrait disqualifier un outil d'emblée.

Quelques repères pour choisir. Si vos PDF se trouvent sur le web ouvert, un outil qui fonctionne dans le navigateur vous épargne complètement l'étape du téléversement : c'est le cas du chat PDF de Glasp, et c'est en partie pour cela qu'il s'associe à un surligneur de PDF au lieu de le remplacer. Si vous synthétisez plusieurs documents à la fois, un outil de type carnet l'emporte. Si votre corpus est confidentiel, vérifiez d'abord où le fichier est traité, car aucune question d'exactitude n'a d'importance si le document n'aurait jamais dû quitter votre machine.

Nous comparons le versant annotation dans les meilleurs surligneurs de PDF en 2026.

Une routine de vérification en 30 secondes

Vous n'avez pas besoin d'auditer chaque réponse. Vous avez besoin d'une habitude qui ne coûte presque rien et qui attrape les erreurs susceptibles de vous mettre dans l'embarras.

1. Cliquez sur la citation. Pas pour la survoler. Pour confirmer que la phrase que le modèle lui attribue existe bel et bien. Cette seule étape attrape la plupart des inventions, et un outil qui la rend difficile devrait perdre votre confiance.
2. Confrontez le numéro de page à la page réelle. Les parseurs désalignent les limites de pages en permanence, surtout sur les scans. Une citation renvoyant à la page 46 alors que le passage est à la page 44 signale que toute l'extraction a dérivé.
3. Reposez la question avec une prémisse volontairement fausse. « Où l'auteur soutient-il que l'effet a disparu après 2015 ? » Si l'outil abonde dans le sens d'une affirmation que vous venez d'inventer, c'est qu'il ne lit pas votre document d'assez près pour vous contredire, et vous devez alors vous méfier aussi de la réponse précédente.
4. Pour tout chiffre, allez voir le tableau d'origine. Les tableaux sont le maillon faible de l'extraction, et les chiffres sont précisément ce que vous risquez le plus de répéter à voix haute.

L'étape 3 est celle que l'on saute et celle qui révèle le plus, parce qu'elle teste la mécanique et non la réponse. Un outil qui valide une affirmation que vous avez inventée ne consulte pas votre document. Il écrit de la prose plausible avec la voix de votre document.

Une nuance honnête sur cette astuce : dans l'étude de Stanford, l'exactitude était la plus élevée sur les questions à prémisse fausse, et cela pour tous les systèmes testés ; Lexis+ AI, Westlaw et même GPT-4 seul corrigeaient souvent la prémisse erronée sans détour. Cela tient en partie à la grille d'évaluation de l'étude, qui comptait comme correcte la réponse « je ne trouve aucune source faisant autorité là-dessus ». Le chat PDF grand public ne répond à aucun de ces deux standards. La version généraliste de cette habitude, pour des productions d'IA qui ne sont pas des PDF, se trouve dans le contrôle anti-hallucination en 60 secondes.

Surlignez d'abord, discutez ensuite

Le chat PDF a un second coût, sans aucun rapport avec l'exactitude. Vous pouvez obtenir une réponse parfaite et ne rien retenir.

Quand l'outil se charge de chercher, de sélectionner et de condenser, il a effectué tout le travail qui aurait encodé la matière dans votre mémoire. Ce n'est pas un argument contre l'outil. C'est un argument sur l'ordre des opérations.

L'ordre qui fonctionne :

• Lisez et surlignez avant de poser la moindre question. Choisir ce qui compte est l'étape cognitive coûteuse, et c'est celle qui vaut la peine d'être gardée. Elle vous laisse en prime une carte du document sur laquelle confronter les réponses.
• Discutez ensuite, pour attaquer les trous. Posez à l'outil les questions que vos surlignages ont soulevées : ce que signifie un terme, à quel endroit une affirmation est défendue, s'il existe une réserve quelque part.
• Écrivez la réponse avec vos propres mots, à côté du surlignage. Une réponse d'IA citée telle quelle se dégrade en quelque chose que vous avez seulement enregistré. Une réponse reformulée, c'est quelque chose que vous avez appris.
• Gardez les surlignages, pas la conversation. Les conversations sont jetables. Les passages que vous avez choisis sont l'objet durable, et ils restent consultables longtemps après la fin de la session.

C'est autour de ce flux de travail qu'est construit le surligneur web de Glasp : surlignez le PDF ou l'article, gardez les passages au même endroit, puis discutez avec vos surlignages sur l'ensemble de vos lectures plutôt que fichier par fichier. Notre méthode d'annotation des PDF approfondit le versant surlignage.

Questions fréquentes

ChatGPT peut-il lire un PDF ?

Oui. Vous pouvez téléverser un PDF directement dans une conversation, dans la limite de 512 Mo par fichier et d'un plafond de 2 millions de tokens pour les fichiers texte et documents, selon la documentation d'OpenAI. Ce qu'il ne sait pas garantir de façon fiable, c'est que chaque affirmation corresponde à une page précise : vérifiez donc tout ce que vous comptez citer. Les PDF scannés et les documents chargés en tableaux sont les cas où les résultats deviennent le moins prévisibles.

Comment discuter avec un PDF gratuitement ?

Les possibilités ne manquent pas. Gemini Notebook propose une offre gratuite avec un plafond de sources par carnet, l'offre gratuite de ChatPDF analyse deux documents par jour, et les outils qui fonctionnent dans le navigateur vous laissent discuter avec des PDF déjà ouverts sur le web sans rien téléverser. Les offres gratuites limitent en général le nombre de documents, le nombre de pages ou le nombre de questions quotidiennes, plutôt que la qualité des réponses.

Pourquoi l'IA cite-t-elle la mauvaise page dans un PDF ?

Parce que les numéros de page que vous voyez et les limites de pages produites par le parseur sont deux choses différentes. Le PDF stocke une mise en page, pas une structure : l'extraction peut donc fusionner ou scinder des pages, surtout sur des scans, et les pages liminaires numérotées en chiffres romains décalent le compte de plusieurs pages. Si une citation est décalée d'un écart constant, partez du principe qu'elles le sont toutes.

L'IA peut-elle lire un PDF scanné ?

Parfois, et moins bien qu'avec un fichier nativement numérique. Un scan n'a pas de couche de texte : il lui faut donc un OCR, ou un modèle de vision qui lit la page comme une image. Anthropic le dit sans détour : les PDF qui sont des scans dépourvus de texte extractible « are not citable », impossibles à citer, pour Claude. Dans la piste réellement dégradée de PureDocBench, les parseurs en pipeline ont perdu 14,21 points tandis que les modèles vision-langage généralistes en perdaient 8,52, ce qui a inversé le classement entre les deux familles d'outils. Testez votre propre scan sur un passage que vous connaissez déjà avant de croire quoi que ce soit d'autre.

Est-il prudent de téléverser un PDF vers une IA ?

Cela dépend entièrement du fournisseur, et c'est la question à trancher avant toutes celles qui portent sur l'exactitude. Vérifiez trois points dans les conditions d'utilisation : si vos téléversements servent à entraîner des modèles, combien de temps les fichiers sont conservés, et si l'offre gratuite est traitée différemment de l'offre payante, car c'est souvent le cas. Pour tout ce qui relève d'un NDA, de la confidentialité client ou de recherches non publiées, la position par défaut la plus sûre est un outil qui n'envoie jamais le document hors de votre machine, ou un compte assorti d'une politique de non-entraînement documentée.

Discuter avec un PDF, est-ce une bonne façon d'étudier ?

Cela vous aide à trouver des choses, et c'est un gain réel. Cela ne fait pas le travail d'encodage. Si l'outil sélectionne et condense à votre place, vous avez sous-traité la partie de la lecture qui construit la mémoire. Surlignez d'abord, puis servez-vous du chat pour combler des trous précis, et rédigez les réponses avec vos propres mots au lieu de les coller.

Conclusion

Le chat PDF fait partie des rares fonctionnalités d'IA qui méritent clairement leur place. Il transforme un document de 300 pages en quelque chose que l'on peut interroger en quelques secondes, et pour trouver, définir et clarifier, il est excellent.

C'est aussi une chaîne de traitement avec trois points de rupture non signalés. Le parseur abîme le fichier, la recherche remet au modèle quelques extraits au lieu de votre document, et le modèle écrit une prose fluide par-dessus ce qu'il a reçu. Le résultat de Stanford est celui qu'il faut retenir : des systèmes conçus pour cet usage, ancrés de façon professionnelle, hallucinaient encore 17 % à 33 % du temps, et deux des trois répondaient correctement à moins de la moitié de ce qu'on leur demandait. La fluidité et une citation ne sont pas des preuves.

Alors servez-vous-en bien. Demandez-lui de localiser plutôt que de conclure. Cliquez sur une citation avant de citer quoi que ce soit. Et surlignez le document vous-même d'abord, car les passages que vous choisissez sont ce qu'il vous restera le mois prochain, quand la conversation aura disparu.

Envie de l'essayer sur ce que vous êtes réellement en train de lire ? Ouvrez un PDF avec le chat PDF de Glasp, surlignez ce qui compte, et posez vos questions avec la source posée juste à côté de la réponse.