Coût par champ extrait : l'unité clé pour les pipelines RAG

À retenir

• Le prix catalogue d'un parseur par page ne vous dit presque rien : dans un pipeline RAG, le coût dominant est la minute humaine passée à corriger ou vérifier un champ erroné, pas l'appel API.
• La bonne unité est le coût par champ correctement extrait (CPCF) : le coût total du pipeline divisé par le nombre de champs qui passent la validation, et non par le nombre de champs produits.
• Les tarifs publiés par page varient de plus d'un ordre de grandeur pour une même page, avec les modes LlamaParse allant de 1 crédit/page (Fast) à 45 (Agentic Plus), soit un écart de 45×, ce qui rend tout devis sans mode précisé inexploitable.
• Des écarts de précision de champ de quelques points comptent plus que des écarts de prix de 10× : sur RD-TableBench, les scores de similarité de tableaux vont de 90,2 (Reducto) à 74,6 (LlamaParse) et 60,2 (Unstructured).

Pourquoi le coût par page est-il la mauvaise unité pour un pipeline RAG ?

Parce que la page est une unité d'entrée, alors que votre pipeline est jugé sur ses sorties. Un dossier sinistre de 40 pages peut contenir 60 champs qui vous intéressent et 35 pages de texte standard que vous n'interrogerez jamais. Payer 0,01 $ par page n'a aucune importance si les trois pages portant le tableau des montants de sinistre reviennent avec des colonnes fusionnées.

La qualité de l'extraction se propage en aval. Si l'extraction produit une structure incorrecte (tableaux mal alignés, colonnes fusionnées) ou si le découpage en chunks casse des unités logiques, le composant de retrieval peut tout simplement échouer à renvoyer l'information nécessaire pour répondre correctement (arXiv 2604.12047). Cet échec est invisible sur votre facture d'extraction et extrêmement visible dans votre suite d'évaluation. Pire : le plafond de performance reste bas même avec des entrées parfaites. Sur FinanceBench, fournir à GPT-4-Turbo les pages exactes contenant la réponse laisse encore 15 % des questions sans bonne réponse (HackerNoon). Partir d'une extraction dégradée vous place bien en dessous de ce niveau.

Les pages, c'est ce qu'on achète ; les champs corrects, c'est ce qu'on consomme réellement.

Que signifie le « coût par champ correctement extrait » ?

Le CPCF est le coût complet de votre pipeline d'ingestion divisé par le nombre de champs qui passent la validation, par type de document. Formellement :

CPCF = (C_extraction + C_relance + C_relecture + C_réindexation) / (N_champs × précision)

C'est au dénominateur que les équipes trichent le plus souvent. Si un parseur produit 60 champs par dossier avec une précision de 92 % au niveau du champ, vous disposez de 55,2 champs exploitables, pas 60. Les 4,8 champs erronés ne coûtent pas zéro : ils mobilisent l'attention d'un relecteur, ou pire, ils contaminent silencieusement un chunk récupéré par le retrieval.

Un exemple chiffré à 100 000 pages/mois, 15 champs par page :

• Parseur A : 0,01 $/page, précision de champ de 94 %. Coût d'extraction = 1 000 $. Champs exploitables = 1 410 000. CPCF hors relecture = 0,00071 $.
• Parseur B : 0,056 $/page, précision de champ de 98,5 %. Coût d'extraction = 5 600 $. Champs exploitables = 1 477 500. CPCF hors relecture = 0,0038 $.

Sur le seul coût d'extraction, B paraît 5 fois plus cher. Ajoutez la relecture : à 30 secondes par champ signalé et 35 €/heure chargée, les 90 000 champs erronés de A coûtent environ 262 000 € à trier, contre environ 65 000 € pour les 22 500 de B. B l'emporte largement. Le point de bascule dépend entièrement de votre taux de relecture, c'est pourquoi la checklist d'évaluation de la précision d'extraction doit être exécutée avant, et non après, la décision d'achat.

À quoi ressemblent réellement les prix catalogue par page en 2026 ?

Les tarifs publiés se concentrent entre 0,0015 $ et 0,06 $ par page, l'extraction structurée de champs se situant en haut de la fourchette. Le tableau ci-dessous reprend les chiffres publiés par les éditeurs tels que rapportés en octobre 2026 ; vérifiez auprès des pages tarifaires actuelles avant de budgéter.

Deux pièges méritent d'être nommés. D'abord, les SKU s'empilent : une facture scannée nécessitant des lignes de détail et une lecture fiable malgré une qualité de scan médiocre, c'est Prebuilt (10 $) + Layout (10 $) + option haute résolution (6 $), soit 26 $ pour 1 000 pages (parsli.co). Ensuite, les échecs sont facturés aussi. Dans le modèle de quota de LlamaParse, les tentatives d'extraction échouées (PDF mal formés, timeouts, erreurs de parsing) consomment tout de même du quota, si bien que votre tarif effectif est le prix catalogue divisé par le taux de réussite. Un taux d'échec dur de 6 % transforme 0,056 $ en 0,0596 $ avant même d'examiner le résultat. LlamaExtract-Agentic a échoué sur 9,8 % des documents de LongExtractBench.

Comment mesurer la précision de champ sans constituer un gold set qui coûte plus cher que le parseur lui-même ?

Échantillonnez de façon stratifiée, annotez une fois, réutilisez indéfiniment. Il n'est pas nécessaire d'annoter 10 000 documents. Pour la plupart des types de documents en production, 150 à 300 documents stratifiés par famille de mise en page, qualité de scan et langue suffisent pour obtenir une précision de champ assortie d'intervalles de confiance suffisamment resserrés pour trancher entre fournisseurs.

Annotez au niveau du champ, pas au niveau de la page. Pour chaque champ cible, consignez : présent/absent dans la source, valeur extraite, verdict de correspondance exacte ou normalisée, et la provenance (page/bbox). Les règles de normalisation (dates, montants, numéros de TVA) doivent être fixées avant l'annotation, sous peine de passer toute l'évaluation à débattre de 1 234,56 contre 1234.56.

Les benchmarks au niveau de la page ne remplacent pas cette démarche. Le score de bout en bout d'OmniDocBench se calcule comme la moyenne de (1 − distance d'édition de texte)×100, du TEDS pour les tableaux et du CDM pour les formules (OmniDocBench), ce qui est un bon indicateur de la reconstruction du document mais un mauvais indicateur du type « avons-nous bien récupéré le numéro de police ». Le TEDS récompense la similarité structurelle du tableau entier ; votre pipeline n'a peut-être besoin que de quatre cellules de ce tableau. Nous avons détaillé cet écart dans pourquoi les benchmarks de parseurs de tableaux ne prédisent pas la précision en RAG.

Un parseur qui obtient 95 sur un benchmark public et 78 sur votre propre échantillon de 200 documents vous dit quelque chose de vrai sur vos documents, pas quelque chose de faux sur le benchmark.

Quels postes de coûts les équipes oublient-elles systématiquement ?

Quatre, par ordre approximatif d'importance : la relecture humaine, la ré-ingestion, les relances, et la maintenance de l'évaluation. La relecture humaine domine à presque tous les volumes réalistes. Chiffrez-la explicitement : taux de champs signalés × secondes par champ × coût horaire chargé. Si votre parseur ne renvoie aucun score de confiance par champ, votre taux de relecture équivaut de fait à 100 % des champs dès lors qu'un champ a des conséquences financières ou juridiques, et le prix du parseur devient une variable négligeable.

La ré-ingestion est le coût caché. Changez de stratégie de découpage en chunks, changez de modèle d'embedding, ou ajoutez un champ au schéma, et c'est tout le corpus qu'il faut réextraire. Un parseur avec un cache de 48 heures aide ici : LlamaParse réextrait gratuitement le même fichier dans les 48 heures car les résultats sont mis en cache par défaut, ce qui couvre une boucle d'ajustement mais pas une migration de schéma étalée sur six mois. Budgétez au moins une réextraction complète du corpus par an.

Les relances et la gestion des échecs irrécupérables méritent aussi leur ligne budgétaire. Les documents qui échouent définitivement doivent être routés, stockés, et finalement traités par un humain. Les pipelines qui traitent l'échec comme une exception plutôt que comme un pourcentage structurel feront exploser leur budget dès qu'un client enverra 4 000 scans pris au smartphone. La checklist d'ingestion de documents RAG couvre le volet opérationnel de cette question.

Quand le parseur le moins cher est-il le bon choix ?

Lorsque les documents sont nativement numériques, en une seule colonne, sans tableaux, et que la tâche en aval tolère un peu de bruit. Wikis internes exportés en PDF, communiqués de presse, contrats propres sans annexes : lancez une extraction de texte, ne dépensez rien, passez à autre chose. Les benchmarks ouverts montrent que pdfplumber atteint un TEDS de 93,4 % en extraction de tableaux sur 353 documents (PDF-Bench), ce qui rappelle que les outils déterministes gratuits sont performants sur des tableaux numériques bien formés.

L'équation économique bascule dès qu'apparaissent des scans, des en-têtes imbriqués, des mises en page multi-colonnes ou de l'écriture manuscrite. Les résultats d'OmniDocBench rendent le classement sans appel : Unstructured-0.17.2 a obtenu 0 sur le TEDS des tableaux en anglais et 0,064 en chinois, tandis que MinerU-pipeline-2.1.1 atteint 77,4 et PaddleOCR PP-StructureV3 77,2. Un outil qui ne renvoie rien d'exploitable sur les tableaux a un coût par champ correct infini sur des documents riches en tableaux, quel que soit son prix à la page. Mieux vaut router selon la classe de document que de standardiser sur un seul parseur : la classification est peu coûteuse (3,00 $ pour 1 000 pages sur Azure) comparée au sur-traitement systématique de tout le corpus avec un mode agentique.

Sygnet conçoit des solutions d'extraction documentaire avec score de confiance et provenance par champ, soit exactement les données d'entrée dont le CPCF a besoin ; notre point de vue sur les familles de modèles est détaillé dans OCR vs VLM, et les arbitrages liés au fait de le faire en interne dans build vs buy IDP.

FAQ

Comment calculer concrètement le coût par champ correctement extrait ?

Prenez un mois de volume de production réel. Additionnez les dépenses de parseur, les dépenses de relance, les heures de relecteurs × le taux horaire chargé, et le coût amorti des réextractions. Divisez par (nombre de champs produits × précision de champ mesurée) issue d'un échantillon annoté de 150 à 300 documents de ce type. Faites-le par classe de document : factures, dossiers sinistres et dossiers KYC varieront d'un facteur 5 ou plus, et un chiffre moyen masque précisément la charge de travail qui plombe votre marge.

Un gain de précision de 2 points justifie-t-il de payer 5× plus cher par page ?

En général, oui, à volume de production. Avec 15 champs par page et 100 000 pages par mois, deux points de précision de champ représentent 30 000 champs erronés en moins. À 30 secondes de relecture chacun, cela représente 250 heures par mois. L'écart de prix du parseur sur le même volume, en passant de 0,01 $ à 0,056 $ par page, est de 4 600 $. L'arithmétique favorise rarement le parseur bon marché une fois la relecture prise en compte. Faites vos propres calculs avec le calculateur de ROI.

Les benchmarks publics comme OmniDocBench prédisent-ils la performance sur mes documents ?

Partiellement. OmniDocBench propose des pages en chinois et en anglais avec des annotations fines et un protocole de notation unifié, et constitue un excellent test de résistance pour l'extraction de bout en bout, mais il se limite à deux langues et, pour l'essentiel, à des scans propres ou semi-propres. Si votre corpus est composé de formulaires médicaux manuscrits en français ou de bons de livraison photographiés au smartphone, traitez les scores publics comme un filtre de présélection et votre propre échantillon annoté comme l'élément décisif.