Tessi

Profil du client et périmètre du projet

Client : Tessi

‍Secteur : BPO — Traitement documentaire

‍Expertise : Intelligent Document Processing

‍Mission : Évaluation des solutions de traitement documentaire, benchmark algorithmique et feuille de route agentique

‍Durée : Septembre 2025 — Mars 2026

‍

Contexte

Tessi est un acteur majeur du traitement documentaire en France, au service de grandes entreprises depuis plusieurs décennies. Son cœur de métier : extraire, classifier et restituer les informations contenues dans des flux documentaires massifs. Tessi disposait déjà d'une stack technique avancée — modèles de vision de dernière génération, OCR optimisé sur des architectures matérielles dédiées, pipeline MLOps/LLMOps mature avec CI/CD.

Dans un contexte d'évolution rapide des algorithmes — notamment les modèles multimodaux capables de comprendre un document dans sa globalité — Tessi souhaitait évaluer sa stack actuelle par rapport à l'état de l'art et définir la prochaine étape de son évolution technologique.

‍

Résultats clés

1. Audit complet de la stack IDP et benchmark des algorithmes de vision et d'OCR à l'état de l'art

2. Roadmap agentique en trois axes : apprentissage continu, généralisation contextuelle, configuration automatisée

3. Accompagnement stratégique sur le plan de transformation produit

La solution

Molia a mené un audit complet de l'architecture existante couplé à un benchmark des meilleurs modèles de vision (VLM) du marché. Sur cette base, nous avons conçu une feuille de route stratégique innovante, entièrement articulée autour d'agents IA autonomes. Cette nouvelle approche permet de traiter des documents complexes sans template préalable, tout en garantissant un apprentissage continu du système après chaque validation humaine.

Nous contacter

Évaluation de la stack IDP existante

Molia a réalisé un audit approfondi des solutions de traitement documentaire de Tessi : architecture technique, modèles d'extraction, pipelines de déploiement, interfaces de configuration et parcours de validation. L'objectif était de cartographier les forces sur lesquelles capitaliser et les axes d'amélioration à adresser en priorité.

Benchmark algorithmique

En parallèle, nous avons conduit un benchmark rigoureux des algorithmes de vision et d'OCR à l'état de l'art. Les dernières générations de modèles multimodaux (VLM) permettent aujourd'hui une compréhension "template-free" des documents — le modèle interprète la structure, le contexte et les relations entre champs sans configuration préalable. Nous avons évalué ces avancées par rapport à la stack existante de Tessi sur les benchmarks de référence du marché, afin de mesurer le différentiel de performance et d'identifier les opportunités d'intégration.

Roadmap agentique

À partir de cet audit et de ce benchmark, Molia a conçu une feuille de route articulée autour de trois axes agentiques : Apprentissage continu — Un agent de supervision qui compare les sorties du modèle avec les validations des opérateurs en production, génère des instructions correctives et les réinjecte dans le contexte du modèle. Chaque validation humaine enrichit le système, sans nécessiter de réentraînement complet. L'objectif : transformer l'expertise des opérateurs en amélioration continue des performances. Généralisation contextuelle — Via une architecture RAG, le système capitalise sur l'historique de documents déjà traités et validés. Face à un nouveau type de document, il recherche les exemples les plus proches et les injecte dans le contexte du modèle en temps réel — permettant de traiter des formats inédits avec un taux de fiabilité élevé dès le premier passage. Configuration automatisée — Un agent configurateur capable d'interpréter des règles métier en langage naturel et de générer automatiquement les schémas de validation correspondants. L'objectif : accélérer le déploiement de nouvelles configurations et libérer du temps R&D pour l'innovation.

Au-delà de la technologie : sparring partner stratégique

La mission s’est étendue au-delà l'audit technique et à la roadmap algorithmique. Molia a accompagné Tessi dans sa réflexion stratégique, en apportant un regard transversal sur les enjeux produit, organisationnels et de positionnement marché. Cette capacité à articuler vision technique et réflexion stratégique a permis de construire une feuille de route qui ne se limite pas à l'amélioration des modèles, mais qui sert l'ambition globale de Tessi sur le marché de l'IDP.

À partir de cet audit et de ce benchmark, Molia a conçu une feuille de route articulée autour de trois axes agentiques :

Apprentissage continu — Un agent de supervision qui compare les sorties du modèle avec les validations des opérateurs en production, génère des instructions correctives et les réinjecte dans le contexte du modèle. Chaque validation humaine enrichit le système, sans nécessiter de réentraînement complet. L'objectif : transformer l'expertise des opérateurs en amélioration continue des performances.

Généralisation contextuelle — Via une architecture RAG, le système capitalise sur l'historique de documents déjà traités et validés. Face à un nouveau type de document, il recherche les exemples les plus proches et les injecte dans le contexte du modèle en temps réel — permettant de traiter des formats inédits avec un taux de fiabilité élevé dès le premier passage.

Configuration automatisée — Un agent configurateur capable d'interpréter des règles métier en langage naturel et de générer automatiquement les schémas de validation correspondants. L'objectif : accélérer le déploiement de nouvelles configurations et libérer du temps R&D pour l'innovation.

Stack technique — Tessi

La solution repose sur des développements sur-mesure adaptés aux spécificités de Tessi. À noter, Tessi disposait déjà d'une stack avancée que les équipes de Molia ont évaluée et enrichie :

Stack existante auditée : modèles de vision dernière génération, OCR optimisé sur architectures matérielles dédiées
Benchmark : modèles multimodaux (VLM) template-free, comparés aux algorithmes existants sur les benchmarks de référence du marché
Roadmap agentique proposée :
- Agent de supervision en production (apprentissage continu par boucle humain-modèle)
- Architecture RAG pour la généralisation contextuelle (traitement de formats inédits)
- Agent configurateur en langage naturel pour la génération automatique de schémas de validation