Catalogage par intelligence artificielle : de la photo à la notice MARC, étape par étape

Étape 1 : la capture

Tout commence par une image. Pour les documents imprimés, qui sont le terrain de BiblioScan AI, une photo prise avec un téléphone suffit : la couverture, la quatrième de couverture ou la page des mentions légales, là où se trouvent d'ordinaire l'ISBN, l'éditeur et l'année. La table des matières, elle, sert à suggérer des sujets. Nul besoin d'un scanner dédié ni d'un poste de travail spécial : n'importe quel membre de l'équipe peut capturer les documents avec son propre téléphone, et plusieurs personnes peuvent photographier en parallèle, là où un scanner de livres coûteux deviendrait vite un goulet d'étranglement physique.

Pour les documents nés numériques (une thèse en PDF, un article, un rapport institutionnel), le point de départ est différent et relève d'un autre outil, MetaExtract API, qui travaille directement sur le fichier plutôt que sur une photo. Ce guide se concentre sur le flux qui part de l'image : c'est lui qui suscite le plus de questions, parce qu'il paraît le plus difficile à automatiser.

Étape 2 : reconnaissance et extraction

La photo passe par un traitement qui combine la reconnaissance optique de caractères (OCR) et des modèles de vision et de langage. L'OCR convertit le texte de l'image en texte brut ; les modèles de vision et de langage interprètent ce texte et le rapprochent de ce que l'on s'attend à trouver dans une description bibliographique : où figure habituellement le titre, comment distinguer un ISBN d'une année d'édition, quelle chaîne de caractères correspond probablement au nom de l'auteur.

C'est ce qui fait de l'outil davantage qu'un OCR générique : il ne se contente pas de lire le texte, il le classe selon le rôle que chaque élément joue dans la notice. Toute la différence entre transcrire une page et la cataloguer.

Étape 3 : la conversion au format bibliographique

Une fois les données identifiées (titre, auteur, éditeur, ISBN, année, sujet, entre autres), il faut les traduire dans la structure qu'attend votre système. Pour un catalogue comme Koha, cela signifie des zones et sous-zones MARC ; pour un dépôt comme DSpace, le plus souvent du Dublin Core. Extraire « Dupont, Anne » ne suffit pas : il faut savoir que cette donnée va dans la zone 100 en MARC21, comme auteur personnel principal, et non dans une note. C'est cette correspondance qui décide si la notice qui arrive au catalogue est exploitable ou si elle créera plus de corrections qu'elle n'en évite.

MARC21 ou UNIMARC : un point à vérifier dès le départ

Dans l'espace francophone, la question du format se pose plus qu'ailleurs. Koha gère les deux grandes familles, MARC21 et UNIMARC, et le choix se fait à l'installation. En France, le format officiel de catalogage du Sudoc est UNIMARC, où l'auteur personnel principal se trouve en zone 700 et non en zone 100 ; au Québec, le Répertoire de vedettes-matière (RVM) de l'Université Laval diffuse ses données en MARC 21. La documentation publiée de BiblioScan AI décrit des notices en MARC21, et en Dublin Core pour DSpace. Si votre catalogue est en UNIMARC, faites de la correspondance avec votre format un point explicite du diagnostic, avant tout pilote.

Étape 4 : le préremplissage dans votre système

Une fois la notice structurée dans le bon format, les champs sont insérés directement dans votre système de gestion. BiblioScan AI s'intègre à Koha, DSpace et Alma : le catalogueur n'a rien à copier-coller entre un outil externe et son système. La notice apparaît déjà chargée, champs remplis, à l'endroit même où il a toujours catalogué.

Dans les projets que mène BiblioLabTech, c'est ce qui surprend le plus les équipes qui cataloguent à la main depuis des années : le système qu'elles utilisent ne change pas, seule change la personne qui fait la saisie.

Étape 5 : ce que vérifie le catalogueur

C'est le point le plus souvent mal compris : l'IA ne remplace pas le catalogueur, elle change le moment où il intervient. Au lieu de transcrire chaque champ à partir de zéro, le bibliothécaire relit une notice déjà proposée et applique le jugement qu'aucun modèle ne possède : harmonisation des noms d'auteur avec les autorités déjà utilisées dans le catalogue, indexation matière et classification selon la politique de la maison, qu'elle s'appuie sur RAMEAU, sur le RVM ou sur un autre vocabulaire, décisions sur les éditions et les exemplaires multiples, et cas où la photo est floue ou le livre n'a pas d'ISBN.

Sur sa fiche produit, BiblioLabTech annonce pour BiblioScan AI une précision de 99,9 %, avec un schéma de 95 % de traitement automatique et 5 % de révision humaine. C'est un chiffre marketing que l'entreprise publie sur son propre produit, sans méthodologie publique : il faut le lire comme une indication, jamais comme une garantie de projet. La part réelle de révision dépend de la qualité des photos, de l'état des documents et du niveau d'exigence de votre politique de catalogage, et c'est pour cela que chaque déploiement commence par un pilote mesuré sur votre propre fonds. Ce qui se vérifie en revanche dans tous les projets, c'est le changement de rôle : le catalogueur passe de la saisie à la décision.

Formats, documents et langues pris en charge

BiblioScan AI travaille à partir de photos prises avec n'importe quel téléphone ou appareil photo, sans scanner spécialisé ni format d'image particulier. Il fonctionne sur les livres imprimés et, plus largement, sur tout document comportant une page aux données éditoriales identifiables : couverture, quatrième de couverture, page de titre ou mentions légales. Il s'intègre à DSpace, Koha et Alma, que votre catalogue soit libre ou commercial.

Deux limites méritent d'être dites clairement. La première tient aux types de documents : l'outil donne ses meilleurs résultats sur les monographies modernes à l'impression nette. Sur les fonds anciens, les écritures non latines, les publications en série ou l'audiovisuel, le gain est moindre et la révision plus lourde ; il vaut souvent mieux continuer à cataloguer ces documents à la main et réserver l'outil au volume des monographies courantes. La seconde tient à la langue : la documentation de BiblioScan AI mentionne le traitement de documents en espagnol, en anglais et en portugais. Pour un fonds majoritairement francophone ou multilingue, la recommandation est de le tester pendant le pilote avant d'y engager tout le flux de catalogage.

Si les documents sont déjà en PDF (thèses, articles, rapports destinés au dépôt), le processus équivalent part non pas d'une photo mais du fichier lui-même : c'est le travail de MetaExtract API. Quand BiblioLabTech déploie les deux outils ensemble, BiblioScan AI couvre en général le fonds physique et MetaExtract API le dépôt numérique, sur la même infrastructure.

Séries, collections et exemplaires multiples

Un cas mérite d'être précisé, car il soulève des questions dans la pratique. Lorsqu'une bibliothèque possède plusieurs exemplaires d'un même titre, l'IA ne catalogue pas chaque photo comme un nouveau livre. Le flux habituel consiste à cataloguer le titre une seule fois, avec sa notice bibliographique complète, puis à rattacher chaque exemplaire supplémentaire à cette même notice, avec son propre code-barres et sa propre localisation. Photographier chaque exemplaire n'a de sens que lorsqu'il existe de vraies différences entre eux : une autre édition, un état de conservation à signaler ou un don dont la provenance doit être documentée.

Il en va de même pour les collections éditoriales : l'IA identifie le titre de l'œuvre et, lorsque le livre l'indique explicitement sur la couverture ou la quatrième de couverture, la collection à laquelle il appartient. Mais décider si cette collection se catalogue comme une notice de niveau supérieur avec des volumes rattachés, ou comme une mention dans chaque notice, relève de la politique catalographique de la bibliothèque, pas du modèle. C'est là, encore une fois, qu'intervient le jugement du catalogueur et non l'automatisation.

Ce que le catalogage par intelligence artificielle change vraiment dans le temps de traitement

La capture ne fait pas gagner de temps par rapport à une photo de référence, que beaucoup de bibliothèques prenaient déjà. Le vrai gain se situe aux étapes 2, 3 et 4 : reconnaissance, conversion en MARC et préremplissage, qui représentent des minutes de saisie champ par champ dans le processus manuel et quelques secondes, simultanément, avec l'IA. L'étape 5, la révision, prend toujours le temps qu'il fallait pour trancher ces cas, à ceci près qu'elle devient la seule partie du processus qui consomme du temps humain.

Pour chiffrer ce gain chez vous, le pilote établit d'abord une base de référence : combien de notices par heure votre équipe produit aujourd'hui, et avec quel taux de correction a posteriori. On mesure ensuite la même chose avec l'outil. C'est la seule façon honnête d'avancer un chiffre, car le point de départ diffère d'un établissement à l'autre et une moyenne sectorielle ne vous apprendrait rien d'utile.

Un exemple réel : catalogue et dépôt sur la même plateforme

À l'Escuela Colombiana de Ingeniería Julio Garavito, à Bogotá, BiblioLabTech exploite exactement ce flux : Koha avec catalogage assisté par BiblioScan AI pour le fonds physique, DSpace avec MetaExtract API pour le dépôt, et une validation humaine obligatoire avant l'enregistrement de chaque notice dans les deux cas. Selon la description qu'en fait l'institution, les tâches de description documentaire sont passées de la transcription à la vérification, soit précisément le changement de rôle que décrit ce guide. Les détails figurent dans l'étude de cas.

BiblioScan AI est également en production à l'Universidad Católica Luis Amigó, en Colombie, et à l'Universidad Continental, au Pérou, où il fonctionne sur une plateforme commerciale de gestion de bibliothèque déjà en place : la preuve qu'il n'est pas nécessaire de migrer vers un logiciel libre pour en tirer parti.

Comment le mettre en place dans votre bibliothèque

Lorsque BiblioLabTech déploie BiblioScan AI, l'ordre est généralement le suivant :

1. Connexion et profil de catalogage. L'outil est relié à votre système (Koha, DSpace ou Alma) et l'on définit le profil de catalogage : champs obligatoires, vocabulaires matière utilisés, format de notice.
2. Lot pilote. Un lot de documents réels de votre fonds est traité pour calibrer l'extraction sur vos propres critères et mesurer la base de référence.
3. Ouverture à l'équipe. Une fois le lot validé, le flux est ouvert à toute l'équipe, avec une procédure de révision déjà convenue.

Aucune migration de votre catalogue actuel n'est nécessaire : l'outil se branche sur ce que vous avez déjà. Comptez de six à huit semaines entre le diagnostic et le déploiement, pilote compris, et quatre à cinq semaines si votre profil de catalogage est déjà défini et que votre système expose une intégration standard. La formation porte peu sur la photo, qui est simple, et davantage sur la pratique bibliographique : ce qu'il faut toujours vérifier, comment traiter les suggestions de sujets, comment rester cohérent avec l'existant.

Côté budget, BiblioScan AI se souscrit sous forme de licence annuelle du service, qui comprend la mise en œuvre, la configuration du profil de catalogage, le support et les évolutions de la période. Le montant dépend du nombre de sites ou de bibliothèques utilisatrices, du volume de traitement prévu et des intégrations requises avec des systèmes tiers. L'outil est en outre inclus sans surcoût dans chaque mise en œuvre de Koha réalisée par BiblioLabTech. Si vous êtes en train de choisir votre système, notre guide du SIGB aide à situer le catalogage assisté dans l'ensemble.

Pour voir le processus complet sur vos propres documents, l'étape suivante est un échange sur votre fonds et votre système actuel, pas une démonstration générique : découvrez BiblioScan AI et parlez-nous de votre bibliothèque.