Ce que demandent vraiment les acheteurs de travaux PDF : mesure sur 495 annonces payantes

La plupart des pages d'outils sont conçues de l'outil vers l'extérieur : voici une fonction, voici qui pourrait la vouloir. La direction utile est l'inverse, nous sommes donc allés mesurer les demandes elles-mêmes.

Le corpus est un ensemble d'annonces freelance collectées par ce projet. En filtrant sur les annonces qui sont un besoin réel, montrent une volonté de payer et décrivent quelque chose de productisable, il reste 495 annonces concernant des PDF, des scans ou des tableaux. Chaque chiffre ci-dessous est un taux de correspondance de mots-clés sur ces 495 avec une liste de mots nommée : il peut donc être recalculé et vérifié plutôt que cru sur parole.

Les chiffres

• 56 % exigent une précision ou une transcription littérale — « exactement comme cela apparaît », « 100 % de précision », « doit correspondre à la source ».
• 54 % demandent que la structure ou la mise en forme soit conservée — mise en page, sauts de ligne, titres, styles, ordre des lignes.
• 30 % demandent que les parties illisibles soient signalées plutôt que devinées.
• 17 % présentent explicitement la tâche comme une alternative à la ressaisie manuelle.

Lisez ces quatre lignes ensemble et la forme de la demande devient claire. Ce n'est pas « extrayez mon tableau ». C'est « reproduisez ce document exactement, gardez sa structure, et dites-moi où vous n'avez pas pu ».

L’exigence présente dans presque toutes les annonces

La phrase la plus fréquente de ce corpus est une variante de « la précision compte plus que la vitesse ». Cet ordre est inhabituel pour un logiciel et mérite d'être pris au pied de la lettre : une sortie rapide et fausse est pire qu'une sortie lente et juste, car l'acheteur doit d'abord trouver l'erreur avant de pouvoir utiliser quoi que ce soit.

…saisir manuellement tout le texte de chaque page PDF dans un document Word ou Google, avec une précision de 100 %… signaler tous les mots illisibles ou sections peu claires afin que je puisse les vérifier rapidement.

Notez ce que cette annonce demande dans le même souffle : une fidélité parfaite, et la liste des endroits où la fidélité parfaite n'a pas été atteinte. Ces deux demandes ne sont contradictoires que si l'on suppose que l'outil doit taire sa propre incertitude. Ensemble, elles décrivent exactement le comportement qu'un extracteur digne de confiance devrait avoir.

Pourquoi « signalez les parties illisibles » est la demande décisive

Trois acheteurs sur dix l'écrivent explicitement. C'est l'exigence qui sépare un outil utile d'un outil dangereux, car une valeur fausse et assurée dans un tableur est bien plus difficile à gérer qu'un manque visible.

…une brève note signalant les portions illisibles ou peu claires afin que je puisse les vérifier rapidement. Critères d'acceptation : chaque élément de texte est présent et correspond à la source littéralement ; aucun caractère parasite, ligne vide ou dérive de format.

L'acheteur a déjà compris qu'il vérifierait quelque chose. Ce qu'il veut, c'est qu'on lui dise quelles lignes vérifier, au lieu de relire tout le lot. C'est une promesse plus petite, moins chère et plus honnête que « 100 % précis » — et c'est celle qu'une machine peut tenir.

Structure veut dire structure, pas joli

Quand ces annonces disent « gardez le format », elles parlent de la structure lisible par machine : quelle cellule appartient à quelle colonne, les cellules fusionnées restant fusionnées, l'ordre des lignes préservé, un enregistrement par ligne. Le mot « mise en forme » couvre aussi les polices et le gras, mais les critères d'acceptation des mêmes annonces portent presque toujours sur la structure et l'exhaustivité.

…un tableur entièrement rempli dans Excel ou un Google Sheet… une ligne complétée par rapport… format de date, de devise et de nombre uniforme… je vérifierai la feuille finale sur des échantillons aléatoires.

Une feuille d'apparence correcte dont une cellule fusionnée s'est aplatie dans la mauvaise colonne échoue à ce contrôle. Une feuille dont une ligne porte une valeur non confirmée passe, si cette valeur est signalée.

Ce que cela a changé dans ce que nous avons construit

Deux décisions de ce site viennent directement de la lecture de ces annonces, et non d'une liste de fonctionnalités.

D'abord, une vérification cellule par cellule contre le texte source, avec les cellules non confirmées signalées individuellement et la livraison entière marquée comme comportant des avertissements. Le corpus le demandait dans 30 % des cas ; le cas qui nous a convaincus est un modèle qui a silencieusement transformé 循環貸款 en 循環貸款等.

Ensuite, une feuille par tableau détecté avec l'ordre des lignes préservé, plutôt qu'une sortie unique aplatie. 54 % de ces annonces tiennent à ce que la structure survive, et l'aplatissement est précisément la défaillance qu'elles décrivent en se plaignant des outils.

Ce que le corpus ne dit pas

C'est un échantillon d'annonces freelance, qui penche vers des acheteurs ayant déjà décidé de payer une personne. Il ne dit rien du volume, de la sensibilité au prix, ni de l'acceptation de logiciels par ces acheteurs. La méthode par mots-clés surcompte aussi : une annonce disant « pas d'outils OCR » est comptée comme mentionnant OCR, et une annonce disant « il n'y a pas de tableaux » est comptée comme mentionnant les tableaux. Traitez les pourcentages comme un croquis de ce qui est demandé, pas comme une taille de marché.

Ce qu'il établit de façon fiable, c'est l'ordre des exigences. La précision et la structure viennent d'abord, le signalement de l'incertitude troisième, et toute fonctionnalité hors de ces trois catégories est totalement absente de la plupart des annonces.