anydoc : convertir Word, PDF et Excel en Markdown propre pour vos agents IA

✦Faites exploser le trafic de votre site webEn savoir plus

Cinq millisecondes. C’est le temps de conversion médian revendiqué par anydoc pour transformer un document bureautique en texte structuré. Le dépôt, ouvert le 3 août 2026, affiche 20 302 étoiles et 1 229 duplications au 4 septembre 2026 (API GitHub). Derrière ce chiffre se cache le problème le plus banal et le plus coûteux des projets IA en entreprise : personne ne sait quoi faire de vingt ans de fichiers Word, de PDF scannés et de tableurs mal formatés.

La réponse courte : anydoc est une bibliothèque open source écrite en Rust qui convertit Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV et PDF en Markdown propre, un format texte simple que les modèles de langage lisent sans perdre la structure du document. Le dépôt cumule 20 302 étoiles au 4 septembre 2026, tourne en local et se branche en Node.js, en Python ou dans un navigateur. Pour une PME, il règle la première marche de tout projet documentaire IA.

Temps de lecture : 13 min

Mis à jour le 4 septembre 2026

Qu’est-ce qu’anydoc et à quoi sert la conversion en Markdown ?

anydoc est une bibliothèque open source écrite en Rust qui convertit Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV et PDF en Markdown propre, un format texte simple que les modèles de langage lisent sans perdre la structure du document. Le projet est publié par Firecrawl sous licence MIT et compte 20 302 étoiles au 4 septembre 2026 (API GitHub).

Le Markdown, format pivot des modèles de langage

Le Markdown est une notation texte minimale : un dièse pour un titre, un tiret pour une puce, une barre verticale pour une colonne de tableau. Rien d’autre.

Cette pauvreté fait sa force. Un modèle de langage, c’est-à-dire un programme entraîné à prédire du texte, lit ces marques sans effort et conserve la hiérarchie du document d’origine.

À l’inverse, un fichier Word est une archive compressée de plusieurs dizaines de pièces XML. Lui donner tel quel à un modèle revient à lui tendre une boîte fermée.

Une précision utile pour un dirigeant : convertir n’est pas résumer. Le Markdown produit contient l’intégralité du texte d’origine, simplement débarrassé de son habillage. Rien n’est interprété à ce stade.

Un seul modèle de document pour huit familles de fichiers

anydoc analyse Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV et PDF vers une représentation interne commune, puis rend cette représentation en Markdown par un unique composant.

La conséquence pratique compte plus que l’architecture : un titre, un tableau ou une note de bas de page sortent identiques, que le fichier d’entrée soit une présentation ou un tableur. Vos règles de découpage en aval n’ont plus à gérer huit cas particuliers.

Le format est reconnu à partir des octets du fichier, en s’appuyant sur le marqueur que chaque spécification impose : en-tête PDF, groupe ouvrant RTF, noms de flux OLE, type de contenu de l’archive ZIP. Un fichier mal nommé se convertit quand même.

Une compétence pour agent, pas seulement une bibliothèque

Le projet se distribue aussi sous forme de compétence pour agent, c’est-à-dire un jeu d’instructions qu’un assistant charge pour apprendre à se servir de l’outil en ligne de commande.

La documentation le présente comme compatible avec les principaux environnements d’assistant de code du marché. L’agent gagne alors la capacité de lire n’importe quel document qu’il rencontre, sans intervention humaine.

Cette forme de distribution mérite attention. Elle déplace la question du choix de l’outil vers celle du périmètre : un agent capable de lire tous vos fichiers doit être cantonné à un répertoire, pas lâché sur un serveur de fichiers entier.

Pourquoi vos PDF et vos fichiers Word bloquent-ils vos projets IA ?

La plupart des chantiers documentaires calent avant le modèle. Le corpus existe, il est même volumineux, mais il vit sous des formes que rien ne lit proprement. Le projet s’arrête à l’étape d’ingestion, celle dont personne ne parle en réunion de cadrage.

Le mythe du corpus prêt à l’emploi

Un fonds documentaire d’entreprise contient rarement des fichiers homogènes. On y trouve des contrats en PDF texte, des procès-verbaux scannés, des devis Excel avec des cellules fusionnées et des présentations où l’information vit dans des zones de texte flottantes.

Chacune de ces formes casse un extracteur différent. L’équipe finit par écrire un script par famille, puis un correctif par exception, et le coût de maintenance dépasse celui du modèle lui-même.

Le volume aggrave la situation. Sur cinquante mille fichiers, personne ne relit les sorties une par une, et les défauts d’extraction passent inaperçus jusqu’à la mise en service.

Ce que la mauvaise conversion produit en bout de chaîne

Une extraction ratée ne provoque pas d’erreur visible. Elle produit un texte plausible, amputé de ses titres, avec des colonnes de tableau collées les unes aux autres.

Le modèle répond ensuite avec assurance sur un contenu déformé. Le problème remonte des semaines plus tard, sous la forme d’une réponse fausse donnée à un client, et l’on accuse le modèle alors que la faute vient du convertisseur.

Cette mécanique explique une part des échecs de mise en production. Le sujet rejoint celui que nous traitions dans notre panorama du routage LLM local : la qualité de l’entrée décide de tout le reste.

Quelles différences avec les convertisseurs déjà installés chez vous ?

La conversion documentaire n’a rien de neuf. Ce qui change tient à trois choix : une seule bibliothèque pour tous les formats, une exécution locale par défaut, et une sortie unique quelle que soit l’entrée.

Trois approches, trois profils de risque

Le tableau ci-dessous compare les trois manières de résoudre le problème, telles qu’on les rencontre en entreprise. Aucune n’est mauvaise en soi, elles n’engagent simplement pas les mêmes contraintes de confidentialité et de maintenance.

Le choix du Rust, et ce qu’il implique

Le cœur est écrit en Rust, un langage compilé réputé pour sa gestion mémoire sûre. Les liaisons Node.js et Python appellent ce cœur sans le réimplémenter.

Deux détails d’intégration comptent en production. Côté Node.js, la conversion s’exécute sur un ensemble de fils d’exécution séparés et ne bloque pas la boucle d’événements. Côté Python, elle libère le verrou global, donc les autres traitements continuent.

Une version compilée pour navigateur existe aussi, ce qui permet de convertir un fichier sans qu’il quitte le poste de l’utilisateur. Pour un cabinet qui manipule des pièces confidentielles, cette propriété vaut plus qu’un gain de vitesse.

Pour passer à l’action : passer de l’idée à l’agent branché sur vos données.

Que coûte réellement une chaîne d’ingestion documentaire ?

Le logiciel est gratuit, l’exploitation ne l’est pas. Le coût se déplace vers trois postes que les devis oublient régulièrement : le stockage intermédiaire, la reconnaissance de caractères et la reprise des cas non convertis.

Un calcul maison, avec les chiffres du projet

Prenons un fonds de 50 000 documents bureautiques, taille courante pour une PME de services après quinze ans d’activité. Au temps médian annoncé de 5 ms par document, la conversion pure représente environ 250 secondes de calcul, soit un peu plus de quatre minutes sur un seul fil d’exécution.

Le calcul est volontairement optimiste : il ignore la lecture disque, les fichiers lourds et les échecs. Il dit néanmoins l’essentiel. La conversion n’est pas le goulot d’étranglement, contrairement à ce que suppose la plupart des estimations initiales.

Le vrai coût se situe ailleurs : dans les pages scannées qui exigent une reconnaissance de caractères, et dans le tri éditorial des documents obsolètes. Ces deux postes se chiffrent en jours-hommes, pas en secondes de calcul.

Les trois postes que les devis oublient

Premier poste : le stockage. Un fonds converti double la place occupée, puisque l’original reste la référence juridique et que le Markdown devient la copie de travail.

La newsletter HDVMA

Recevez 1 fois par semaine les articles IA, SEO & GEO de HDVMA

Votre email *

RGPD et données personnelles : *

Vos données ne seront pas commercialisées, elle serviront seulement à vous envoyer les informations demandées  Politique de confidentialité RGPD 

Je m'inscris

Veuillez ne pas remplir ce champ.

Un email par semaine maximum · Désinscription en un clic

Deuxième poste : la reconnaissance de caractères sur les pages scannées. Elle se facture au volume, et sa part dépend entièrement de l’ancienneté du fonds. Un cabinet créé en 2005 n’a pas le même profil qu’une société née en 2020.

Troisième poste : la reprise humaine des documents que rien ne convertit proprement. Formulaires exotiques, plans techniques, tableaux imbriqués sur cinq niveaux. Comptez cette part, ne la découvrez pas.

Les codes de sortie, votre tableau de bord gratuit

L’outil en ligne de commande renvoie un code par situation : succès, document non convertible, erreur d’usage, pages nécessitant une reconnaissance de caractères. Ce détail anodin permet de trier automatiquement un fonds entier.

Comptez la répartition de ces codes sur un échantillon de mille fichiers avant de lancer la totalité. Vous saurez en une heure quelle proportion de votre fonds exigera un traitement d’image, donc un budget.

Faut-il tout convertir en local ou passer par un service hébergé ?

La question se tranche document par document, pas une fois pour toutes. La conversion locale couvre la grande majorité d’un fonds bureautique. Les pages scannées, elles, exigent un moteur de reconnaissance de caractères que la bibliothèque n’embarque pas.

La règle simple : local par défaut, hébergé par exception

Cette règle vaut aussi pour les tests. Beaucoup d’équipes valident une chaîne sur un service externe pratique, puis découvrent en phase de production qu’elles ne peuvent plus y envoyer les vrais documents. Testez dans les conditions de la cible.

Convertissez tout localement, isolez les échecs, et n’envoyez à un service externe que ce sous-ensemble. Cette discipline réduit la surface d’exposition de vos données à quelques pourcents du fonds.

Documentez ce choix par écrit. Le jour où un client demande où sont passés ses contrats, la réponse doit exister avant la question.

Un point mérite d’être tranché tôt : le sort des documents contenant des données personnelles. La conversion locale ne les protège pas par magie, elle évite seulement de les transmettre à un tiers. Leur indexation reste une décision de gouvernance.

Le cas des images et des objets incorporés

Le Markdown ne transporte pas d’octets. Une image incorporée sort donc sous la forme de son texte alternatif, tandis que les données brutes restent disponibles dans le modèle de document, étiquetées par type de média.

Ce comportement mérite un arbitrage. Un catalogue produit dont l’information vit dans les visuels perdra l’essentiel en conversion texte, et relève d’une chaîne différente. Le sujet touche directement la mise en production supervisée de vos traitements.

Cadrez votre chaîne documentaire avant d’écrire la moindre ligne

Un projet d’ingestion se cadre en une semaine et se rate en six mois. Les décisions structurantes se prennent avant le code, sur des questions simples que personne ne pose assez tôt.

Sept questions à trancher au démarrage

• Quel volume réel, mesuré, et non estimé de mémoire.
• Quelle proportion de documents scannés dans l’échantillon test.
• Quels documents sont périmés et ne doivent pas entrer dans l’index.
• Qui arbitre les conflits entre deux versions d’un même contrat.
• Où vivent les fichiers convertis et qui y accède.
• Quelle fréquence de mise à jour du fonds, et par quel déclencheur.
• Quel critère d’arrêt si la qualité de conversion reste insuffisante.

La réponse à ces sept questions tient sur deux pages. Elle vaut mieux qu’un cahier des charges de quarante pages rédigé sans avoir converti un seul fichier.

Livrez une première tranche utile

Choisissez une famille documentaire homogène et récente : les devis de l’année, les procédures qualité en vigueur, les comptes rendus de comité. Convertissez-la entièrement, indexez-la, mettez-la entre les mains de trois utilisateurs.

Vous obtiendrez en deux semaines une réponse que six mois d’architecture ne donnent pas : ces utilisateurs reviennent-ils s’en servir la troisième semaine.

Si la réponse est non, le problème n’est presque jamais technique. Il tient au choix du corpus, à la formulation des réponses ou au moment où l’outil s’insère dans le travail réel.

Gardez la validation du côté humain

Une chaîne documentaire alimente des réponses qui engagent l’entreprise. Sur les sujets contractuels, réglementaires ou tarifaires, la sortie du modèle reste une proposition soumise à relecture.

Ce principe ne ralentit pas le déploiement, il le rend acceptable. Une équipe qui garde la main adopte l’outil, une équipe dépossédée le contourne.

Prévoyez enfin un canal de signalement simple. Quand un utilisateur repère une réponse fausse, il doit pouvoir la remonter en un clic, avec le document source. Ce retour vaut plus que n’importe quelle métrique de similarité.

Questions fréquentes sur anydoc et la conversion documentaire

Qu’est-ce qu’anydoc ?

anydoc est une bibliothèque open source écrite en Rust qui convertit Word, PowerPoint, Excel, OpenDocument, RTF, EPUB, CSV et PDF en Markdown propre, un format texte simple que les modèles de langage lisent sans perdre la structure du document. Publié par Firecrawl sous licence MIT le 3 août 2026, il expose la même fonction de conversion en ligne de commande, en Node.js, en Python et dans un navigateur, et cumule 20 302 étoiles au 4 septembre 2026.

Pourquoi convertir des documents en Markdown pour un projet IA ?

Parce qu’un modèle de langage lit du texte, pas des archives compressées. Le Markdown conserve les titres, les listes et les tableaux avec quelques signes de ponctuation, ce qui permet au modèle de retrouver la structure du document d’origine. Une conversion propre améliore la pertinence des réponses bien plus sûrement qu’un changement de modèle.

Mes fichiers quittent-ils mon infrastructure ?

Non par défaut. La conversion s’exécute localement, y compris dans le navigateur grâce à une version compilée pour le web. Seules les pages scannées, que la bibliothèque ne sait pas lire seule, peuvent être envoyées à un service de reconnaissance de caractères hébergé, et uniquement si vous activez cette option explicitement.

anydoc gère-t-il les PDF scannés ?

Partiellement, et la distinction est nette. Les PDF contenant une couche texte se convertissent localement, sans aucun service externe. Les pages purement graphiques renvoient un code de sortie dédié qui signale le besoin d’une reconnaissance de caractères. Cette séparation permet de trier un fonds documentaire automatiquement et de chiffrer précisément le budget de traitement d’images avant de lancer le chantier.

Que deviennent les images contenues dans les documents ?

Le Markdown ne transporte pas d’octets, donc une image incorporée sort sous la forme de son texte alternatif. Les données brutes restent accessibles dans le modèle de document, étiquetées par type de média. Un catalogue dont l’information vit dans les visuels perdra donc l’essentiel et relève d’une autre chaîne de traitement.

Combien de temps pour convertir un fonds documentaire complet ?

Moins que prévu. Au temps médian annoncé de 5 ms par document, 50 000 fichiers représentent environ 250 secondes de calcul pur. Le temps réel dépend surtout de la lecture disque, du tri des documents obsolètes et du traitement des pages scannées, qui se comptent en jours de travail et non en secondes.

Diag IA offert — 30 min
Nous écrire
Parler à Eric

✦L’IA dans votre entreprise, c’est simple !En savoir plus

✦Que cherchez-vous ?400 articles · 12 domaines · réponse en quelques secondes

Automatiser mes devisÊtre visible dans ChatGPTUn LLM en localPar où commencer ?

➤

Réponses construites uniquement sur nos articles publiés.

Un article par semaine, dans votre boîte mail.Je m’inscris

Eric ChristopheFondateur · il répond lui-même☏ 06 25 34 34 25◷ Prendre RDV

Les domaines

Explorez par sujet

IA générative & LLML'IA générative et les grands modèles de langage (LLM) transforment la125Outils & agents IALes outils et agents IA permettent d'automatiser des tâches complexes et74Écosystème ClaudeL'écosystème Claude d'Anthropic est devenu la boîte à outils de référence52GEO & SEO techniqueLe GEO (Generative Engine Optimization) et le SEO technique déterminent votre37Actualité & société IAL'IA transforme l'économie, le droit et la société. Cette rubrique décrypte27IA locale & hardwareFaire tourner l'IA en local , sur un mini-PC, une station26Forward Deployed EngineerLe Forward Deployed Engineer (FDE), ou ingénieur déployé chez le client,23Robots & IA physiqueLes robots humanoïdes et l'IA physique passent du laboratoire au monde17Juridique & IAL'IA s'invite dans le droit : rédaction de conclusions, recherche de6Commerce IA & e-commerceLe commerce IA réinvente la vente en ligne : fiches produits5Marketing IALe marketing IA transforme l'acquisition : stratégie de contenu, génération de4Création de site & devCréer un site web et développer avec l'IA n'a jamais été4