Les applications de traitement NLP qui montent
Tour d'horizon des briques NLP qui gagnent du terrain en 2026 : extraction d'entites, parsing de documents, anonymisation. Avec un avis franc sur chacune.
Le vrai changement de 2026 n'est pas un modèle de 500 milliards de paramètres. C'est la qualité des briques qui tournent autour des modèles.
J'ai passé trois semaines à remettre à plat ma stack de traitement automatique du langage. Six outils sont sortis du lot : chacun fait une chose précise, tient en production et ne t'oblige pas à réécrire ton architecture.
Voici lesquels valent ton temps, et pourquoi les autres peuvent attendre.
GLiNER : de l'extraction d'entités sans annoter 10 000 phrases
GLiNER part d'une idée simple : tu décris tes entités en français, il les trouve. Pas de dataset annoté, pas de fine-tuning, pas de GPU.
Le modèle encode la phrase et les labels dans le même espace, ce qui donne du zero-shot NER réellement utilisable. Le projet vise les processeurs classiques et les machines grand public, avec quantification INT8 et export ONNX.
pip install glinerfrom gliner import GLiNER
model = GLiNER.from_pretrained("gliner-community/gliner_small-v2.5")
labels = ["entreprise", "montant", "echeance"]
texte = "Facture ScalexDigital : 4 200 EUR payable avant le 30 novembre."
for e in model.predict_entities(texte, labels, threshold=0.5):
print(e["text"], "=>", e["label"])Avis tranché : pour 80 % des besoins d'extraction, c'est le remplaçant direct de spaCy. Sa variante GLiNER2 ajoute la classification de texte et l'extraction structurée dans un seul modèle.
Source : dépôt GLiNER sur GitHub.
Docling : transformer un PDF en données exploitables
Docling est né chez IBM Research et vit désormais sous LF AI & Data, en licence MIT. Il avale PDF, DOCX, PPTX, XLSX, EPUB, HTML, images scannées et fichiers audio, puis ressort du Markdown ou du JSON structuré.
Ce qui le sépare des extracteurs de texte basiques : il analyse la géométrie des pages, reconstitue l'ordre de lecture des colonnes et reconnaît les tableaux avec un modèle dédié. Sur un rapport financier de 60 pages, la différence saute aux yeux.
from docling.document_converter import DocumentConverter
result = DocumentConverter().convert("rapport-annuel.pdf")
print(result.document.export_to_markdown())Avis tranché : c'est la première brique que j'installe sur tout pipeline documentaire. Avant de parler chunking, nettoie la source — sinon tu découpes du bruit, comme je l'explique dans mon retour sur l'évaluation des RAG.
Source : docling-project/docling.
Presidio : l'anonymisation qui t'évite un mauvais réveil
Dès que tu envoies du texte client à un LLM tiers, tu dois savoir exactement ce que tu envoies. Presidio détecte et masque les données personnelles sans que tu écrives une seule regex.
Le moteur croise un backend NLP (spaCy par défaut, Transformers ou Stanza au choix), des recognizers prédéfinis et tes propres règles métier. Tu peux donc ajouter l'identifiant interne de ton produit à la liste des entités à masquer.
from presidio_analyzer import AnalyzerEngine
analyzer = AnalyzerEngine() # backend spaCy par defaut
resultats = analyzer.analyze(
text="Contactez Paul au 06 12 34 56 78",
entities=["PHONE_NUMBER"],
language="en",
)
print(resultats[0].entity_type, resultats[0].start, resultats[0].end)Pour le français, tu déclares un modèle spaCy fr_core_news_lg dans la configuration du moteur NLP et les recognizers suivent.
Avis tranché : ce n'est pas un outil sexy, c'est un outil obligatoire. Le jour où un audit tombe, tu es content d'avoir cette ligne dans tes logs.
Source : documentation Presidio.
Haystack 2.x : l'orchestration qui reste lisible
Un pipeline NLP en 2026, c'est un graphe : un convertisseur, un extracteur, un ranker, un générateur. Haystack 2 en fait des composants typés que tu branches ligne par ligne.
L'intérêt n'est pas le catalogue d'intégrations (Chroma, Qdrant, pgvector et Elasticsearch sont tous là), mais la validation au montage. Si tu connectes deux composants incompatibles, la lib te le dit avant l'exécution, pas au milieu d'un lot de 40 000 documents.
from haystack import Pipeline
pipe = Pipeline()
pipe.add_component("converter", converter)
pipe.add_component("extractor", entity_extractor)
pipe.connect("converter.documents", "extractor.documents")
pipe.run({"converter": {"sources": ["contrat.pdf"]}})Avis tranché : je préfère sa transparence au côté magique d'autres frameworks. 25 000 étoiles sur GitHub, et un écosystème d'intégrations qui suit. Mon retour sur l'intégration de Chroma dans une stack existante montre l'étape d'après.
Source : documentation Haystack.
Unstructured et Label Studio : ceux qui ferment la boucle
Unstructured fait le même métier que Docling avec une ambition plus large : plus de 25 formats en open source, des éléments typés (titre, texte narratif, tableau) et des connecteurs vers S3, Gmail ou Jira.
Sa faiblesse est assumée : la stratégie hi_res réclame Detectron2 et beaucoup de RAM, et la documentation pousse vers l'API payante dès que le volume grimpe. Avis tranché : parfait pour prototyper, moins confortable à opérer soi-même que Docling.
Label Studio s'occupe de ce que personne n'automatise : la relecture humaine. Il sert à annoter et à évaluer les sorties de tes modèles, et son intégration avec Docling permet de corriger les erreurs de parsing directement dans l'interface.
Sources : Unstructured et Label Studio.
Mon verdict : trois briques suffisent
Tu n'as pas besoin des six. La combinaison qui couvre 90 % des cas tient en trois lignes : Docling pour lire, GLiNER pour extraire, Presidio pour anonymiser.
Haystack devient rentable quand le graphe dépasse cinq étapes ou quand deux équipes travaillent sur le même pipeline. Label Studio se justifie dès que tu mesures la précision réelle de tes extractions.
Et ne confie pas l'extraction à un LLM génératif si un modèle de 300 Mo fait le travail trois fois plus vite pour un centième du coût. J'ai détaillé ce raisonnement dans Pourquoi les agents tool-use ne sont pas une solution miracle.