DCP multilingues : pourquoi les outils monolingues échouent.
Mis à jour pour 2026.
Les documents franchissent les frontières linguistiques.
Le contrat de travail d'une entreprise pharmaceutique suisse n'est pas rédigé dans une seule langue. La Suisse a quatre langues officielles. Les entreprises suisses mélangent l'allemand pour le corps principal, le français pour les clauses juridiques et l'anglais pour les sections internationales. Cela peut arriver dans un seul paragraphe.
Un procès-verbal belge contient du texte néerlandais, des parties formelles en français et des résumés en anglais. Un contrat de données mondial peut contenir des spécifications techniques en anglais et des clauses de droits en allemand.
Ce n'est pas rare. C'est la norme pour les entreprises DACH et de l'UE. Les outils de détection de DCP monolingues échouent sur ces fichiers.
L'écart de 45 % dans le taux de détection.
Les outils NER monolingues ont un taux d'échec PII 45 % plus élevé sur les fichiers mixtes. Par rapport aux fichiers purement monolingues.
La cause profonde est architecturale. Un modèle entraîné sur du texte allemand connaît les formes de noms locaux et les règles d'adresse. Quand il rencontre une section française, il est hors de sa plage d'entraînement. Les noms et identifiants dans cette partie sont mal détectés. Le modèle n'est pas faible — il a été conçu pour une autre langue.
L'EDPB 2024 a constaté que 72 % des entreprises de l'UE traitent des fichiers dans trois langues ou plus simultanément. Gartner 2024 a trouvé que les fichiers RH multilingues contiennent 67 % plus de DCP par page que les fichiers monolingues. Plus de DCP plus plus d'erreurs aggrave l'écart.
Consultez notre guide RGPD pour les règles applicables.
Où les erreurs se concentrent.
L'échec n'est pas uniforme dans un fichier. Les DCP aux transitions de section sont les plus exposés.
Considérez cette clause : structure de phrase allemande, un nom d'employé français et une date de naissance française — le tout sur une ligne. Le modèle NER voit le nom français là où il attend un nom local. Il peut ne pas le signaler. Un modèle entraîné en français voit les mots de contexte allemands et ne peut pas lire la structure.
Les fichiers RH rendent cela coûteux. Gartner a trouvé 67 % plus de DCP par page dans les fichiers RH mixtes. Les erreurs aux transitions de section nuisent le plus dans le type de fichier avec le plus de données personnelles.
Les modèles multilingues résolvent ce problème.
XLM-RoBERTa s'entraîne sur du texte de 100 langues à la fois. Il n'utilise pas un nouveau modèle par langue. Il apprend que la détection de noms fonctionne de la même façon dans tous les contextes linguistiques. Un nom et son contexte partagent la même structure en allemand, français et anglais.
Pour les fichiers mixtes, le modèle ne change pas de registre à une transition de section. Il lit le texte complet comme un seul bloc. Il applique les mêmes règles d'entité à chaque point.
Le réglage fin sur l'allemand et le français ajoute de la précision pour chaque langue seule. Mais la base multilingue détecte les DCP aux transitions où les modèles monolingues échouent.
Pour les entreprises DACH dont les fichiers croisent des sections linguistiques, c'est un vrai avantage. Les entités manquées aux transitions par les outils monolingues sont trouvées par les modèles multilingues.
Consultez notre page sécurité pour savoir comment anonym.legal gère cela.
Mesures à prendre maintenant.
Vérifiez la portée de votre outil. Demandez à votre fournisseur des scores de rappel par langue. « Supporte plusieurs langues » peut signifier que le texte passe d'abord par la traduction automatique. Ce n'est pas un scanning natif.
Cartographiez vos fichiers par langue. Une entreprise DACH avec 60 % d'allemand, 30 % de français et 10 % d'anglais a des écarts différents.
Testez avec des exemples de transitions de section. Créez un ensemble de test avec dix exemples de clauses multilingues. Vérifiez le rappel sur l'ensemble du fichier, pas seulement les parties en langue principale.
Vérifiez vos AIPD. Une AIPD basée sur des documents monolingues peut être incomplète. Corrigez-la avant qu'un audit ne le fasse.
Pour les détails API et la couverture des entités, voir la page tarifs.
anonym.legal utilise XLM-RoBERTa plus des modèles natifs spaCy et Stanza. Il trouve les DCP à travers les transitions de section en allemand, français, anglais et 45 autres langues.