Comment résumer un PDF avec l’IA (et conserver les citations)

La partie la plus délicate de tout workflow « résumer un PDF avec l’IA » centré sur les citations, c’est la confiance : le résumé lui-même semble souvent correct, mais les citations qui lui sont associées peuvent ne pas être réelles. Une doctorante en deuxième année que nous accompagnons l’a découvert à mi-parcours d’une revue systématique, avec 187 PDF en attente : en examinant sa feuille de calcul de synthèse, elle a repéré un problème. Environ 60 des entrées citaient des articles qui n’apparaissaient pas dans les PDF sources. L’outil qu’elle avait utilisé, un résumeur gratuit de PDF « façon ChatGPT », générait de manière fluide des citations de soutien à partir de la mémoire des données d’entraînement et les joignait aux phrases de résumé, sans aucune vérification que l’article cité figurait bien dans le document réel. Ces citations fantômes auraient pu se retrouver dans sa thèse si elle n’avait pas vérifié à la main les dix premières entrées. Le nettoyage a pris deux semaines.

Ce mode d’échec constitue le risque central de la synthèse, par IA, de PDF académiques en 2026. Le résumé lui-même est généralement fidèle ; les citations qui l’accompagnent, elles, ne le sont pas. Le risque prend deux formes. La première est l’omission : le résumé regroupe un paragraphe qui citait trois sources en une seule affirmation sans attribution, rompant ainsi la chaîne que vous devrez ensuite mobiliser pour défendre cette affirmation. La seconde est l’hallucination : le modèle génère des citations fluides issues de la mémoire d’entraînement, qui paraissent plausibles mais ne se trouvent pas réellement dans le PDF source. Les deux erreurs sont faciles à manquer et difficiles à détecter après coup.

Cet article présente le workflow qui permet de prévenir les deux modes d’échec. Nous expliquons pourquoi les résumeurs génériques de PDF suppriment ou hallucinent les citations, quels sont les quatre types de métadonnées qu’un résumé « sûr pour les citations » doit préserver, le déroulé pas à pas qui produit des résumés vérifiables, à quoi ressemble concrètement un bon résumé « sûr pour les citations », une brève note sur la sélection d’outils, et les défaillances les plus courantes que chaque chercheur devrait savoir repérer.

Comment résumer une sortie « PDF + IA » sans perdre les références ?

Choisissez un outil sensible aux citations plutôt qu’un résumeur générique : NotebookLM ancre chaque phrase de résumé à une portion (span) source du PDF, ce qui rend les citations hallucinations difficilement possibles sur le plan architectural. Demandez au modèle de préserver toutes les citations in-text provenant de la source, d’indiquer le numéro de page où apparaît chaque affirmation, et de signaler explicitement les inférences. Vérifiez ensuite les citations des trois premiers résumés par rapport aux PDF sources avant de faire confiance au reste du lot.

Pourquoi les résumeurs génériques de PDF par IA suppriment-ils ou hallucinent-ils des citations ?

La raison architecturale est la même que celle que nous avons détaillée dans notre article sur les citations hallucinations pour les manuscrits complets](/blog/citation-formatting-guide-apa-mla-chicago) : le tokenizer du LLM n’accorde pas un statut particulier aux segments de citation. Lorsqu’un modèle résume un PDF, il lit la source comme une suite de jetons (tokens) et génère un résumé qui en approxime le contenu. Les citations présentes dans la source ("(Smith, 2024)") sont des tokens comme les autres. Les citations dans la sortie peuvent provenir de trois endroits : copiées depuis la source (meilleur cas), régénérées depuis la mémoire (risque élevé d’hallucination), ou purement omises (échec le plus fréquent).

Ces trois comportements se manifestent différemment selon les outils. La synthèse par défaut des PDF dans ChatGPT a tendance à préserver les citations in-text lorsqu’elles apparaissent dans des passages courts et bien épurés ; elle a tendance à les supprimer ou à les réécrire dans des paragraphes denses. Claude est plus prudent lorsqu’il génère des citations à partir de la mémoire, mais il en laisse aussi tomber dans des documents longs. NotebookLM est le plus robuste : il ancre chaque phrase de résumé à une portion source du PDF, ce qui rend l’hallucination difficilement possible sur le plan architectural, et pas seulement « découragée ». Scholarcy est spécifique au monde académique et conçu pour ce cas d’usage, mais sa finesse de granularité est parfois trop grossière par rapport à la densité de citations requise.

Conséquence opérationnelle : le choix de l’outil compte davantage pour la synthèse que pour la traduction. Un LLM généraliste sans discipline d’ancrage des citations produira un résumé fluide, avec une source présentée avec assurance, mais partiellement erroné. Un outil sensible aux citations produira un résumé parfois moins élégant, mais systématiquement traçable. Pour tout résumé destiné à éclairer votre propre rédaction, choisissez le second.

Les quatre types de métadonnées qu’un résumé « sûr pour les citations » préserve

Tous les résumés n’ont pas besoin du même niveau de traitement des citations. Les quatre types ci-dessous constituent le menu : choisissez le niveau qui correspond à votre contexte.

1. Citations in-text issues de la source. Lorsque le PDF source indique « (Martinez & Chen, 2024) a constaté que… », un résumé sûr pour les citations conserve cette attribution directement dans le résumé. Le résumé ne doit pas réduire l’attribution à « des chercheurs ont constaté que… », ni attribuer l’affirmation aux auteurs du papier au lieu de la source citée. La citation in-text constitue la chaîne qui renvoie à la preuve originale ; la perdre rompt cette chaîne.

2. Ancrage de la liste de références. Le résumé doit inclure suffisamment d’informations sur le papier source lui-même (auteurs, année, revue, DOI) pour que vous puissiez le citer correctement dans vos travaux sans rouvrir le PDF. La plupart des outils gèrent cela sans difficulté ; le mode d’échec apparaît lorsque l’outil génère un DOI ou une année différents de ceux du papier réel, cas rare, mais qui mérite d’être vérifié une fois par lot.

3. Ancrage de page ou de section. La phrase de résumé doit renvoyer à la page ou à la section spécifique du document source où l’affirmation apparaît. NotebookLM le fait nativement ; Sharly AI fournit des références de page ; Claude et ChatGPT ne le font pas, à moins que vous ne leur demandiez explicitement d’inclure les numéros de page. L’ancrage de page est ce qui vous permet de vérifier une affirmation pendant la rédaction, sans devoir relire l’intégralité de l’article.

4. Drapeau de confiance. Un résumé qui distingue « l’article dit X » de « j’infère que l’article veut dire X » est plus utile qu’un résumé qui aplatit les deux dans une même affirmation. Certains outils (NotebookLM, Scholarcy) préservent cette distinction ; la plupart des outils basés sur des LLM la suppriment. La correction se fait au niveau de la consigne : demandez au modèle de signaler explicitement les inférences incertaines.

Un résumé qui préserve les quatre types de métadonnées prend plus de temps à générer et se lit moins élégamment qu’un résumé qui ne les préserve pas. C’est aussi le seul type de résumé que vous pouvez citer en toute sécurité dans votre propre rédaction. Le compromis en vaut la peine pour toute source que vous prévoyez d’utiliser.

Comment résumer un PDF académique sans perdre les citations ?

Cinq étapes. Le workflow suppose que vous résumez un lot de PDF à des fins de revue de littérature ou de revue systématique ; pour un article unique, passez l’étape 1.

Étape 1 : standardiser les PDF. Assurez-vous que chaque PDF de votre lot est extractible sous forme de texte (pas une image scannée). Lancez l’OCR sur tout PDF scanné (ABBYY FineReader, Adobe Acrobat Pro, ou le pipeline gratuit Tesseract). La qualité de synthèse d’un PDF scanné sans OCR est uniformément mauvaise ; les citations apparaissent alors en chaînes de caractères aléatoires. Cette étape prend de 10 à 30 secondes par PDF.

Étape 2 : choisir l’outil selon la longueur du document et la densité des citations. Pour un article unique de moins de 20 pages avec une densité de citations normale (moins de 60 références), la recommandation est Claude Sonnet via l’interface de téléversement de fichier. Pour un lot d’articles traité dans le cadre d’une revue de littérature où la traçabilité des segments source est critique, NotebookLM est la recommandation. Pour les revues systématiques où vous avez besoin d’une extraction de données structurées (taille d’échantillon, intervention, critère de jugement), Scholarcy ou une consigne Claude sur mesure est recommandé. Le choix de l’outil est plus important que l’ingénierie de consigne pour la sécurité des citations.

Étape 3 : demander explicitement les quatre types de métadonnées. Les consignes génériques « résumer cet article » produisent des résumés qui suppriment les citations. Un modèle de consigne que nous utilisons :

Summarize this paper in 150-300 words. For every claim in the
summary:
1. Preserve any in-text citation from the source (e.g., "Smith
   (2024) found that...").
2. Include the page number where the claim appears.
3. Mark with [INFERENCE] any claim that is your inference rather
   than a direct statement in the paper.
4. At the end, list the paper's full citation in APA format and
   any methodology details (sample size, study design, primary
   outcome) that appear in the abstract or methods section.

La surcharge de consigne est réelle (~50 tokens), mais la différence de qualité de sortie est significative. NotebookLM n’a pas besoin de cette consigne : son architecture gère automatiquement les étapes 1 à 3 ; Claude et ChatGPT s’améliorent nettement avec cette approche.

Étape 4 : vérifier les citations dans les trois premiers résumés avant de faire confiance au reste du lot. Ouvrez le PDF source des trois premiers articles et vérifiez que chaque citation in-text du résumé apparaît bien dans la source. Si vous observez des citations dans le résumé qui ne figurent pas dans le PDF source, l’outil hallucine : changez d’outil ou resserrez la consigne. C’est la vérification unique qui détecte le schéma d’échec des revues systématiques avec lequel nous avons ouvert l’article.

Étape 5 : exporter vers un format structuré en conservant les métadonnées. Un tableur avec une ligne par article et des colonnes pour (citation, résumé, références de page, détails méthodologiques, vos notes) permet de conserver un résumé exploitable pour la rédaction en aval. Évitez les exports en texte libre qui perdent la structure « une ligne par article ». Les outils capables d’exporter en CSV ou en BibTeX avec notes sont plus faciles à intégrer dans des gestionnaires de références.

Le workflow complet prend environ cinq à dix minutes par PDF, dont environ 60 % pour la vérification (étape 4). C’est cette étape de vérification qui distingue un résumé sûr pour les citations d’un résumé fluide mais incorrect.

À quoi ressemble concrètement un résumé « sûr pour les citations » ?

Pour rendre la norme des quatre métadonnées tangible, voici un exemple du même article résumée de deux façons.

Résumé sans prise en compte des citations (défaut générique ChatGPT) :

This study examined the effects of a new intervention on cognitive
decline in older adults. The researchers found significant
improvements in working memory and processing speed. The
intervention was well-tolerated and showed promise for clinical
application. Future research should explore long-term effects.

Ce résumé est fluide et donne l’impression d’être compétent. Il est néanmoins inutile pour la citation. Les affirmations n’ont aucune attribution aux sources originales que l’article cite. Le cadrage « les chercheurs ont constaté » fusionne toutes les citations internes en une seule voix. Il n’y a pas de référence de page permettant la vérification. Si vous essayiez de le citer dans vos propres travaux, vous devriez rouvrir le PDF.

Résumé sûr pour les citations (style NotebookLM avec consigne explicite) :

Kowalski et al. (2024) examined the effects of a 12-week
cognitive-training intervention on working memory in adults aged
65-80 (n = 247) [p. 3]. The intervention produced significant
improvements in working memory (d = 0.42, p < .001) and processing
speed (d = 0.31, p = .003), replicating earlier findings from
Park and Liu (2021) [p. 8]. The intervention was well-tolerated
with no adverse events reported [p. 11]. The authors note that the
12-week duration may be insufficient to detect long-term effects,
and recommend a 24-month follow-up study [p. 14, discussion].
[INFERENCE: The effect sizes are moderate, which is consistent with
the cognitive-training literature reviewed in the introduction
(Park & Liu, 2021; Wei et al., 2023) but smaller than the original
training paradigms from the 1990s.]

Référence complète : Kowalski, M., Singh, R., & Patel, A. (2024).

Entraînement cognitif chez les personnes âgées : un essai randomisé de 12 semaines.

Journal of Cognitive Enhancement, 18(3), 234-251.

https://doi.org/10.1007/s41465-024-00345-x

Methodology: n = 247, ages 65-80, 12-week randomized controlled
trial, primary outcome working memory composite, secondary outcome
processing speed.

Le second résumé est environ deux fois plus long. Il vous permet aussi d’écrire un paragraphe de revue de littérature citant cet article correctement, sans rouvrir le PDF. Chaque citation in-text issue de la source est préservée. Les références de page sont explicites. L’inférence est signalée. La référence complète est prête à être collée dans votre gestionnaire de références.

Pour toute source que vous citerez dans vos propres travaux, le second format constitue le niveau minimal.

Sélection d’outils en un paragraphe

Notre article plus large de workflow de revue de littérature sur l’IA couvre le cas multi-articles ; la version courte pour choisir l’outil pour résumer des PDF de manière sûre pour les citations est : NotebookLM pour des résumés ancrés et traçables (gratuit, compte Google requis, meilleur pour des lots de revue de littérature) ; Claude Sonnet via téléversement de fichier pour une synthèse « one-shot » d’un seul PDF long (la fenêtre de contexte de 200K gère la plupart des articles de revue en un seul passage) ; Scholarcy pour l’extraction de données structurées dans les revues systématiques (payant, mais la sortie structurée fait gagner des heures) ; ChatPDF pour des questions-réponses conversationnelles face à un seul PDF (pratique pour les requêtes « que dit cet article à propos de X ? » pendant la lecture). Notre propre résumeur IA intègre le motif de préservation des citations avec la norme des quatre métadonnées décrite ci-dessus. Évitez les résumeurs génériques gratuits de PDF pour toute source que vous prévoyez de citer ; le risque d’hallucination des citations est réel.

Défaillances fréquentes et comment les repérer

Cinq modes d’échec que nous observons dans les revues de littérature que nous auditons. Chacun a une correction spécifique.

Échec 1 : citations de soutien hallucinations. Le résumé attribue une affirmation à un article qui ne figure pas dans le PDF source. Correction : vérifiez les trois premiers résumés de tout lot par rapport aux PDF sources. Si des citations hallucinations apparaissent, changez d’outil (le plus fiable est souvent NotebookLM) ou resserrez la consigne pour exiger des ancres de segments source.

Échec 2 : attribution « écrasée ». Le résumé transforme « Smith (2024) trouve X, mais Jones (2023) trouve Y » en « les chercheurs ont trouvé des résultats mitigés ». Correction : demandez explicitement de préserver les citations in-text ; privilégiez des outils qui gèrent cela nativement (NotebookLM, Scholarcy).

Échec 3 : détails de méthodologie erronés. Le résumé rapporte une taille d’échantillon, un devis d’étude ou un critère de jugement principal qui ne correspondent pas au papier réel. C’est plus rare que l’hallucination de citations, mais plus grave lorsque cela arrive. Correction : incluez dans la consigne « extraire les détails méthodologiques mot pour mot depuis la section méthodes » ; vérifiez le premier lot.

Échec 4 : régénération générique de l’abstract. La « synthèse » est essentiellement une réécriture de l’abstract, sans information supplémentaire provenant du corps de l’article. Utile pour un aperçu rapide, mais inutile pour une revue de littérature qui a besoin de la méthodologie, des résultats et des limites présents dans le corps du papier. Correction : demandez spécifiquement du contenu du corps ; vérifiez en « spot-check » des sections au-delà de l’abstract.

Échec 5 : dérive du format des citations. Le résumé préserve le contenu des citations, mais dans un format différent de celui de la source (parenthétique vs narratif, ou l’inverse). Moins grave que les quatre premiers points, mais toujours utile à détecter. Correction : demandez de préserver le format original de citation ; le hub de formatage des citations couvre les formats canoniques si vous devez normaliser après coup.

Notre workflow plus large pour la synthèse d’articles au-delà de l’angle de la préservation des citations est couvert dans notre article sur comment résumer un article de recherche avec l’IA ; cet article est l’extension spécifique aux PDF et centrée sur la sécurité des citations.

Foire aux questions

Q : Quel outil d’IA est le meilleur pour résumer des PDF académiques en 2026 ?

Le bon outil dépend du cas d’usage. Pour des revues de littérature avec traitement par lot de PDF où la traçabilité des citations compte le plus, NotebookLM est le plus solide. Pour des articles longs uniques (jusqu’à ~500 pages), Claude Sonnet via téléversement de fichier utilise sa fenêtre de contexte de 200K en un seul passage. Pour des revues systématiques nécessitant une extraction de données structurées, Scholarcy est conçu pour cela. Pour des questions-réponses conversationnelles face à un seul PDF pendant la lecture, ChatPDF est le plus rapide. Évitez les résumeurs génériques gratuits de PDF pour les sources que vous prévoyez de citer : le risque d’hallucination des citations est le mode d’échec central pour un usage académique.

Q : ChatGPT va-t-il halluciner des citations en résumant mon PDF ?

Oui, c’est possible, en particulier dans des passages denses ou lorsque la consigne demande explicitement des citations sans les ancrer à des segments source. Notre recommandation est de ne jamais demander à un LLM de « générer des citations » à partir de la source ; demandez plutôt de « préserver toutes les citations in-text qui apparaissent dans la source » et « d’inclure les numéros de page où apparaît chaque affirmation ». Cela ancre le travail de citation à la vérification par segments source, plutôt qu’à la mémoire issue de l’entraînement du modèle.

Q : Comment résumer une thèse de 60 000 mots avec l’IA ?

Utilisez un outil qui supporte un long contexte : Claude Sonnet (200K tokens couvrent une thèse typique en un seul passage) ou NotebookLM (qui segmente automatiquement et maintient la cohérence entre segments). Résumez chapitre par chapitre plutôt que toute la thèse d’un coup : les résumés par chapitre sont plus utiles pour rédiger votre section de revue de littérature, et le découpage produit des points de contrôle vérifiables. Évitez GPT-5 pour des passages de thèse complets ; le contexte de 128K suffit pour la plupart des chapitres, mais devient inconfortable pour le document intégral.

Q : Puis-je citer un résumé de PDF généré par IA dans mon propre article ?

Vous citez l’article original, pas le résumé. Le résumé est un outil qui vous aide à lire et à vous souvenir de la source ; la citation renvoie à la source elle-même. Si le résumé vous a aidé à formuler une idée, cette idée vous appartient ; la citation renvoie à l’article qui étaye l’idée. Pour notre traitement plus large de la divulgation de l’utilisation d’outils d’IA dans les manuscrits, consultez notre guide de déclaration IA, le billet le plus proche dans ce même ensemble.

Q : Comment extraire des données structurées à partir d’un PDF pour une revue systématique ?

Utilisez un outil capable de produire une sortie structurée : Scholarcy pour une extraction conçue pour ce besoin (taille d’échantillon, intervention, critère de jugement, conclusion en tant que champs nommés) ou une consigne Claude qui demande les mêmes champs en format JSON ou CSV. La sortie structurée doit toujours être vérifiée par rapport au PDF source pour au moins les 10 premiers articles de votre lot ; les outils d’extraction structurée sont plus fiables que les résumés narratifs, mais produisent encore des erreurs de champs erronés à un taux d’environ 5 à 10 % dans nos tests éditoriaux.