Le réflexe est désormais banal : pour résumer un contrat de quarante pages, on colle son contenu dans ChatGPT ou on le dépose dans un « AI PDF summarizer ». Le rapport Enterprise AI and SaaS Data Security Report 2025 de LayerX mesure ce que ce réflexe coûte : 40 % des fichiers uploadés vers des outils GenAI contiennent des données personnelles (PII) ou bancaires (PCI), et près de quatre de ces uploads sur dix passent par des comptes personnels, hors de tout contrôle de l’entreprise. C’est le shadow AI : l’outil n’est pas le problème — le trajet du document l’est.
Les APIs d’IA embarquée des navigateurs inversent ce trajet : le modèle vient au document, pas l’inverse. Voici ce que cette approche permet concrètement sur un PDF aujourd’hui — et ce qu’elle ne permet pas encore.
Trois capacités, deux technologies
Dans le catalogue public de Document Flare, trois outils classés « IA » partagent la même frontière de confiance : tout le calcul se fait sur l’appareil.
Résumer (/tools/summarize-pdf) s’appuie sur l’API Summarizer de Chrome et Edge 138+ — le modèle du navigateur (Gemini Nano ou Phi selon la configuration). Le texte du PDF est extrait page par page avec pdf.js, découpé en tranches d’environ 15 000 caractères, puis résumé par un mécanisme map-reduce : chaque tranche est synthétisée, puis la concaténation des résumés est elle-même résumée jusqu’à tenir dans la fenêtre du modèle. Deux formats au choix — points-clés ou tl;dr — et trois longueurs. La sortie est un fichier Markdown téléchargeable ; le PDF n’est jamais modifié. Mode d’emploi complet : résumer un PDF avec une IA locale.
Traduire (/tools/translate-pdf) utilise l’API Translator, même famille, même prérequis navigateur. Sept langues au sélecteur (français, anglais, espagnol, arabe, allemand, italien, portugais), avec détection automatique de la langue source quand l’API LanguageDetector est disponible. La sortie est un texte brut exporté page par page — la mise en page n’est pas préservée. Détails dans l’article traduire un PDF sans cloud.
Recherche sémantique (/tools/semantic-search) repose sur une technologie différente : Transformers.js et ONNX Runtime Web. Le modèle paraphrase-multilingual-MiniLM-L12-v2 (variante quantifiée q8, ~115 Mio) transforme passages et requête en vecteurs, calculés par WebGPU quand il est disponible, WASM sinon. Le classement des passages par similarité cosinus permet de retrouver « délai de paiement » là où le contrat dit « règlement sous 30 jours ». Voir la recherche sémantique locale.
Ce qui circule vraiment sur le réseau
« Local » ne signifie pas « zéro requête », et il faut être précis sur ce qui circule :
- Le modèle est téléchargé une fois. Pour la recherche sémantique, environ 115 Mio depuis Hugging Face, déclenchés uniquement par votre clic sur le bouton d’activation — l’interface annonce le poids avant de lancer. Pour le résumé et la traduction, le navigateur gère lui-même le téléchargement de son modèle. Ce sont des flux serveur → poste.
- Le document ne part jamais. Le texte extrait, les embeddings, la requête : tout reste en mémoire sur l’appareil. Aucune requête POST ne transporte le PDF ni son contenu.
- Ensuite, hors-ligne. Le modèle de recherche sémantique est servi depuis le cache du navigateur aux utilisations suivantes ; les binaires ONNX Runtime sont auto-hébergés plutôt que chargés depuis un CDN. Un modèle en cache rend l’outil utilisable sans connexion.
Vous pouvez le rejouer : ouvrez l’onglet Réseau des outils de développement (F12), activez « Preserve log », déposez un PDF et lancez l’indexation. Au premier usage, des téléchargements depuis huggingface.co apparaissent — entrants uniquement. Aucune requête ne part avec votre document. Le protocole complet est dans notre test réseau de cinq minutes.
Pour qui cette frontière compte
Le résumé local n’est pas une curiosité technique : c’est la seule réponse propre au shadow AI pour les documents encadrés. Un avocat qui résume des conclusions adverses, un médecin confronté à un compte rendu, un service RH devant un dossier disciplinaire, un DPO qui évalue un contrat de sous-traitance — dans chaque cas, la question n’est pas « l’IA est-elle fiable » mais « à qui le document a-t-il été confié ». Avec un modèle sur l’appareil, il n’y a pas de destinataire : pas de sous-traitant à contractueliser, pas de DPA à signer, pas de prompt qui persiste dans un historique tiers. Les articles dédiés aux avocats, aux données de santé, aux RH et aux DPO détaillent chaque cadre.
Les limites, sans les cacher
- Le résumé et la traduction exigent Chrome ou Edge 138+. L’API n’existe ni dans Firefox ni dans Safari ; même sous Chrome,
availability()peut répondre indisponible selon la région, la politique d’entreprise ou les flags. Le panneau l’affiche honnêtement au lieu de produire un faux résultat. - Un petit modèle n’est pas un grand modèle. Gemini Nano tourne dans votre navigateur précisément parce qu’il est compact : attendez-vous à des synthèses correctes, pas à l’analyse fine d’un modèle distant de cent fois sa taille. Pour une négociation critique, le résumé sert de tri, pas de conclusion.
- La recherche sémantique a un coût d’entrée réel : ~115 Mio à télécharger, de la RAM pour l’index en mémoire (non persisté), du temps de calcul proportionnel au document.
- Couche texte obligatoire partout. Un scan sans texte extractible ne peut être ni résumé, ni traduit, ni indexé. L’OCR local (Tesseract WASM, cinq langues) extrait le texte dans un fichier
.txt— il ne réinjecte pas de couche texte dans le PDF, mais vous donne une matière que vous pouvez ensuite exploiter. - Un seul fichier, 50 Mio, 1 000 pages pour les trois outils — des bornes mémoire, pas des quotas commerciaux.
La suite logique : documenter plutôt que promettre
L’IA documentaire locale est jeune — les APIs du navigateur évoluent encore. Ce qui ne changera pas : la frontière de confiance se vérifie dans l’onglet Réseau, pas dans une page marketing. C’est le même fil conducteur que dans l’article pilier sur les outils PDF sans upload : quand le calcul se fait chez vous, la promesse devient observable.
