Les agents multimodaux ont besoin de pixels, pas seulement de texte
L’extraction de texte donne à un agent IA les caractères d’un document et supprime la mise en page, les graphiques et les tampons. Une seule invite rend la page sous forme d’image et l’agent la regarde directement.
Lorsque la réponse se trouve dans le graphique : agents IA lisant des diagrammes et des numérisations via MCP
Les graphiques, tampons et pages numérisées contiennent des réponses que l’extraction de texte ne voit jamais. Rendre la page et fournir l’image à un modèle capable de vision les atteint, avec des limites honnêtes de précision.
Montrez à l'agent ce qu'il a fait
Un agent qui annote sans regarder signale le succès parce que l’appel a renvoyé. Rendre la page annotée sous forme d’image permet à un modèle capable de vision de vérifier où le surlignage a atterri et de le déplacer s’il est incorrect.
