Contexte et besoin

Les documents Word (.docx) restent le format de référence dans les secteurs juridique, financier et médical. Un fichier .docx est en réalité une archive ZIP contenant plusieurs fichiers XML (document.xml, styles.xml, numbering.xml, etc.). Cette structure rend chaque paragraphe très verbeux : une phrase de cinq lignes peut générer plusieurs milliers de tokens une fois les balises, styles et métadonnées ajoutés. Les agents d’IA qui doivent modifier ces fichiers consomment alors une grande partie de leur fenêtre de contexte pour gérer la mécanique du format plutôt que le contenu réel.

Solutions existantes et limites

Trois approches dominent aujourd’hui :

Bibliothèques bas‑niveau (python‑docx, aspose, Open XML SDK) offrent une expressivité totale, mais chaque opération nécessite du code supplémentaire. Sur de longs contrats, le temps d’exécution et le coût d’inférence augmentent fortement, car l’agent doit générer et déboguer des scripts pour chaque modification de style ou de référence numérotée.

Serveurs MCP spécialisés (SuperDoc, Office CLI, safe‑docx, Adeu) encapsulent la logique Word dans un DSL dédié. Ils accélèrent le processus, mais imposent à l’agent l’apprentissage d’une nouvelle interface et ne couvrent que les cas les plus courants ; les 20 % de scénarios complexes restent hors de portée.

Conversion round‑trip (DOCX ↔ Markdown/HTML via pandoc ou mammoth.js) libère l’agent du format Word en le faisant travailler sur du texte brut. La conversion est toutefois perdante : les styles hérités, les références croisées et les métadonnées ne sont pas restaurés avec fidélité, ce qui rend impossible une réédition sans perte de structure.

Architecture du modèle Vespper DOCX MCP

Vespper propose un modèle fine‑tuned dédié à l’édition de .docx, déployé comme Model‑Centric Processor (MCP). Le cœur du système est un reconciler inspiré de l’Infrastructure as Code : l’agent modifie une représentation intermédiaire lisible (similaire à du Markdown enrichi), puis le reconciler calcule les différences exactes à appliquer aux fichiers XML internes. Cette étape évite la perte d’information typique des conversions classiques, car le reconciler conserve les liens entre styles, numérotations et métadonnées avant de les réinjecter dans le .docx final.

Le processus se déroule en trois phases :

1. Extraction : le .docx est décompressé, les XML sont parsés et convertis en une structure hiérarchique simplifiée.
2. Édition : l’agent reçoit la version simplifiée, effectue les modifications demandées.
3. Réconciliation : le moteur compare la version modifiée à l’originale, génère les patches XML précis et reconstruit le .docx sans perte.

Cette architecture minimise le nombre de tokens traités par le modèle, car la majorité du texte reste inchangée dans la représentation intermédiaire.

Benchmarks internes et limites

Sur un benchmark interne comparant Vespper DOCX MCP à la meilleure alternative disponible, les mesures suivantes ont été observées :

  • Temps d’exécution moyen réduit de 3× ; un traitement de 30 pages passe de 90 s à 30 s.
  • Coût d’inférence divisé par 2 ; la consommation GPU estimée chute de 0,6 $/doc à 0,3 $.
  • Précision d’application des modifications augmentée, évaluée qualitativement comme « plus exacte » par les équipes de validation.

La source ne fournit pas de métriques chiffrées de précision (par ex. taux d’erreur), ce qui limite la comparaison objective. De plus, le modèle reste dépendant d’une extraction correcte du .docx ; des documents corrompus ou contenant des extensions propriétaires peuvent entraîner des échecs de réconciliation. Enfin, la solution nécessite un serveur dédié pour le reconciler, ce qui ajoute une couche d’infrastructure supplémentaire.

Perspectives

En libérant les agents de la surcharge liée à la syntaxe OOXML, Vespper DOCX MCP ouvre la voie à des workflows d’automatisation plus fluides dans les environnements juridiques et financiers. La prochaine étape consistera à publier des métriques publiques, à étendre la prise en charge des extensions tierces et à optimiser le reconciler pour des environnements à faible latence.