Il est neuf heures du matin dans un cabinet d'avocats. Une collaboratrice ouvre une conversation avec son assistant IA et y dépose un appel d'offres de quatre cent quarante-trois pages, au format OFD. Elle veut en extraire les clauses clés avant la réunion de dix heures. Elle tape sa demande. L'assistant hésite, puis renvoie un message d'erreur : le document dépasse la fenêtre de contexte. Le fichier est trop gros pour être « lu » d'un trait, et la matinée bascule dans la correction manuelle.
Cette scène, des dizaines d'équipes la vivent chaque semaine. Le problème n'est pas que le modèle manque d'intelligence. C'est qu'il ne « prend pas » les choses trop volumineuses. Un contrat de plusieurs centaines de pages, un lot de documents scannés, un dossier de conception complet : envoyés tels quels à un grand modèle, ils sont soit tronqués net, soit facturés si cher en tokens que personne n'ose cliquer sur « envoyer ».
Le coût caché est réel. IDC a mesuré la chose : les problèmes liés aux documents représentent 21,3 % des pertes de productivité en entreprise, soit environ 19 732 dollars perdus par an et par travailleur de l'information. Des fichiers trop lourds, trop épars, trop désordonnés deviennent un mur invisible entre l'IA et le travail réel. On ne parle pas ici d'un défaut de modèle, mais d'un défaut de passage à l'échelle : l'outil pense bien, il étouffe simplement sous la masse.
Un signal venu d'ailleurs
En mai dernier, neuf administrations chinoises, dont le ministère des Finances, ont publié une note (财会〔2025〕9) imposant aux logiciels comptables une mise à niveau avant le 31 décembre 2027, pour adopter la norme de données des pièces comptables électroniques. À première vue, rien à voir avec « l'IA qui vous aide à travailler ». Pourtant, le mouvement pointe dans la même direction : le traitement documentaire des entreprises se reformatte, et la plupart des outils d'IA n'ont pas encore suivi le rythme. Le point commun entre la note comptable et l'assistant bloqué, c'est le format. Quand le document change de nature, tout l'écosystème en aval doit s'ajuster — y compris l'IA.
C'est précisément le terrain de UglyPear Données. Notre axe principal, c'est la compression de documents haute performance doublée d'une base d'ingénierie de données RAG, le tout en déploiement entièrement privé, où les données ne quittent jamais le réseau interne. Dans ce prolongement, nous avons construit compress-mcp — pour faire court, c'est un service de compression qui « rétrécit en un mot ».
Ce n'est pas un logiciel indépendant de plus. C'est un service MCP, conçu pour se brancher directement dans des outils d'IA comme WorkBuddy, Qwen ou Bailian, afin qu'un agent compresse un fichier sur une seule instruction en langage naturel.
MCP, en langage clair
MCP signifie Model Context Protocol. C'est un protocole ouvert qui permet aux outils d'IA de se connecter à des capacités externes. Avant, chaque agent qui voulait déclencher une fonction externe devait refaire son propre branchement, réécrire son adaptateur. Avec MCP, le fournisseur de capacité emballe sa fonction dans un « service », et l'agent peut l'appeler comme s'il s'agissait d'une fonction native. La compression se prête tout à fait à cet usage : c'est une action stable, réutilisable, qui ne devrait pas exiger un geste manuel à chaque fois.
Mais pourquoi en faire un service MCP plutôt qu'un simple bouton supplémentaire dans une interface ? Parce que le vrai goulot d'étranglement n'a jamais été « est-ce qu'on a un outil de compression », mais « est-ce que l'IA peut le déclencher ». Autrefois, pour faire traiter un gros fichier par l'IA, il fallait quitter la conversation, lancer une compression à la main, puis recoller le résultat. Dès que le flux se casse, l'utilisateur perd l'envie de s'en servir.
compress-mcp emprunte un double canal stdio et HTTP. Le canal stdio convient au poste de travail local, lancé au démarrage de l'agent ; le canal HTTP permet d'exposer le service à une équipe ou à un serveur interne, sans rouvrir le poste à chaque appel. Il embarque 6+1 outils intégrés — six fonctions de compression couvrant les familles de formats, plus une fonction auxiliaire de mesure — et inclut une métrique d'usage ainsi qu'un mécanisme de licence. Pour un développeur, cela signifie qu'il n'a plus à écrire une adaptation par plateforme d'IA : l'agent n'a qu'à formuler « compresse ce contrat pour qu'on puisse l'envoyer par e-mail », et la compression s'accomplit en silence, en local. Pour une entreprise, la métrique intégrée permet de voir combien de compressions ont tourné et quel volume a été retiré ; la licence, elle, place l'authentification à l'extérieur, sans qu'on doive monter sa propre couche.
La donnée qui enfle
Autre arrière-plan : la donnée elle-même gonfle. Dans ses prévisions pour la Chine, IDC note que le marché national figure parmi les plus rapides pour la croissance des données non structurées : de 51 ZB à 129 ZB sur cinq ans, avec un taux de croissance annuel composé de 30 à 40 %. Les fichiers ne feront que grossir. La compression passe ainsi du « symbole optionnel » au socle des flux de travail IA — et mieux vaut qu'elle se déroule en local, plutôt qu'après un upload qui expose la matière.
Quatre façons de laisser l'IA toucher aux gros fichiers
| Approche | Intégration | Les données quittent le réseau interne ? | Code requis | Cas d'usage idéal |
|---|---|---|---|---|
| compress-mcp | Appel en langage naturel par l'agent, en local | Non, traitement sur la machine | Aucun | Réduire un gros fichier en pleine conversation, archivage par lots |
| Envoyer le texte brut au LLM | Aucune compression, direct dans le contexte | Selon le déploiement du modèle | Aucun | Texte court, résumé simple |
| Script de compression maison | Développement et maintenance propres | Non, sur la machine | Oui | Processus très personnalisé |
| API cloud SaaS | Appel tiers via le réseau | Oui, fichier uploadé | Oui | Tâches légères sans exigence de confidentialité |
Ce tableau ne classe personne. Il aide à juger : si vos fichiers frôlent les centaines de mégaoctets et renferment des contrats ou des dossiers médicaux, une solution locale, déclenchable d'un mot, sera plus fluide. Si vous ne compressez qu'une image de temps en temps, un SaaS cloud suffit. Chacun son besoin, et la frontière se trace sur deux axes : la sensibilité des données, et la fréquence réelle d'usage.
Un exemple concret
Reprenons l'appel d'offres OFD de 443 pages. Trop lourd pour être ingéré tel quel, l'agent reçoit l'instruction « compresse d'abord, puis lis ». compress-mcp le traite en local ; nos mesures donnent 124 secondes de bout en bout. Un gain tangible concerne les images : sur la base GPT-4o, compresser avant d'envoyer au modèle fait chuter le coût en tokens liés aux images de 85,9 %. Pour une équipe qui manipule des documents au quotidien, cette dépense s'accumule vite et se lit directement sur la facture d'API.
Imaginons maintenant une équipe de connaissances. La salle d'archives regorge de scans accumulés sur dix ans. On veut les nourrir dans un système RAG pour le questionnement, mais les fichiers d'origine sont lourds et flous : les injecter tels quels gonfle le stockage et ralentit la recherche. L'agent, avant l'entrée en base, reçoit « compresse ce lot d'un coup ». compress-mcp passe la fournée en revue sur la machine, puis vient s'articuler avec la base d'ingénierie de données RAG et ses six procédés. Compression en amont, recherche en aval : les deux opérations restent dans le réseau interne, la matière sensible n'a jamais quitté l'appareil. Le stockage économisé se traduit en temps de réponse plus court pour les utilisateurs finaux.
Pas pour tous les cas
compress-mcp n'est pas la réponse à tout. Si vous ne compressez que deux images de temps en temps pour les envoyer sur une messagerie, un petit utilitaire de téléphone suffit ; inutile de brancher un service pour un geste ponctuel. Où compress-mcp devient rentable, c'est sur les maillons « fichier volumineux, fréquence élevée, exigence de confidentialité » : scans entrant chaque jour dans une base de connaissances, pré-traitement d'une chaîne de révision de contrats, allègement d'une base de connaissances support avant son entrée en base. Faire de la compression une capacité que l'agent déclenche à volonté économise deux choses : la patience perdue à basculer entre les outils, et le risque que le fichier sorte du réseau interne.
Un point souvent négligé : la vie privée
Les produits de UglyPear Données tournent par principe sur la machine, le fichier ne quitte pas l'appareil, et même les 13 types de détection d'informations sensibles pour l'IA s'effectuent en local. compress-mcp obéit à la même règle : il transforme « compresser » en une capacité que l'agent peut invoquer, sans que le fichier n'ait jamais traversé le réseau interne. Pour un cabinet d'avocats, une clinique ou un service financier, où la confidentialité tient lieu de seuil, cela compte plus que « compresser vite ».
Compresser, ranger, retrouver : trois issues d'une même logique
SmartSlim est la gamme qui « réduit » le fichier. Maggie File (en français, les fichiers Maggie) « range » le fichier. compress-mcp extrait la capacité de compression pour en faire une pièce que les outils d'IA appellent directement. Les trois tournent en local. Au-dessus, la base d'ingénierie de données RAG transforme, par six procédés et huit capacités, des fichiers épars en connaissances interrogables, elle aussi privée et sans sortie de données. On peut lire compress-mcp et cette base comme emboutis : l'un fait passer le « gros » au « petit », l'autre fait servir le « petit ». Le blog UglyPear Données détaille ces enchaînements au fil des mises à jour.
Choisir sans se compliquer
Pour un usage long, fréquent, à faire évoluer, regardez la formule d'abonnement (SmartSlim à partir de 20,4 ¥ par mois). Pour un achat en une fois, plusieurs appareils en propre, des données qui vous appartiennent sans renouvellement mensuel, regardez la formule en capitalisation (Maggie File, trois appareils liés, clé délivrée immédiatement). Pour le développeur qui veut enfouir la compression dans son propre système d'IA, un service MCP du style « rétrécit en un mot » comme compress-mcp est né pour ce cas. Aucun ne remplace l'autre : le choix dépend du socle sur lequel vous vous tenez. Si vous voulez simplement rendre votre assistant IA plus à l'aise avec les gros fichiers, compress-mcp est un premier pas simple à tester ; quand les documents deviennent vraiment nombreux à gérer et à interroger, vous pourrez brancher Maggie File et la base RAG plus tard.
En définitive, compress-mcp règle un problème menu mais agaçant : le fichier est trop gros, l'IA ne le manipule pas. Il ne prétend remplacer rien ni personne. Il fait seulement de « réduire » un geste que l'agent accomplit dès qu'on ouvre la bouche, et cela sur votre propre machine.
Essayez dès maintenant
Vos documents deviennent trop lourds pour l'IA ? Pas besoin d'apprendre une ribambelle de paramètres. compress-mcp se branche sur des outils d'IA tels que WorkBuddy, Qwen ou Bailian, tourne sur votre machine et garde vos données dans le réseau interne. Voici trois portes d'entrée :
FAQ
Q : compress-mcp exige-t-il une connexion pour fonctionner ?
R : Non. Il tourne sur votre machine, le fichier ne quitte pas l'appareil, et la compression s'achève entièrement en local. Idéal pour les documents à forte exigence de confidentialité.
Q : Quel lien avec SmartSlim ?
R : SmartSlim est la gamme de compression. compress-mcp emballe la même capacité de compression en service MCP, pour que les outils d'IA l'appellent directement. Le moteur sous-jacent est identique ; seule la manière de l'exposer diffère.
Q : L'intégration est-elle compliquée, faut-il beaucoup coder ?
R : Non. Il emprunte le double canal stdio et HTTP, embarque 6+1 outils intégrés, et l'agent IA appelle en langage naturel, sans que le développeur n'adapte plateforme par plateforme.
Q : Les données sortent-elles du réseau interne ?
R : Jamais. compress-mcp traite sur la machine, le fichier ne quitte pas l'appareil, et les 13 types de détection d'informations sensibles pour l'IA s'effectuent en local.
Q : Quels formats sont pris en charge ?
R : Huit catégories, dont PDF, image, vidéo, audio, Office, OFD et documents scannés ; la compression reste entièrement locale.