Dans cet article, nous explorons l'intégration d'un traitement symbolique des sorties d'un LLM pour obtenir une extraction d'événements à haute granularité. Nous montrons que la faiblesse des LLM dans la production d'informations structurées, souvent soulignée dans la littérature, peut être surmontée en concevant une fonction d'appariement (hybridation) adaptée au domaine. Afin d'appuyer cette affirmation, nous comparons les résultats d'une méthode d'apprentissage en contexte avec notre approche hybride et nous montrons que cette dernière permet d'obtenir des résultats supérieurs (+6,3 %) sur un nouvel ensemble de données, de triplets sujet-prédicat-objet dans le domaine médical (681 triplets pour 200 phrases). Ce résultat est obtenu en laissant le LLM (Llama-3) libre de générer les types de prédicats avec lesquels il est le plus familier, et en appliquant a posteriori une fonction de normalisation. Outre l'amélioration de l'explicabilité et de la contrôlabilité de la sortie, l'intervention d'une telle fonction (qui a été mise en oeuvre en cinq jours) permet de réduire de moitié les émissions de gaz à effet de serre induites par le traitement du corpus.