Les méthodes classiques de résumé automatique par extraction opèrent par sélection de phrases. Un score de pertinence est donnée à chaque phrase des documents à résumer, puis les phrases de score maximum sont juxtaposées dans le résumé final. Pour ne pas présenter de multiples fois la même information, les phrases à contenu similaire à celles déjà choisies dans le résumé sont écartées. Les approches fondées sur ce principe ont deux inconvénients : l'algorithme de sélection est glouton et la redondance n'est prise en compte que dans les paires de phrases. Pour y remédier, nous proposons de maximiser le score global d'un résumé à l'aide d'un programme en nombres entiers qui considère toutes les sélections de phrases possibles. De plus la redondance est modélisée globalement en considérant les concepts que contiennent les phrases au lieu des phrases elles-mêmes : le score d'un résumé est pénalisé par la présence de multiple fois d'un même concept. Le système créé à partir de ce modèle a obtenu de très bons résultats lors de la campagne d'évaluation TAC ainsi que pour créer des résumés de transcriptions de réunions. Enfin, nous montrons comment l'utiliser pour créer des résumés "oracle" qui donnent une idée du score ROUGE maximal qui pourrait être obtenu par sélection de phrases.