Lire automatiquement des documents : de la reconnaissance à l’écriture vérifiée

Le lundi, la boîte de réception partagée contient dix-sept factures PDF, trois photos de bons de livraison prises au téléphone et une pile de formulaires numérisés. Les PDF ont tous un aspect différent, et deux d’entre eux ne sont eux-mêmes que des scans. Quelqu’un au bureau les ouvre l’un après l’autre, relève le fournisseur, la date, le numéro de facture, les montants et le taux de TVA et les saisit dans la comptabilité. Cela coûte des heures et ce n’est pas la partie qui demande du savoir-faire.

Cette situation de départ est très répandue dans les petites entreprises, les cabinets et les entreprises artisanales. Elle passe presque inaperçue, car chaque facture ne prend que quelques minutes. Mais additionné, cela mobilise un temps qui manque ailleurs et génère des erreurs à des endroits discrets : des chiffres inversés, un escompte oublié, une facture comptabilisée deux fois parce qu’elle est arrivée une fois par courrier et une fois par e-mail.

S’y ajoute le fait que le savoir dépend d’une seule personne. Celui ou celle qui saisit depuis des années les factures fournisseurs sait qu’un certain fournisseur cache la date en pied de page et qu’un autre place le numéro de client en gros devant le numéro de facture. Cette expérience n’est écrite nulle part. Si la personne est absente, la recherche d’erreurs repart de zéro, et toute automatisation doit d’abord rendre ce savoir visible avant de pouvoir le reproduire.

L’idée de confier cela à un logiciel va de soi. Dans ce scénario, nous supposons que l’entreprise y est prête, mais ne veut pas faire confiance aveuglément. C’est précisément là que commence la question de fond : non pas de savoir si un programme peut reconnaître du texte, mais comment garantir que seul ce qui a été vérifié aboutit en comptabilité.

Les systèmes de reconnaissance sont volontiers promus avec un taux de réussite unique. En pratique, ce chiffre dit peu, car il ne précise pas à quoi il se rapporte : aux caractères, aux champs ou aux documents complets. Un document comportant douze champs pertinents n’est correctement saisi que lorsque les douze sont exacts. Même avec une grande exactitude par champ, il reste une part sensible de documents comportant au moins une erreur.

Plus dangereuse que l’erreur est l’erreur silencieuse. Si un 1 est lu comme un 7 ou si une virgule se décale, le résultat paraît plausible. Personne ne s’en aperçoit jusqu’à ce que le paiement soit déclenché ou que l’expert-comptable pose la question. Un humain se trompe aussi en tapant, mais remarque souvent au total que quelque chose ne colle pas. Un automate ne le fait que si on lui enseigne expressément cette vérification.

S’ajoutent des documents qui n’entrent pas du tout dans le schéma : des avoirs avec des montants négatifs, des factures récapitulatives portant sur plusieurs bons de livraison, des factures en devise étrangère, des ajouts manuscrits, des tampons sur des chiffres. Et de nouveaux fournisseurs apparaissent sans cesse, dont le système n’a jamais vu la mise en page. Une solution sérieuse doit avoir pour tout cela une voie qui ne s’appelle pas deviner.

L’OCR classique transforme une image en texte, rien de plus. Il fournit des caractères et leur position, mais aucune compréhension de ce qui est le numéro de facture et de ce qui est le numéro de client. Pour obtenir des champs, il faut des règles ou des modèles : chercher à droite du mot « N° de facture », prendre le nombre dans l’encadré en bas à droite. Cela fonctionne de façon fiable tant qu’un fournisseur conserve sa mise en page, et casse dès la première refonte.

L’extraction par IA procède autrement. Un modèle considère ensemble le texte et la mise en page et attribue les champs selon leur sens, y compris pour des mises en page qu’il n’a jamais vues. Cela évite d’entretenir des modèles et supporte les variantes. Le prix est un autre type d’erreur : le modèle peut livrer des valeurs plausibles mais inventées ou permutées, et ses décisions sont moins faciles à retracer qu’une règle.

La troisième voie est souvent oubliée : ne pas lire du tout. Depuis la mise en place de la facture électronique, de nombreuses factures existent sous forme de fichier structuré, par exemple au format XRechnung ou ZUGFeRD, dont les champs sont directement lisibles. La reconnaissance est alors superflue et la lecture devient un contrôle de schéma. Un bon circuit d’entrée demande donc d’abord si des données structurées sont présentes, et ne recourt ensuite seulement à l’OCR ou à l’IA.

Nous n’opposerions pas les méthodes, mais les échelonnerions. Les données structurées d’abord ; pour les fournisseurs connus à la mise en page stable, des règles ou des modèles ; pour tout le reste, l’extraction par IA. Chaque niveau a un profil d’erreur différent, et la couche de vérification qui suit doit pouvoir les gérer tous.

L’analyse conduit à une décision fondamentale : la lecture ne doit jamais décider seule d’une écriture. L’extraction fournit des propositions, une couche distincte les vérifie, et seul ce qui passe les deux se poursuit automatiquement. C’est plus long à construire qu’un script qui écrit des champs dans la comptabilité, mais c’est la seule façon de pouvoir dire ensuite pourquoi quelque chose est passé.

L’alternative, qui consisterait à faire relire en plus chaque pièce par un humain, paraît sûre mais n’économise presque rien. Les humains vérifient mal lorsque presque tout est correct : l’attention baisse et l’erreur rare passe à travers. Mieux vaut orienter l’attention là où le système lui-même a des doutes ou lorsqu’une règle a été enfreinte. Une petite file de vérification bien motivée est plus efficace qu’une grosse pile validée d’un hochement de tête.

Un autre arbitrage concerne le prestataire. Les services prêts à l’emploi de reconnaissance de pièces sont rapides à mettre en place et apprennent de nombreux documents, mais envoient les pièces à des tiers et s’adaptent mal aux particularités. Une solution propre fondée sur des composants ouverts demande plus d’efforts, mais donne le contrôle sur le flux de données, les règles et les coûts. Pour des documents sensibles, par exemple ceux de cabinets médicaux, le flux de données pèse davantage. La question de la sous-traitance et du lieu de stockage doit alors être posée au début, pas à la fin.

Notre recommandation serait de commencer petit : avec un type de document, le plus souvent les factures fournisseurs, et avec les cinq à dix fournisseurs les plus fréquents. Qui construit d’abord proprement la chaîne de vérification pourra raccorder plus tard d’autres types de documents sans réinventer la sécurité.

Une pièce arrive par une entrée fixe : une boîte mail, un dépôt de fichiers, un dossier de numérisation. Dès ce stade, elle reçoit une somme de contrôle du fichier et une première vérification de doublons. Vient ensuite la reconnaissance, qui choisit la voie adaptée selon la source. Le résultat n’est pas une écriture comptable, mais un enregistrement de données avec des champs, les passages de texte correspondants et un score de confiance par champ.

Le contrôle des champs vérifie d’abord le format : la date est-elle bien une date, l’IBAN est-il valide sur le plan formel, le numéro de TVA a-t-il le motif attendu ? Vient ensuite la vraisemblance métier. Le net plus la taxe donne-t-il bien le brut ? Le montant de la taxe correspond-il au taux, en Allemagne généralement 19 ou 7 pour cent ? Les lignes s’additionnent-elles pour donner le total ? Connaissons-nous le fournisseur, et ses coordonnées bancaires correspondent-elles à celles que nous avions jusqu’ici ?

Le rapprochement avec ce qui existe déjà dans l’entreprise est particulièrement précieux. S’il existe une commande ou un bon de livraison pour la facture, les quantités et les montants doivent concorder. Si le numéro de facture de ce fournisseur est déjà apparu, on soupçonne un doublon. Si des coordonnées bancaires diffèrent, c’est un schéma de fraude classique, qui n’a jamais sa place dans le circuit automatique, même avec une forte confiance de reconnaissance.

À la fin de la chaîne se trouve une décision à trois issues possibles : traiter automatiquement, envoyer dans la file de contrôle ou rejeter avec un motif. Chaque décision est journalisée, avec la règle qui l’a déclenchée. Le journal est discret, mais c’est lui qui rend la méthode évaluable par la suite.

Sur le plan technique, la solution se compose de quelques briques. Un service d’entrée reçoit les fichiers et les stocke de manière inaltérable. Un service de reconnaissance fournit les champs, soit à partir de la structure d’une facture électronique, soit via des règles pour des mises en page connues, soit avec un modèle qui évalue ensemble le texte et la position. Une couche de contrôle vérifie les résultats, et un workflow les répartit. Toutes les pièces peuvent être remplacées séparément, ce qui compte vu la rapidité d’évolution des modèles.

La confiance est le concept le plus délicat. De nombreux modèles renvoient pour chaque champ une valeur entre zéro et un, mais celle-ci n’est que partiellement calibrée : une valeur de 0,9 ne signifie pas que neuf réponses sur dix sont correctes. Nous ne fixerions donc pas les seuils au feeling, mais les calibrerions sur de vrais documents. On fait passer un échantillon, on le compare à la saisie manuelle et l’on place le seuil là où commencent les erreurs.

Les champs obligatoires comme le montant, la date, le numéro de facture et le fournisseur reçoivent des seuils plus stricts que les champs secondaires comme le délai de paiement ou la référence. De plus, pour les montants, nous vérifions indépendamment de la confiance si la facture est arithmétiquement juste. Une facture à forte confiance mais au total incohérent part dans la file. Une facture à confiance moyenne, au total cohérent, au fournisseur connu et à la commande correspondante peut passer.

La file de contrôle elle-même est une interface simple : à gauche le document, à droite les champs reconnus avec les passages de texte surlignés, et en dessous la raison pour laquelle la pièce s’est retrouvée là. La personne corrige, confirme et peut proposer une règle, par exemple créer un nouveau fournisseur. Chaque correction est enregistrée, car c’est la source de données la plus précieuse pour s’améliorer ensuite.

Les avoirs et les annulations portent des montants négatifs et se rapportent à des factures antérieures. Un système qui ne connaît que les factures standard les comptabilise comme des entrées. Une règle doit donc vérifier ensemble le type de pièce et le signe, et lier l’avoir à la pièce d’origine. Les factures groupées à plusieurs taux de taxe sont tout aussi délicates : il ne suffit pas de vérifier un taux, chaque ligne doit correspondre à son propre taux, et les sous-totaux doivent s’additionner pour donner le total.

Les photos prises au téléphone sont un chapitre à part. Les prises de vue de travers, les ombres et les plis dégradent toute reconnaissance. Un prétraitement qui redresse les pages, les recadre et évalue la qualité est utile. Si la qualité est trop mauvaise, le système ne doit pas deviner, mais demander une nouvelle prise de vue. C’est moins pratique qu’un résultat, mais plus honnête qu’un chiffre faux.

Avec les formulaires, comme les fiches patients ou les inscriptions, l’écriture manuscrite entre en jeu. La reconnaissance de l’écriture manuscrite est nettement moins fiable que celle du texte imprimé, et les chiffres dans les champs de formulaire sont particulièrement sujets aux erreurs. Nous conserverions en principe un contrôle à quatre yeux pour les champs sensibles et limiterions l’automatisation au pré-remplissage. Il en va de même pour les documents contenant des données de santé : ils exigent de clarifier soigneusement le lieu de stockage et le traitement avant que le moindre service ne les voie.

Enfin, la langue : les factures de l’étranger utilisent d’autres formats de date, d’autres séparateurs décimaux et d’autres termes fiscaux. Un montant comme « 1.234,50 » ne signifie pas la même chose que « 1,234.50 ». Les règles doivent connaître le pays d’origine et la devise, faute de quoi surgissent des erreurs d’un facteur mille qui paraissent même cohérentes dans le contrôle des totaux.

L’intérêt d’une telle solution est plausible, mais ne peut pas être chiffré de façon générale. Il faut s’attendre à ce que les pièces courantes de fournisseurs connus passent avec peu d’effort et que le temps par pièce diminue. L’ampleur dépend du mélange de documents, de la qualité des modèles et du nombre de cas douteux. Une promesse comme « 80 pour cent de travail en moins » serait inventée sans les pièces concrètes de l’entreprise.

On peut beaucoup mesurer, et avant le démarrage. On prend un échantillon de plusieurs centaines de pièces réelles, on les saisit une fois manuellement comme référence et l’on fait lire les mêmes par le système. Puis on compte les erreurs par champ et par document, en distinguant celles qui sont sans gravité de celles qui ont des conséquences. Il importe de distinguer le taux de documents entièrement corrects du taux d’erreurs passées inaperçues.

En exploitation s’ajoutent des indicateurs permanents : part des pièces traitées automatiquement, part de la file de contrôle, délai jusqu’à la validation, part des champs corrigés dans la file et échantillon aléatoire issu du circuit automatique. Le dernier indicateur est le plus honnête, car il mesure ce que le système a jugé correct alors que ce ne l’était pas. Prélever chaque mois vingt ou trente pièces traitées automatiquement suffit pour un premier aperçu.

On ne peut pas promettre l’absence d’erreurs. Même une bonne chaîne laisse parfois passer une pièce fausse, et la responsabilité de la comptabilité reste à l’entreprise. On ne peut pas non plus dire à l’avance à quelle vitesse l’investissement sera rentabilisé. Une phase pilote avec un critère d’arrêt clair est judicieuse : si, après calibrage, le taux d’erreurs dans le circuit automatique reste au-dessus de la limite convenue, on abaisse le seuil et l’on prévoit davantage de travail humain.

Avec la reconnaissance, une pièce n’est pas réglée : elle doit aussi être retrouvable et rester inchangée pendant des années. L’original doit être archivé lié aux données extraites et au journal des décisions, pas seulement l’écriture comptable. Qui devra plus tard répondre à un contrôle fiscal ou à une demande veut voir le document et comprendre comment il a été comptabilisé. Un renommage selon des règles claires et un archivage protégé en écriture aident davantage qu’un produit d’archivage compliqué.

À titre d’orientation : en Allemagne, des délais légaux de conservation de plusieurs années s’appliquent aux pièces comptables et aux lettres commerciales, souvent de six à dix ans selon le type de document, et il existe des exigences d’inaltérabilité et de traçabilité. Les délais ont été modifiés par le passé. Il ne s’agit pas d’un conseil juridique. Clarifiez la mise en œuvre concrète, y compris la question de savoir si l’original papier peut être supprimé après le scan, avec votre conseil fiscal.

Trois enseignements portent le plus loin. Premièrement, la qualité de l’entrée compte plus que le choix du modèle : un circuit fixe de boîte mail et de scan, des PDF propres et la demande faite aux fournisseurs d’envoyer des factures électroniques améliorent tout ce qui suit. Deuxièmement, la couche de contrôle est la vraie valeur, car les modèles changent, les règles restent. Troisièmement, les corrections issues de la file ne sont pas une nuisance, mais de la matière d’apprentissage pour les règles, les listes de fournisseurs et les seuils.

Il faut aussi dire ce qui ne devrait pas être automatisé. Les validations de paiements, les modifications de données de référence comme les coordonnées bancaires et la décision en cas de questions fiscales peu claires restent aux mains des personnes. L’automatisation prépare, documente et alerte, mais elle ne porte aucune responsabilité. Qui trace cette limite explicitement construit un système auquel l’équipe fait confiance parce qu’il connaît ses limites.

Lire automatiquement des documents est rentable lorsque de nombreuses pièces similaires arrivent régulièrement et que la saisie mobilise un temps qui serait mieux employé ailleurs. Ce qui compte, ce n’est pas la technique de reconnaissance, mais la chaîne qui suit : règles de contrôle, confiance, une file pour les cas douteux et un journal. Avec cette chaîne, une erreur est un événement visible ; sans elle, un dommage silencieux.

L’étape suivante est modeste et ne coûte qu’un peu de temps. Rassemblez cent pièces prises au hasard sur les derniers mois, triez-les grossièrement par fournisseur et par format et notez combien existent déjà sous forme structurée. Ce décompte montre où l’automatisation est rentable et quels cas particuliers attendre. Sur cette base, on peut esquisser un pilote avec un plan de mesure clair.

Prévoyez du temps pour la référence. La saisie manuelle de l’échantillon ressemble à un détour, mais c’est le fondement de toute affirmation ultérieure : sans valeurs justes connues, on ne peut ni fixer un seuil ni affirmer un taux d’erreurs. Qui économise ici s’offre un système dont personne ne peut prouver la fiabilité, pas même le prestataire.

Nous examinons volontiers cet échantillon avec vous et vous disons clairement si un pilote vaut la peine ou si un circuit d’entrée propre et des factures électroniques suffisent comme première étape. Cela aussi peut être le meilleur résultat : moins de technique, moins d’erreurs.