Comptabilité par IA : ce qu’elle fait, ce qu’elle manque, et ce qu’il faut vérifier

Qu’est-ce que la comptabilité par IA ?

La comptabilité par IA est l’utilisation de l’apprentissage automatique — généralement un mélange de reconnaissance optique de caractères et de modèle de langage — pour effectuer le travail de lecture et de tri qu’un comptable ferait autrement à la main : extraire le fournisseur, le montant et la date d’un reçu, attribuer une catégorie, et rapprocher l’activité bancaire de ce qui a déjà été enregistré.

Ce n’est pas un nouveau type de comptabilité. Les règles sous-jacentes sont les mêmes que celles qu’un comptable a toujours utilisées : une catégorie doit toujours être correcte, un rapprochement doit toujours être équilibré, un compte de résultat doit toujours boucler. Ce qui change, c’est qui — ou quoi — effectue la première passe. Les logiciels de comptabilité traditionnels vous donnent un formulaire et une barre de recherche et attendent que vous saisissiez vous-même la transaction, ou proposent au mieux une règle du type "si le nom du fournisseur contient X, catégoriser comme Y". La comptabilité par IA, elle, lit le document réel, en déduit ce qu’il est, et propose une écriture qu’une personne peut accepter, corriger ou rejeter.

Cette distinction compte, parce que "comptabilité par IA" est employé de façon relâchée. Certains outils s’en servent pour désigner ni plus ni moins une règle par mot-clé habillée de cette étiquette. Un test utile consiste à vérifier si le système peut prendre une entrée non structurée qu’il n’a jamais vue auparavant — un reçu photographié, une facture transférée, un fichier CSV d’une banque que vous n’avez jamais utilisée — et en produire une transaction structurée et catégorisée, plutôt que de la faire correspondre à un modèle préconstruit pour cette mise en page de document précise.

DozaBooks est conçu autour de ce principe : vous lui envoyez un reçu par photo, transférez une facture à une adresse e-mail dédiée, ou importez un relevé bancaire, et il extrait les données et propose l’écriture au lieu de vous demander de la saisir. La suite de ce guide explique comment cela fonctionne réellement, où cela peut échouer, et ce qu’il faut vérifier avant de s’y fier.

Comment l’IA lit-elle réellement un reçu ?

Elle lit un reçu en deux étapes : d’abord en transformant l’image en texte, puis en transformant ce texte en champs structurés — et c’est la seconde étape qui concentre l’essentiel du vrai travail. Les anciens outils d’OCR seul s’arrêtent après la première étape et vous laissent un mur de texte à parcourir vous-même ; un modèle de langage prend ce texte et détermine quelle ligne est le fournisseur, laquelle est le total, laquelle est la taxe, et lesquelles sont les lignes de détail, de la même façon qu’une personne parcourant la page le ferait.

Concrètement : l’image ou le PDF est converti en texte (l’étape OCR), puis un modèle reçoit ce texte et doit en extraire des champs précis — nom du fournisseur, date, sous-total, taxe, total, devise, et lignes de détail lorsqu’elles sont présentes. Comme il travaille à partir du sens plutôt que d’un modèle fixe, il peut traiter un reçu de café malaisien, une facture au format américain, et une capture d’écran de confirmation de paiement WhatsApp sans avoir besoin d’un modèle distinct pour chacun.

DozaBooks accepte un reçu de trois façons — une photo, un transfert vers l’adresse e-mail dédiée de l’entreprise, ou un collage depuis le presse-papiers — et applique la même extraction quel que soit le canal, en récupérant le fournisseur, le montant, la date, la taxe et les lignes de détail, quel que soit le moyen par lequel le document est arrivé.

La qualité de l’extraction n’est cependant pas uniforme, et cela vaut la peine d’être compris avant de faire confiance à n’importe quel outil. Une photo nette d’un reçu imprimé et propre est presque un problème résolu. Une photo floue, un document photographié de travers, un mauvais éclairage, ou un reçu froissé et plié réduisent tous la précision, parfois fortement. Cela vaut pour tous les outils d’extraction par IA du marché, ce n’est pas une limite propre à DozaBooks — c’est une propriété inhérente à la lecture d’images de papier.

Comment décide-t-elle de la catégorie d’une transaction ?

Elle décide principalement à partir de deux signaux : le fournisseur et la description, comparés aux catégories que vous avez déjà utilisées, avec une mémoire grandissante de ce que vous faites personnellement avec chaque fournisseur. Le nom du fournisseur à lui seul vous mène déjà loin — "Grab" est très probablement du transport, "WeWork" est très probablement du loyer ou des frais de bureau — mais le système pèse aussi le montant, le texte de la description, et toute correction antérieure liée à ce fournisseur précis.

Cette dernière partie — apprendre des corrections — est le mécanisme qui améliore réellement la précision au fil du temps, et cela vaut la peine d’être compris concrètement plutôt que pris pour acquis. Dans DozaBooks, quand vous approuvez ou corrigez une transaction catégorisée, le système enregistre cette correspondance fournisseur-catégorie. La transaction suivante du même fournisseur est catégorisée automatiquement grâce à cette correspondance et affiche un score de confiance plus élevé, parce qu’elle ne devine plus à partir de tendances générales — elle applique une règle que vous avez personnellement confirmée. Au fil des semaines, les fournisseurs avec lesquels vous traitez régulièrement (vos fournisseurs habituels, vos abonnements logiciels récurrents, votre client habituel) deviennent presque entièrement automatiques, tandis qu’un fournisseur avec lequel vous n’avez jamais transigé reçoit encore une estimation à vérifier.

C’est aussi pourquoi un nouveau compte d’entreprise a besoin de plus de corrections au départ qu’un compte actif depuis des mois. Il n’y a pas encore de mémoire sur laquelle s’appuyer. La façon honnête, quoique inconfortable, de le décrire : le système ne commence pas intelligent au sujet de votre entreprise, il le devient de manière fiable, et la différence entre le premier mois et le sixième est réelle et perceptible.

Les scores de confiance existent pour une raison liée à la catégorisation, pas seulement à l’extraction : une transaction d’un fournisseur connu avec un historique cohérent est signalée comme sûre pour une approbation automatique, tandis qu’un nouveau fournisseur, un montant inhabituellement élevé pour ce fournisseur, ou une description qui ne correspond clairement à aucun schéma antérieur est signalée pour que vous l’examiniez. Un système bien conçu affiche son incertitude au lieu de la cacher, et c’est ce signalement qui rend l’automatisation digne de confiance, plutôt qu’une chose à revérifier ligne par ligne systématiquement.

Que ne peut pas faire la comptabilité par IA ?

Elle ne peut pas lire de façon fiable une écriture manuscrite, des photos mal éclairées ou mal cadrées, ou un reçu thermique délavé, et elle ne peut pas connaître des éléments qui ne sont écrits nulle part sur le document — ce qui exclut une part non négligeable de la paperasse réelle, pas un cas marginal à ignorer.

Commençons par le document lui-même. Les reçus manuscrits — le bout de papier déchiré à la main d’un vendeur de marché, un bon de livraison manuscrit — sont réellement difficiles pour tout système basé sur l’OCR, assisté par IA ou non, et les taux d’erreur sur l’écriture manuscrite sont sensiblement plus élevés que sur le texte imprimé. Les reçus thermiques, ceux qu’impriment presque toutes les caisses de commerce en Malaisie, s’effacent en quelques semaines ; photographiez-en un trois mois plus tard et certaines parties peuvent déjà être illisibles pour un être humain, sans parler d’un modèle. Une photo prise de travers, dans une mauvaise lumière, ou avec une ombre sur le total produira une lecture moins fiable qu’un scan bien à plat et bien éclairé, et parfois carrément fausse. Rien de tout cela n’est propre à un produit en particulier — c’est une propriété de l’extraction de texte à partir d’images de papier, et tout éditeur qui prétend le contraire n’est pas honnête avec vous.

Il existe ensuite une catégorie de limite plus difficile, qui n’a rien à voir avec la qualité de l’image : les décisions de jugement qui dépendent de faits que le document ne contient pas. Un reçu de dîner à $200 ne dit pas s’il s’agissait d’un rendez-vous client ou d’un dîner d’anniversaire — c’est une intention, et l’intention vit dans votre tête, pas sur le papier. Un ordinateur portable acheté avec une carte de crédit personnelle mais utilisé en partie pour le travail est une répartition entre usage personnel et professionnel qu’aucune extraction ne peut résoudre, parce que la réponse dépend d’une allocation que vous décidez, pas d’un champ à lire plus attentivement. Un paiement décrit uniquement comme "services de conseil" ne peut pas être rattaché au bon projet ou au bon client sans un contexte extérieur au document. Une facture qui fait référence à un accord annexe, à une remise verbale, ou à un arrangement privé entre vous et un fournisseur ne peut pas être comprise correctement par un système qui ne voit jamais que la paperasse.

C’est aussi pourquoi la confiance de catégorisation doit être traitée comme un signal, pas comme un verdict. Une catégorisation à haute confiance signifie que le système a déjà vu ce fournisseur et que vous avez confirmé le schéma ; cela ne signifie pas que la catégorisation est forcément correcte pour cette transaction précise, car un fournisseur peut occasionnellement servir à plus d’un usage. Les transactions ambiguës, peu fréquentes ou dépendantes d’un jugement ont besoin d’une décision humaine, à chaque fois, et aucune amélioration de modèle ne change cela, parce que l’information manquante n’est tout simplement pas dans le document au départ.

Un outil qui prétendrait supprimer entièrement cette couche de jugement survendrait ce que n’importe quel système d’extraction — DozaBooks compris — peut réellement faire. Ce qu’un système bien conçu peut faire, c’est traiter correctement les cas faciles, répétitifs et à fort volume et les sortir de votre chemin, pour que les décisions de jugement soient la seule chose sur laquelle vous ayez à passer du temps.

Que devez-vous vérifier avant de lui faire confiance ?

Vérifiez quatre choses avant de laisser une transaction catégorisée par l’IA passer directement dans un rapport : le montant extrait par rapport au document original, la catégorie par rapport à ce que vous vouliez réellement dire, tout ce qui est signalé comme peu fiable, et vos totaux de rapprochement par rapport à votre relevé bancaire.

• Montant et date — un chiffre mal lu ou un mauvais symbole monétaire est l’erreur la plus dommageable, parce qu’elle est invisible tant que vous ne comparez pas le nombre extrait au document.
• Catégorie, surtout pour les fournisseurs nouveaux ou peu fréquents — un fournisseur inédit n’a aucun historique de correction derrière lui, donc sa catégorie suggérée est une estimation générale, pas un schéma confirmé.
• Tout ce que le système signale lui-même comme peu fiable — un outil bien conçu vous indique quand il n’est pas sûr ; traitez ce signalement comme une tâche à faire, pas comme du bruit à ignorer.
• Les totaux de rapprochement en fin de mois — les lignes bancaires importées et les transactions enregistrées devraient s’additionner au même chiffre ; un écart persistant signifie généralement qu’un côté a un doublon, une écriture manquante, ou une mauvaise catégorisation qui a changé le compte sur lequel une transaction a atterri.

L’habitude la plus rentable est de corriger les erreurs au fur et à mesure que vous les voyez, plutôt que de regrouper la vérification en fin de mois. Comme DozaBooks enregistre une correspondance fournisseur dès que vous approuvez ou corrigez une transaction, une correction précoce empêche la même erreur de se reproduire pour le reste du mois ; une correction faite en quatrième semaine ne corrige que cette seule transaction.

Il vaut aussi la peine de vérifier ponctuellement un fournisseur que vous n’avez pas examiné manuellement depuis un moment. Les entreprises changent la façon dont elles utilisent un fournisseur avec le temps — le même fournisseur peut plus tard servir à un achat personnel ponctuel, ou un abonnement peut changer de prix ou d’objet — et une correspondance établie il y a six mois ne le sait pas, à moins que vous ne le lui indiquiez.

La comptabilité par IA vaut-elle le coup pour une petite entreprise ?

Pour la plupart des petites entreprises avec un flux régulier de reçus, de factures et d’activité bancaire, cela vaut le coup, parce que le temps gagné sur la saisie répétitive dépasse le temps passé à vérifier ce que le système signale — mais ce n’est pas vrai pour toutes les entreprises, et il vaut la peine d’être honnête sur qui cela ne convient pas.

Cela a tendance à être rentabilisé le plus vite pour un dirigeant qui fait actuellement sa propre comptabilité le soir, ou qui paie un comptable principalement pour ressaisir des reçus et rapprocher un flux bancaire. Si la plupart de vos transactions viennent d’un petit ensemble récurrent de fournisseurs — les mêmes fournisseurs, les mêmes abonnements logiciels récurrents, les mêmes quelques clients — l’effet d’apprentissage par fournisseur se met en place rapidement et la plupart des mois deviennent surtout un exercice de vérification et d’approbation plutôt que de saisie de données.

C’est un choix moins adapté pour une entreprise avec un volume de transactions réellement faible, où le temps gagné chaque mois est faible en valeur absolue, quel que soit le pourcentage. C’est aussi moins adapté pour une entreprise dont les documents sont surtout manuscrits, délavés, ou autrement de mauvaise qualité, puisque c’est exactement le cas où l’extraction a besoin du plus de correction manuelle, et une partie du temps gagné sur la saisie se retrouve dépensée à corriger des erreurs de lecture. Et cela ne supprime pas le besoin de jugement sur les transactions ambiguës ou mixtes personnel/professionnel — si cela décrit l’essentiel de vos dépenses, prévoyez de le faire vous-même, quel que soit l’outil utilisé.

Il existe aussi un choix que certaines entreprises font délibérément : rester impliqué avec un logiciel plutôt que de confier le travail de vérification à quelqu’un d’autre. Les logiciels de comptabilité par IA, DozaBooks compris, s’attendent toujours à ce que vous (ou quelqu’un de votre équipe) regardiez ce qu’ils produisent. Si ce que vous voulez réellement, c’est confier toute la tâche à une personne et ne plus y penser, cela pointe vers un service de comptabilité géré — DozaBooks en propose un, où un comptable examine les quelque 10 % des cas que le logiciel lui-même ne résout pas — plutôt que vers un outil en libre-service, aussi bonne que soit l’automatisation sous-jacente.

Le résumé honnête : la comptabilité par IA raccourcit la distance entre "reçu en main" et "comptes à jour" pour la plupart des volumes de transactions ordinaires d’une petite entreprise, et elle y parvient en sortant les cas routiniers de votre chemin plutôt qu’en supprimant le jugement du processus. Que cela vaille le coût mensuel dépend du nombre de reçus que vous traitez réellement et de la part de vos dépenses qui est véritablement routinière.

Les termes de comptabilité, en clair

Un court glossaire des termes utilisés tout au long de ce guide, écrit pour quelqu’un qui doit diriger une entreprise plutôt que pour quelqu’un formé à la comptabilité.

• Comptabilité — l’enregistrement continu de chaque transaction qu’une entreprise effectue, à distinguer de l’analyse comptable plus large et du reporting construits par-dessus ces enregistrements.
• OCR (reconnaissance optique de caractères) — un logiciel qui convertit une image de texte, comme un reçu photographié, en texte exploitable par une machine.
• Extraction — le fait d’extraire des champs précis (fournisseur, montant, date, taxe) de ce texte brut plutôt que de le laisser sous forme de bloc indifférencié.
• Catégorisation — l’attribution d’une transaction à un compte ou à une catégorie de dépense, comme "déplacements" ou "fournitures de bureau", afin que les rapports puissent regrouper ce qui se ressemble.
• Score de confiance — l’estimation propre d’un système sur son degré de certitude concernant une catégorisation ou une extraction, utilisée pour décider ce qui nécessite une révision humaine.
• Rapprochement — vérifier que vos transactions enregistrées correspondent à l’activité réelle de votre compte bancaire, ligne par ligne, pour que les deux versions de vos finances concordent.
• Compte de résultat — un rapport des revenus moins les dépenses sur une période, montrant si l’entreprise a gagné ou perdu de l’argent durant cette période.
• Bilan — une photographie de ce qu’une entreprise possède et doit à un instant donné, réparti en actifs, passifs et capitaux propres.
• Créances clients — l’argent dû à l’entreprise par ses clients pour un travail déjà livré.
• Remboursement — le remboursement à un employé ou à un dirigeant pour une dépense professionnelle qu’il a payée personnellement.
• Correspondance fournisseur — une règle enregistrée reliant un fournisseur précis à la catégorie que vous lui avez déjà attribuée, afin que les futures transactions de ce fournisseur soient traitées de la même façon automatiquement.
• Multidevise — enregistrer une transaction dans la devise où elle a réellement eu lieu, avec une conversion appliquée pour les rapports, plutôt que de forcer chaque écriture dans une seule devise au moment de la saisie.