Pour les DAF, contrôleurs financiers et directeurs administratifs de PME qui traitent des volumes significatifs de comptes fournisseurs et savent que parmi les milliers de lignes mensuelles se glissent des doublons approximatifs, des surfacturations, des montants hors pattern et des dépenses non autorisées. Un moteur IA qui revoit le ledger fournisseurs en temps réel et alerte avant que le paiement ne parte.
Dans les comptes fournisseurs d'une PME avec plusieurs centaines ou milliers de factures mensuelles se glissent systématiquement quatre types d'anomalies qui coûtent de l'argent réel. Les doublons approximatifs : la même facture enregistrée deux fois avec un chiffre changé dans le numéro ou avec une date différente, généralement parce que le fournisseur a envoyé la même facture par deux canaux (e-mail + EDI + portail) et qu'elle a été enregistrée dans les deux. Les surfacturations par rapport au contrat : le fournisseur facture au-dessus du prix convenu, intentionnellement ou accidentellement, et personne ne croise la ligne facture avec la grille contractuelle.
Les montants atypiques : un zéro de trop dans un champ pendant la saisie manuelle, une décimale mal placée, un montant très au-dessus de la magnitude habituelle de cette catégorie de dépense qui part au paiement sans filtre car aucune règle automatique ne le détecte. Et les dépenses non autorisées : charges dans des catégories non budgétées, qui exigeaient une approbation préalable non effectuée, ou qui portent une marque d'activité hors du périmètre corporatif.
Le coût agrégé est sérieux. Les études sectorielles que nous croisons avec notre propre base de clients BC situent le coût des anomalies AP non détectées entre 0,3 % et 1,5 % de la dépense annuelle totale en comptes fournisseurs d'une PME. Pour une entreprise avec 20 millions de dépense AP, cela représente entre 60 000 et 300 000 euros par an payés sans que personne n'ait croisé les données. La majorité n'est pas de la fraude : ce sont des erreurs administratives, de la saisie sale, un manque de contrôle des prix, des doublons de canal. Mais le compte est le même.
Le problème technique est que les détecter manuellement ne passe pas à l'échelle. Un contrôleur financier n'a pas le temps de revoir ligne par ligne des milliers de mouvements par mois, et les contrôles ponctuels de clôture mensuelle ou d'audit annuel n'en découvrent qu'une fraction. Ce qui est découvert l'est généralement tard, le fournisseur déjà payé et la conversation inconfortable à venir pour récupérer le trop-perçu. Précisément le type de problème où l'IA bien appliquée apporte de la valeur : revoir tout, tout le temps, sans se fatiguer.
Le cas combine quatre détecteurs indépendants exécutés en parallèle sur chaque mouvement AP nouveau (écriture de facture) et chaque proposition de paiement. Le premier est un détecteur de doublons approximatifs qui va au-delà du match exact : il utilise la similarité d'en-tête (numéro, date, NIF), la similarité de lignes (description, base imposable, montant) et la similarité sémantique du concept (avec embeddings Azure OpenAI). Il détecte le cas classique de la même facture émise avec un numéro différent ou avec une date différant d'un jour.
Le deuxième détecteur compare le prix facturé de chaque ligne avec deux références : la grille contractuelle du fournisseur dans BC (si elle existe) et la distribution historique des prix pour cette référence chez ce fournisseur sur les douze derniers mois. Si le prix facturé s'écarte de plus du seuil configurable (typiquement 5 % à la hausse sans justification), il déclenche une alerte. La sensibilité par famille de produit est calibrée pendant le pilote.
Le troisième est un détecteur statistique d'outliers par catégorie de dépense. Sur la distribution historique des montants pour chaque compte comptable et centre de coûts, il calcule la plage raisonnable (quartiles, écart-type) et marque tout nouveau montant tombant hors plage. Il est particulièrement utile pour attraper les erreurs typographiques de saisie : un zéro de trop, une décimale déplacée, une unité facturée quand il devrait y en avoir cent.
Le quatrième est un classifieur supervisé entraîné sur l'historique des anomalies marquées par votre équipe. Il apprend des patterns qui corrèlent avec des problèmes réels : combinaisons fournisseur-catégorie-approbateur, NIF créés récemment avec un en-tête similaire à un fournisseur existant, montants juste sous le seuil d'approbation ségrégée, dépenses sur comptes clôturés budgétairement. Plus il reçoit de feedback, plus il s'affine.
Le moteur commun est construit sur Azure Machine Learning avec Azure OpenAI Service pour les parties exigeant une compréhension sémantique. Les données ne sortent pas de votre tenant. La traçabilité de chaque alerte est complète : quel mouvement, quel détecteur s'est déclenché, avec quel score, ce qu'a décidé l'équipe financière (rejet pour faux positif, ajustement, restitution, investigation). Ce feedback alimente le réentraînement suivant du classifieur supervisé.
| Aspect du contrôle | Avant (manuel) | Après (avec IA) |
|---|---|---|
| Détection des doublons | Seuls les doublons partageant numéro et NIF exacts sont attrapés. Les approximatifs passent. | Détecteur de similarité en-tête, base imposable, date et description de lignes. Attrape les approximatifs. |
| Contrôle des surfacturations | Vérification contre contrat uniquement si l'acheteur s'en souvient. Habituellement non. | Comparaison automatique de chaque prix facturé avec l'historique du fournisseur et le contrat en vigueur. |
| Dépense hors budget | Découverte à la clôture mensuelle en cadrant avec le budget. Trop tard pour réagir. | Alerte au moment de l'écriture : cette dépense dépasse le budget du centre X de YY euros. |
| Nouveaux numéros TVA suspects | Si la création de fournisseur est semi-automatique, les NIF inventés ou très proches d'un existant passent. | Alerte de proximité de NIF avec le référentiel et revue obligatoire avant le premier paiement. |
| Montants atypiques | Aucun contrôle de magnitude. Un zéro de trop dans un champ part au paiement sans filtre. | Chaque montant est comparé à la distribution historique de sa catégorie. Les outliers sont marqués. |
| Audit | Échantillonnage manuel en audit annuel. On ne voit que ce qui entre dans l'échantillon. | Traçabilité complète des anomalies détectées, traitées et écartées, avec justification. |
| Temps de réponse | Si une anomalie apparaît, elle est découverte des semaines après l'écriture. | Alerte en minutes depuis l'écriture ou la tentative de paiement. Blocage optionnel selon sévérité. |
Audit de l'historique AP dans BC, analyse de la matrice d'approbations, identification des typologies d'anomalies les plus fréquentes dans votre contexte, calcul de la ligne de base (coût estimé des anomalies non détectées sur les 12 derniers mois) et sélection des détecteurs prioritaires pour le pilote.
Déploiement des détecteurs non supervisés dès la semaine 1, intégration avec dvinvoice-hub et dvfinance, configuration des seuils par catégorie, tableau de gestion des alertes, formation de l'équipe financière. Entraînement du classifieur supervisé avec le feedback des premières semaines.
Affinage des seuils avec les données opérationnelles, extension à d'autres sociétés du groupe, intégration avec la conciliation bancaire avancée, intégration avec le cas connexe de résumé exécutif de la clôture, reporting trimestriel au DAF avec économie consolidée.
Il y a des scénarios où le cas ne compense pas ou n'est pas viable. Nous le disons directement.
L'extension Davisa pour le cycle complet des factures reçues dans BC.
Extension BCCouche financière de Davisa pour BC : échéances, paiements, conciliation, contrôle de trésorerie.
Cas IAExtraction, codification et rapprochement automatique des factures. Prédécesseur naturel de ce cas.
Cas IALes alertes du mois alimentent le résumé exécutif au DAF sans travail supplémentaire.
HubLe catalogue complet des cas, secteurs, méthode et Discovery de l'AI Studio.
Les détecteurs non supervisés (doublons approximatifs, montants atypiques par catégorie, nouveaux numéros TVA) fonctionnent dès le premier jour, sans entraînement. Les détecteurs supervisés qui exigent un pattern historique (écart de prix, dépense hors budget, comportement atypique de fournisseur) ont besoin idéalement de 12 à 24 mois d'historique AP dans BC pour consolider la ligne de base. Nous le mesurons lors du Discovery avec vos données réelles avant d'engager le périmètre.
Au début pas mal, et c'est bon signe. Le système est calibré restrictif et apprend du feedback de l'équipe financière : chaque fois que vous marquez une alerte comme faux positif, il ajuste les seuils pour cette famille de fournisseur ou catégorie de dépense. La courbe typique est agressive au démarrage (beaucoup de bruit) et se stabilise au troisième ou quatrième mois avec un taux de faux positifs inférieur à 15 %. La règle de conception est toujours restrictive : nous préférons un bruit marginal à manquer une vraie anomalie.
Oui, et c'est l'un des flux qui apporte le plus de valeur. Le détecteur marque les anomalies avant l'écriture comptable (étape 1 : la facture entre, l'IA alerte d'un doublon approximatif ou d'une surfacturation), avant d'approuver le paiement (étape 2 : vérification croisée avec le ledger du fournisseur) et à la conciliation bancaire (étape 3 : si un mouvement bancaire ne trouve pas de rapprochement raisonnable). Si vous avez dvfinance actif, les trois niveaux s'enchaînent sur le même moteur.
Cela peut détecter des patterns qui corrèlent avec de la fraude interne (même approbateur répétitivement sur le même fournisseur avec écart de prix, numéros TVA créés avec un en-tête très proche d'un fournisseur existant, montants juste sous le seuil d'approbation ségrégée), mais le système n'accuse pas : il alerte pour investigation. La décision sur la nature de l'anomalie (erreur administrative ou fraude) est toujours prise par votre équipe audit ou conformité. L'IA apporte le fil à tirer, pas le verdict.
Le moteur tourne comme service Azure ML avec auto-scaling à la charge. Une volumétrie allant jusqu'à plusieurs centaines de milliers de mouvements AP par mois est gérée sans reconfiguration. Le goulot d'étranglement est généralement humain : si l'équipe financière ne peut pas traiter le flux d'alertes, mieux vaut relever le seuil que saturer l'équipe. À l'étape de mise à l'échelle, nous calibrons cet équilibre avec vous, mois après mois.
Nous inscrivons le cas dans votre relation actuelle avec BC, dvinvoice-hub et dvfinance. Votre conseiller habituel coordonne l'entrée de l'AI Studio.
Parler à l'équipe →Nous commençons par le Discovery de 5 jours. Nous auditons votre AP, estimons le coût réel des anomalies non détectées et dimensionnons le pilote face à ce chiffre.
Demander un Discovery IA →