Comment les équipes RH extraient les données des
notes de frais scannées automatiquement

Le goulot d'étranglement des notes de frais dont personne ne parle

Si un employé paie une dépense professionnelle avec une carte corporate, le problème de capture des données est en grande partie résolu. L'opération apparaît sur un relevé avec une date, un montant et un commerçant — et les plateformes de gestion des dépenses comme Expensify ou Ramp font correspondre automatiquement les reçus à ces transactions. Mais ce flux de travail ne fonctionne que si tout le monde utilise une carte corporate.

Dans de nombreuses organisations — en particulier les entreprises de taille moyenne, les entreprises de services sur le terrain, les sociétés de construction et les associations — les employés paient de leur poche et soumettent un formulaire papier de note de frais en fin de mois. Ils remplissent leur nom, leur matricule, leur service, la période concernée et un tableau de lignes : date de chaque dépense, commerçant, description, catégorie et montant. Ils joignent les reçus, scannent l'ensemble et l'envoient par e-mail au format PDF. Quelqu'un aux RH ou à la finance ouvre ce PDF et ressaisit chaque champ à la main.

Ce n'est pas un problème de numérisation de reçus. C'est un problème d'extraction de formulaire scanné — et les deux sont fondamentalement différents. Un scanner de reçus extrait trois champs (date, montant, vendeur) d'une seule image. Un formulaire de note de frais scanné nécessite d'extraire les métadonnées d'en-tête et un tableau de lignes à plusieurs colonnes du même document, en une seule passe. Rien sur le marché grand public n'a été conçu pour cela — jusqu'à l'extraction de documents basée sur l'IA qui fonctionne en comprenant ce que signifient les champs plutôt que leur position sur la page.

Selon la Fondation GBTA, une entreprise traite en moyenne 51 000 notes de frais par an. À 58 $ par note, cela représente près de 3 millions de dollars en coûts de traitement — dont environ un demi-million consacré à la seule correction des erreurs. Une organisation qui traite ne serait-ce que 500 notes de frais scannées par mois a besoin d'un moyen d'éliminer la ressaisie sans reconstruire l'intégralité de son processus de notes de frais autour d'une nouvelle plateforme.

Pourquoi les formulaires scannés mettent en échec l'OCR traditionnel

La reconnaissance optique de caractères (OCR) existe depuis des décennies — mais elle a été conçue pour numériser des pages de texte imprimé, pas pour comprendre la logique d'un formulaire professionnel. Lorsque vous passez une note de frais scannée dans un OCR traditionnel, vous obtenez un mur de texte. Le logiciel ne sait pas que « Jean Dupont » en haut de la page est le nom de l'employé, que « 45,00 $ » dans la troisième ligne d'un tableau manuscrit est un tarif de taxi, ou que la date griffonnée à côté appartient à cette ligne et non à celle du dessus.

Les outils OCR basés sur des modèles tentent de résoudre ce problème en vous demandant de dessiner des cadres autour de chaque champ sur un formulaire type — « le nom de l'employé va ici, la date du rapport là. » Mais cette approche échoue lorsque le prochain employé utilise un modèle de note de frais différent, écrit à la main dans les marges, ou scanne sous un angle différent. Chaque variation de format nécessite un nouveau modèle. Pour une équipe recevant des formulaires de dizaines ou centaines d'employés de différents services, la gestion des modèles devient une tâche administrative à part entière.

Le problème plus profond est que les formulaires de notes de frais mélangent texte imprimé et écriture manuscrite de manière imprévisible. Le formulaire lui-même peut être imprimé (avec des libellés comme « Nom de l'employé », « Date », « Montant »), mais les valeurs saisies peuvent être tapées, manuscrites, ou un mélange des deux — parfois dans le même champ. L'OCR traditionnel lit les caractères ; il ne comprend pas que le « 1 213,50 $ » manuscrit en bas de page fait la somme des lignes au-dessus, ou que la signature indique que le rapport est prêt à être approuvé.

Ce qui rend enfin possible l'extraction des notes de frais scannées, c'est une approche différente : l'extraction par nom de colonne alimentée par un grand modèle de vision (VLM). Au lieu de dire au logiciel où regarder, vous lui dites ce que vous voulez — vous tapez les noms des champs dont vous avez besoin (« Nom de l'employé », « Date », « Commerçant », « Catégorie », « Montant ») et l'IA localise chaque valeur n'importe où sur la page en comprenant son contexte et sa signification. Elle lit le formulaire comme le ferait un humain : elle reconnaît que « 15/04/2026 » dans la section date d'un tableau de reçus est une date de ligne, et non la date de soumission du rapport. Elle identifie quelle écriture appartient à quel champ. Elle fonctionne sur n'importe quelle mise en page, de n'importe quel employé, sans modèles.

Guide pas à pas : Extraire des données d'un rapport de frais scanné

Voici le workflow réel, de bout en bout. Les étapes suivantes supposent que vous disposez d'un rapport de frais scanné au format PDF — celui que vous recevez d'un employé qui a rempli un formulaire papier, joint des reçus, scanné le tout et vous l'a envoyé par e-mail.

La différence clé par rapport à la saisie manuelle : un seul rapport de frais scanné avec 8 à 10 lignes de dépenses prend environ 15 à 20 minutes à retaper et vérifier à la main. Avec l'extraction par nom de colonne, le même rapport est traité en 5 à 10 secondes. Pour une équipe recevant 100 rapports par mois, cela fait la différence entre 33 heures de saisie et environ 15 minutes de relecture.

Rendu avant vs. après

Pour illustrer concrètement, voici la transformation. Un relevé de frais scanné typique contient toutes les données nécessaires à l'équipe financière — mais enfermées dans un format non structuré qui exige une extraction manuelle :

Le résultat est un tableau structuré où chaque élément occupe une ligne, avec des colonnes correspondant exactement à ce que vous avez spécifié. Pour un rapport de 10 reçus, vous obtenez 10 lignes de données propres et catégorisées — pas un mur de texte issu de l'OCR qui nécessite encore d'être analysé et organisé. Les en-têtes de colonnes sont ceux que vous avez saisis à l'étape 2, ce qui signifie que le tableau est immédiatement dans le format attendu par votre logiciel comptable, sans remise en forme.

Pour les équipes traitant des rapports en volume, le traitement par lots gère plusieurs rapports d'employés en un seul téléchargement. Vous glissez 20 PDF scannés d'un coup, spécifiez vos noms de colonnes une fois, et obtenez un fichier Excel consolidé avec toutes les dépenses de tous les employés sur tous leurs rapports. C'est une échelle d'opération fondamentalement différente du traitement d'un rapport à la fois — et c'est là que les gains de temps dépassent ce que la plupart des équipes imaginent initialement. Pour un aperçu plus approfondi du flux de travail par lots selon les formats de dépenses, notre guide sur le traitement des captures d'écran de dépenses d'employés vers Excel couvre ce à quoi ressemble l'extraction par lots lorsque les documents d'entrée varient d'un employé à l'autre.

Conformité IRS : Pourquoi les données extraites doivent être exactes

Au-delà du gain de temps, il y a une raison de conformité pour bien extraire les données des notes de frais : les règles du plan de remboursement justifié de l'IRS. Selon le Règlement du Trésor §1.62-2, le plan de remboursement de frais d'un employeur est qualifié de « plan justifié » — ce qui signifie que les remboursements ne sont pas un revenu imposable pour l'employé — seulement si trois conditions sont remplies : les dépenses ont un lien professionnel, l'employé fournit une justification adéquate dans un délai raisonnable (le délai de sécurité de l'IRS est de 60 jours), et tout remboursement excédentaire est restitué.

« Justification adéquate » signifie que la documentation doit indiquer le montant, la date, le lieu et l'objet professionnel de chaque dépense. Pour les frais d'hébergement de 75 $ ou plus, l'IRS §274(d) exige un reçu. Lorsqu'une note de frais arrive sous forme de PDF scanné avec des champs manquants ou illisibles — un montant manuscrit difficile à lire, une date ambiguë, une description de commerçant qui ne correspond pas au reçu — la documentation est insuffisante. Si la justification n'est pas adéquate, le remboursement peut être reclassé en salaire imposable pour l'employé, déclenchant des obligations de charges sociales et des pénalités potentielles pour l'employeur.

C'est là que la précision de l'extraction dépasse la simple productivité. Une extraction à 99 % des champs imprimés signifie que presque chaque montant et date est capturé correctement du premier coup — mais surtout, l'outil révèle les ambiguïtés au lieu de laisser passer des valeurs douteuses en silence. Si l'IA ne peut pas lire un montant manuscrit avec certitude, elle signale le champ pour révision humaine plutôt que de deviner. C'est qualitativement différent de la saisie manuelle, où les erreurs (fautes de frappe, inversions de chiffres, mauvaises catégories) ne sont jamais signalées — elles atterrissent directement dans le tableur de remboursement et ne sont détectées que plus tard, si jamais.

L'exposition financière n'est pas théorique. Selon les données de la GBTA, 19 % des notes de frais contiennent des erreurs, coûtant en moyenne 52 $ par note à corriger. Pour une entreprise traitant 2 000 notes par an, cela représente plus de 100 000 $ en coûts de correction — et certaines de ces erreurs entraînent des remboursements incorrects, des constats d'audit ou des non-conformités qui coûtent bien plus que le temps de correction lui-même.

FAQ

L'IA peut-elle vraiment lire les formulaires de notes de frais manuscrits ?

Oui — avec une nuance. Un modèle de vision large peut lire la plupart des écritures manuscrites, y compris la cursive, les lettres majuscules d'imprimerie et les annotations dans les marges. Il lit le contexte : si un formulaire comporte une étiquette imprimée « Nom de l'employé : » et un « Sarah Chen » manuscrit à côté, l'IA comprend cette relation et extrait « Sarah Chen » dans la colonne Nom de l'employé. Cependant, une écriture extrêmement illisible — celle qu'un collègue humain aurait aussi du mal à déchiffrer — produira encore des résultats incertains. Dans ces cas, l'outil signale le champ pour une vérification manuelle plutôt que de fournir une estimation. L'écriture manuscrite standard (lettres d'imprimerie, pas de cursive fluide) offre la meilleure précision.

Extrait-il les lignes individuelles des reçus ou seulement les totaux généraux ?

Les deux — en une seule passe. Lorsque vous spécifiez des colonnes comme Date de dépense, Commerçant, Description, Catégorie, Montant, l'IA localise chaque ligne d'article dans le tableau du rapport de dépenses et extrait les valeurs correspondantes. Les champs d'en-tête (Nom de l'employé, Service, Date du rapport, Remboursement total) sont extraits simultanément. Le résultat est une ligne par article de reçu, avec les métadonnées d'en-tête répétées dans chaque ligne — exactement le format attendu par les systèmes comptables pour l'importation.

Dois-je configurer un modèle pour chaque format de rapport différent des employés ?

Non. L'extraction des noms de colonnes est sans modèle. Vous spécifiez quelles données vous voulez (ex. : « Nom de l'employé », « Montant », « Catégorie »), et non où elles apparaissent sur la page. L'IA localise ces valeurs, que le formulaire soit un modèle standard d'entreprise, une feuille manuscrite ou un relevé de notes de frais tiers. Différents employés peuvent utiliser différents formats, sans configuration nécessaire par format.

Combien de rapports scannés puis-je traiter à la fois ?

Vous pouvez télécharger plusieurs PDF scannés en un seul lot — 10, 20 ou plus à la fois — et définir vos colonnes d'extraction une fois. L'IA traite tous les fichiers et consolide les résultats dans un seul tableau Excel. C'est particulièrement utile en fin de mois, lorsque les notes de frais de tous les employés arrivent vers la même échéance. La vitesse de traitement par page reste de 5 à 10 secondes, donc un lot de 20 rapports multipages se termine en quelques minutes, au lieu des heures qu'il faudrait pour les retaper manuellement.

Les données financières des employés sont-elles sécurisées pendant le traitement ?

Les fichiers téléchargés sont traités en mémoire et ne sont pas stockés sur le serveur après l'extraction. L'outil ne conserve pas les documents de notes de frais ni les données extraites au-delà de la session active. Pour les organisations ayant des exigences spécifiques en matière de traitement des données, le flux de traitement est conçu pour minimiser la persistance des données — le tableur de sortie est téléchargé directement sur votre machine, et aucune copie ne reste sur la plateforme.

Si votre équipe évalue aussi les coûts globaux du traitement manuel des dépenses, l'analyse des coûts de la saisie manuelle des paiements détaille les frais par transaction qui s'accumulent dans les flux de recouvrement — et partage des schémas structurels applicables au traitement des notes de frais. Pour les équipes qui gèrent les données de dépenses via plusieurs applications déconnectées, le problème de rapprochement entre plusieurs plateformes mérite d'être compris avant d'ajouter un outil supplémentaire à votre processus.