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 d'entreprise, le problème de capture des données est en grande partie résolu. Le débit 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 d'entreprise.

Dans de nombreuses organisations — en particulier les entreprises de taille moyenne, les entreprises de services sur site, les sociétés de construction et les organisations à but non lucratif — les employés paient de leur poche et soumettent un formulaire de note de frais papier en fin de mois. Ils remplissent leur nom, leur identifiant employé, leur département, la plage de dates et un tableau de lignes de détail : date de chaque dépense, commerçant, description, catégorie et montant. Ils joignent les reçus, numérisent l'ensemble et l'envoient par e-mail en PDF. Quelqu'un aux RH ou aux finances 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 formulaires numérisés — et les deux sont fondamentalement différents. Un lecteur de reçus extrait trois champs (date, montant, vendeur) d'une seule image. Un formulaire de note de frais numérisé nécessite d'extraire les métadonnées d'en-tête et un tableau de lignes de détail multi-rangées du même document, en une seule passe. Rien sur le marché grand public n'a été conçu pour cela — jusqu'à l'extraction documentaire basée sur l'IA qui fonctionne en comprenant ce que signifient les champs plutôt que leur position sur la page.

Selon la Fondation GBTA, l'entreprise moyenne traite 51 000 notes de frais chaque année. À 58 $ par note, cela représente près de 3 millions de dollars en coûts de traitement — et environ un demi-million de dollars de ce montant est consacré uniquement à la correction des erreurs. Une organisation qui traite même 500 notes de frais papier numérisées par mois a besoin d'un moyen d'éliminer l'étape de ressaisie sans reconstruire tout son flux de travail de dépenses autour d'une nouvelle plateforme.

Pourquoi les formulaires scannés brisent 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 faites passer une note de frais scannée dans un OCR traditionnel, vous obtenez un mur de texte. Le logiciel ne sait pas que « John Smith » 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 de détail 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 va là. » Mais cette approche s'effondre lorsque le prochain employé utilise un modèle de note de frais différent, ou écrit à la main dans les marges, ou scanne à un angle différent. Chaque variation de format nécessite un nouveau modèle. Pour une équipe qui reçoit des formulaires de dizaines ou de centaines d'employés de différents services, la gestion des modèles devient un travail administratif à part entière.

Le problème plus profond est que les formulaires de note de frais mélangent texte imprimé et écriture manuscrite de manière imprévisible. Le formulaire lui-même peut être imprimé (avec des étiquettes comme « Nom de l'employé », « Date », « Montant »), mais les valeurs remplies 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 la page additionne les lignes de détail au-dessus, ou que la signature indique que le rapport est prêt pour approbation.

Ce qui rend enfin possible l'extraction de notes de frais scannées, c'est une approche différente : l'extraction par nom de colonne alimentée par un VLM (modèle de vision par IA). Au lieu de dire au logiciel où regarder, vous lui dites ce que vous voulez — vous saisissez les noms de 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 de détail, pas 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 modèle.

Étape par étape : extraire des données d'une note de frais scannée

Voici le flux de travail réel, de bout en bout. Les étapes suivantes supposent que vous disposez d'un PDF de note de frais scanné — le genre que vous recevez d'un employé qui a rempli un formulaire papier, joint des reçus, l'a scanné et vous l'a envoyé par e-mail.

La principale différence par rapport à la saisie manuelle : une seule note de frais scannée avec 8 à 10 lignes de détail prend environ 15 à 20 minutes à ressaisir 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 représente la différence entre 33 heures de saisie de données et environ 15 minutes de temps de vérification.

À quoi ressemble le résultat : avant vs. après

Pour rendre cela concret, voici la transformation. Une note de frais scannée typique en PDF contient toutes les données dont une équipe financière a besoin — mais enfermées dans un format non structuré qui exige une extraction manuelle :

Le résultat est un tableur structuré où chaque ligne de détail occupe une rangée, avec des colonnes correspondant exactement à ce que vous avez spécifié. Pour un rapport avec 10 reçus, vous obtenez 10 rangées de données propres et catégorisées — pas un mur de texte issu de l'OCR qu'il faut encore analyser et organiser. Les en-têtes de colonnes sont ceux que vous avez saisis à l'étape 2, ce qui signifie que le tableur est immédiatement au format attendu par votre logiciel comptable, sans reformatage.

Pour les équipes qui traitent des rapports en volume, le traitement par lots gère plusieurs notes de frais d'employés en un seul téléversement. Vous glissez 20 PDF scannés d'un coup, spécifiez vos noms de colonnes une seule 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 se multiplient au-delà de ce que la plupart des équipes attendent au départ. Pour un aperçu plus approfondi du flux de travail par lots sur les formats de notes de frais, notre guide sur le traitement des captures d'écran de notes de frais 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 temps gagné, il existe une raison de conformité pour bien faire l'extraction des données des notes de frais : les règles du régime de responsabilité de l'IRS. En vertu du règlement du Trésor §1.62-2, le régime de remboursement des frais d'un employeur est considéré comme un « régime de responsabilité » — ce qui signifie que les remboursements ne constituent pas un revenu imposable pour l'employé — uniquement si trois conditions sont remplies : les dépenses ont un lien avec l'activité professionnelle, 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.

Une « 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 du 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, ce qui déclenche des obligations de charges sociales et des pénalités potentielles pour l'employeur.

C'est là que la précision de l'extraction devient plus qu'une simple mesure de productivité. Une extraction précise à 99 % des champs imprimés signifie que presque tous les montants et dates sont capturés correctement du premier coup — mais plus important encore, l'outil signale les ambiguïtés plutôt que de transmettre silencieusement des valeurs douteuses. Si l'IA ne peut pas lire avec certitude un montant manuscrit, elle signale le champ pour examen humain plutôt que de deviner. C'est qualitativement différent de la saisie manuelle, où les erreurs de saisie (fautes de frappe, chiffres inversés, mauvaises catégories) ne sont pas du tout signalées — elles vont directement dans le tableur de remboursement et sont détectées plus tard, si tant est qu'elles le soient.

L'exposition financière n'est pas théorique. Les données de la Fondation GBTA montrent que 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 constatations d'audit ou des manquements à la conformité qui coûtent bien plus que le temps de correction lui-même.

FAQ

L'IA peut-elle vraiment lire des notes de frais manuscrites ?

Oui — avec une nuance. Un VLM (modèle de vision par IA) peut lire la plupart des écritures manuscrites, y compris l'écriture cursive, les lettres majuscules détachées et les annotations en marge. 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 — le genre 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 générer une supposition. Une écriture manuscrite standard (lettres détachées, pas d'écriture cursive fluide) donne la meilleure précision.

Extrait-il les lignes de détail individuelles des reçus ou seulement les totaux d'en-tête ?

Les deux — en une seule passe. Lorsque vous spécifiez des colonnes comme Date de dépense, Commerçant, Description, Catégorie, Montant, l'IA localise chaque ligne de détail dans le tableau de la note de frais et extrait les valeurs correspondantes. Les champs au niveau de l'en-tête (Nom de l'employé, Département, Date du rapport, Remboursement total) sont extraits simultanément. La sortie contient une ligne par ligne de détail de reçu, avec les métadonnées d'en-tête répétées dans chaque ligne — ce qui est exactement le format attendu par les systèmes comptables pour l'importation.

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

Non. L'extraction par nom de colonne est sans modèle. Vous spécifiez quelles données vous voulez (par ex., « Nom de l'employé », « Montant », « Catégorie »), pas où elles apparaissent sur la page. L'IA localise ces valeurs, que le formulaire soit un modèle d'entreprise standard, une feuille manuscrite ou un relevé imprimé d'un outil tiers de suivi des dépenses. Différents employés peuvent utiliser différents formats, et vous n'avez rien à configurer par format.

Combien de notes de frais scannées puis-je traiter à la fois ?

Vous pouvez téléverser plusieurs PDF scannés en un seul lot — 10, 20 ou plus à la fois — et définir vos colonnes d'extraction une seule 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 autour de 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 plutôt qu'en heures de ressaisie manuelle.

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

Les fichiers téléversés sont traités en mémoire et ne sont pas stockés sur le serveur une fois l'extraction terminée. L'outil ne conserve pas les 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 fichier de sortie est téléchargé directement sur votre machine et aucune copie n'est conservée sur la plateforme.

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