Vos employés envoient des captures d'écran de dépenses.
La compta passe 20 minutes à les saisir une par une.

Pourquoi les captures d'écran de dépenses sont plus complexes que les tickets de caisse papier

Un ticket de caisse papier a une structure prévisible. Le nom du commerçant est centré en haut. La date, l'heure et l'identifiant de transaction apparaissent dans un bloc compact en dessous. Les articles, le sous-total, la taxe et le total forment une colonne verticale sur le côté droit du ticket. Cette disposition est restée quasiment inchangée depuis trente ans — tous les systèmes de point de vente en Amérique du Nord impriment des tickets qui suivent à peu près le même modèle.

Une capture d'écran d'une transaction de dépense depuis un téléphone n'a rien de cette prévisibilité. Une confirmation de paiement Alipay place le nom du commerçant en gras en haut au centre, le montant dans un grand nombre coloré en dessous, le mode de paiement dans un badge bleu, et l'heure de la transaction en petit texte gris en bas — le tout à l'intérieur d'un cadre d'application de marque avec des barres de navigation, des icônes de barre d'état et une couleur d'arrière-plan. Une capture d'écran de l'application bancaire Chase place le nom du commerçant dans la colonne de gauche d'une liste de transactions, le montant à droite, et la date au-dessus dans une police différente — à l'intérieur d'une mise en page d'interface utilisateur complètement différente. Une confirmation par e-mail transférée sous forme de capture d'écran intègre les détails de la réservation dans le corps du texte, mélangés à des en-têtes de réponse et des blocs de signature.

Mêmes données de dépense — date, commerçant, montant, catégorie, mode de paiement — disposées dans trois mises en page visuelles complètement différentes provenant de trois sources de captures d'écran. C'est ce qui rend l'extraction par capture d'écran fondamentalement plus difficile que la numérisation de tickets : les données ne sont pas seulement à des positions différentes sur le même modèle. Elles sont intégrées dans des architectures d'information différentes — une interface de confirmation de transaction n'est pas une interface de relevé bancaire, qui n'est pas un corps d'e-mail. Un lecteur humain navigue cela sans effort car il comprend que « 47,19 $ » à côté d'une icône de café dans une application de paiement signifie la même chose que « 47,19 » dans la colonne « Montant » d'une liste de transactions bancaires. L'OCR traditionnel ne comprend pas cela. Il lit les caractères en séquence, de haut en bas, de gauche à droite — et sur une capture d'écran, la séquence n'a souvent aucun sens sémantique.

Le coût réel de la saisie de données à partir de captures d'écran : 58 $ par note de frais, un minimum

La référence de la Global Business Travel Association — 58 $ par note de frais, 20 minutes de traitement par note — a été mesurée en 2015 et reste la donnée la plus citée du secteur. SAP Concur la cite. Ramp la cite. Tous les éditeurs de gestion des notes de frais l'utilisent comme base. Mais l'étude de la GBTA mesurait un flux de travail large de déclaration de frais — de la soumission par l'employé à l'approbation du manager, jusqu'à la révision par la finance et le remboursement. Lorsque le justificatif de dépense arrive sous forme de capture d'écran ou de photo, le coût se concentre sur une seule étape : la transcription des données visibles dans le tableur.

La répartition de la même étude de la GBTA, ré-analysée par points de douleur : 54 % des acheteurs de voyages dans des entreprises sans logiciel de frais tiers ont identifié « la saisie des données » comme un problème majeur. 55 % ont identifié « la jointure des reçus ». La création des notes de frais (49 %) était le suivant le plus cité. Ces trois étapes — le front-end du processus de déclaration de frais — représentent la majorité des 20 minutes. La seule étape de « saisie des données », lorsque le justificatif est une capture d'écran sans données lisibles par machine, consomme environ 12 à 15 de ces 20 minutes par note.

Le taux d'erreur aggrave la situation. L'étude de la GBTA a révélé que 19 % des notes de frais contiennent des erreurs, et chaque correction coûte 52 $ et 18 minutes supplémentaires. La transcription de captures d'écran est particulièrement sujette aux erreurs : une confirmation d'application de paiement pour 47,19 $ devient 47,91 $ lorsque l'œil du responsable financier saute entre la capture d'écran sur un écran et le tableur sur un autre. Le nom du commerçant « Guangzhou Hengtong Logistics Co. » devient « Guangzhou Hengtong Logist » dans un champ tronqué. La date « 15/06/2026 » devient « 15/05/2026 » parce que l'horodatage de l'interface de la capture d'écran utilise un format que le lecteur a analysé trop rapidement.

L'Aberdeen Group a publié une analyse distincte évaluant le traitement manuel des notes de frais à 35,02 $ par note pour les petites entreprises — un chiffre qui tient compte de salaires en vigueur plus bas et de chaînes d'approbation plus simples. Combiné aux données de la GBTA, la fourchette est de 35 à 58 $ par note pour le traitement manuel, et le flux de travail basé uniquement sur les captures d'écran se situe dans la partie haute car il n'y a aucune donnée lisible par machine dans le pipeline. Chaque chiffre doit être saisi à partir d'une image.

Pour une entreprise de 30 employés soumettant en moyenne 1,2 écriture de frais par mois (un mélange de voyageurs fréquents et de soumetteurs occasionnels), cela représente 36 soumissions par mois. À 58 $ par note, le coût mensuel de transcription est de 2 088 $. Annualisé : 25 056 $ dépensés pour une tâche qu'un modèle d'IA visuelle peut effectuer en quelques secondes par capture d'écran — et le chiffre de 58 $ date de 2015. Ajusté à l'inflation salariale, l'équivalent actuel se rapproche plutôt de 70 $ par note.

Ce que l'OCR traditionnel et les applis de notes de frais ratent dans les captures d'écran

Depuis vingt ans, l'industrie des logiciels de gestion de notes de frais optimise ce qui se passe après l'entrée des données. L'approbation est automatisée. Les violations de politique sont signalées. Le remboursement est regroupé. Le goulot d'étranglement persiste avant que ces logiciels ne touchent aux données — quand la preuve de dépense existe sous forme de capture d'écran sur le téléphone d'un employé et que les données qu'elle contient n'ont aucune représentation lisible par machine.

Les programmes de cartes d'entreprise résolvent une partie du problème en renseignant automatiquement le nom du commerçant, la date et le montant à partir du flux du réseau de cartes. Mais ils créent leur propre lacune : le flux de la carte capture la transaction, pas le détail du reçu. Une addition de restaurant avec des plats partagés, une note d'hôtel avec le prix de la chambre plus les taxes plus le parking plus les frais de minibar, un paiement fournisseur réparti sur plusieurs codes comptables — tout cela nécessite le détail ligne par ligne que seul le document réel contient. Le réseau de cartes sait que 187,40 € ont été débités. Il ne sait pas que 120 € étaient pour la chambre, 18 € pour le parking, 11,40 € de taxes et 38 € pour le minibar qui nécessite sa propre catégorie de dépense.

Les applications mobiles de numérisation de reçus — la fonction "prenez en photo votre reçu" dans Expensify, Concur et autres — sont conçues pour les reçus papier. Un reçu papier a une forme physique cohérente : un ticket en papier thermique, généralement de 7 à 10 cm de large, avec du texte imprimé sur une ou deux colonnes. Le moteur de numérisation s'attend à ce format. Donnez-lui une capture d'écran d'une confirmation d'application de paiement — un rectangle au format 9×19,5 avec une barre de navigation en haut, une bannière colorée au milieu et un bouton de partage en bas — et le moteur ne sait pas quoi faire des éléments d'interface utilisateur. Il tente d'analyser le texte mais attribue mal le commerçant, le montant et la date car il cherche des motifs de reçu dans une mise en page d'interface.

C'est le décalage fondamental. L'OCR traditionnel et les scanners de reçus mobiles sont conçus pour les mises en page de documents. Les captures d'écran de dépenses sont des mises en page d'interface utilisateur d'application. Elles contiennent les mêmes données — une transaction a eu lieu chez ce commerçant à cette date pour ce montant — mais la grammaire visuelle est totalement différente. Ce qui rend un modèle d'IA visuelle capable de lire les deux est la même capacité qui permet aux humains de lire les deux : comprendre ce que chaque donnée signifie plutôt que de faire correspondre son emplacement sur un modèle appris.

Comment l'IA visuelle lit une capture d'écran différemment de l'OCR

L'OCR traditionnel traite une image en détectant des blocs contigus de motifs de pixels similaires — « ceci ressemble à du texte » — et exécute la reconnaissance de caractères sur chaque bloc. Le résultat est un flux plat de segments de texte avec des coordonnées de boîte englobante : (x:120, y:45) : "Starbucks", (x:300, y:87) : "12,45 $", (x:120, y:120) : "15/03/2026". Ce qui manque, c'est la relation entre ces morceaux de texte. L'OCR ne sait pas que "12,45 $" aux coordonnées (300, 87) est le montant de la transaction, que "Starbucks" à (120, 45) est le commerçant, ou que les deux appartiennent à la même transaction.

Un modèle d'IA visuelle — le type utilisé dans l'Extraction de colonnes personnalisées — lit la capture d'écran comme le ferait une personne. Lorsque vous définissez les noms de colonnes « Date », « Commerçant », « Montant », « Catégorie » et « Mode de paiement », l'IA ne recherche pas les coordonnées des pixels. Elle lit l'image entière de manière holistique — barres de navigation, bannières colorées, icônes d'état, blocs de texte, lignes de séparation, espaces blancs — et construit une compréhension sémantique : ceci est un écran de confirmation de paiement d'Alipay. Le grand nombre avec un symbole monétaire dans la carte centrale est le montant de la transaction. Le texte en gras au-dessus est le commerçant. L'horodatage en bas est la date. La balise bleue à côté du montant indique « Carte de crédit » — c'est le mode de paiement.

C'est le changement de paradigme par rapport à la description du produit — passer de l'extraction basée sur la position à l'extraction basée sur la sémantique. Les outils OCR et de modèles traditionnels demandent : « où se trouvent les données sur cette page ? » Ils vous obligent à dessiner une boîte autour du champ du montant, une autre autour du champ de la date, une troisième autour du champ du commerçant — un modèle par application. L'IA visuelle demande : « que signifient les données sur cette page ? » Elle identifie le montant en reconnaissant à quoi ressemble un montant en contexte — un nombre proéminent avec un indicateur de devise dans la section des détails de paiement d'un écran — indépendamment de l'application, de la mise en page ou de la taille d'écran spécifiques.

La compression temporelle à cette étape est la mesure clé. Ce qui prenait 12 à 15 minutes par capture — ouvrir l'image, lire les champs, les saisir dans la ligne du tableur, vérifier les chiffres, passer à l'image suivante — prend désormais 5 à 10 secondes de traitement IA par capture, plus quelques minutes pour télécharger le lot. Pour 37 soumissions, cela représente environ quatre minutes d'interaction avec l'outil au lieu de douze heures de saisie manuelle. Le benchmark de 20 minutes du GBTA s'effondre non pas parce qu'une partie du processus de dépenses a changé, mais parce que l'étape de transcription — qui consommait la majorité de ces 20 minutes — a été automatisée.

Conformité IRS : les captures d'écran satisfont-elles aux exigences de justification des dépenses ?

La réponse courte : oui — à condition qu'elles contiennent les éléments de données requis. Selon la Publication 463 de l'IRS et l'article 274(d) du Code des impôts, les déductions pour frais professionnels doivent être justifiées par des documents adéquats ou des preuves suffisantes. Pour chaque dépense, la documentation doit établir le montant, la date, le lieu et l'objet professionnel. Pour les repas et divertissements, la relation professionnelle des personnes concernées doit également être documentée.

Une capture d'écran numérique d'une confirmation de paiement satisfait à ces exigences exactement comme le ferait un reçu papier — l'IRS accepte les documents numériques, y compris les images électroniques et les captures d'écran, depuis la décision fiscale 2003-106, qui approuvait explicitement les reçus et notes de frais électroniques pour les régimes de remboursement sur justificatifs. La règle du reçu de 75 $ (IRC §274(d)) stipule que pour les dépenses inférieures à 75 $, un reçu n'est pas requis — mais le montant, la date, le lieu et l'objet professionnel doivent tout de même être enregistrés. Pour les dépenses de 75 $ ou plus, un reçu ou une preuve documentaire équivalente est obligatoire.

Ce que cela signifie pour votre flux de travail : une capture d'écran d'un repas à 47,19 $ n'exige pas légalement la conservation du reçu papier original, mais vous devez toujours enregistrer la date, le commerçant, le montant et l'objet professionnel dans un endroit accessible. Une capture d'écran d'une note d'hôtel de 312 $ exige la conservation — et une capture d'écran de la confirmation de paiement de l'hôtel, plus une capture d'écran du détail des lignes de la note, satisfait à l'exigence de preuve documentaire tant que les données sont lisibles et complètes.

La valeur pratique de l'extraction de données de captures d'écran dans un tableur structuré va au-delà de la simple satisfaction du fisc. Lorsque chaque ligne de dépense de votre tableur référence le nom du fichier d'origine — alipay_starbucks_march15.png, chase_hotel_marriott_march17.png — le lien entre les données et la preuve résiste à toute vérification future ou audit interne. Une personne ouvrant le tableur trois ans plus tard (la durée de conservation recommandée par le fisc pour les justificatifs de dépenses) peut retrouver la capture d'écran source par son seul nom de fichier, sans avoir à re-parcourir chaque image. C'est ce à quoi ressemble l'intégrité de la piste d'audit lorsque vos justificatifs de dépenses sont purement numériques.

À quoi ressemble un traitement de fin de mois

Prenons un scénario réel : un cabinet de conseil de 40 personnes, sans programme de carte d'entreprise ni logiciel de gestion des dépenses. Les employés soumettent leurs justificatifs via trois canaux : un canal Slack d'entreprise (#expenses), des pièces jointes par e-mail, et — pour les consultants terrain — des messages WeChat directement au responsable financier. À la fin du mois de mars, le responsable télécharge le tout dans un dossier.

Le dossier contient : 14 captures d'écran de confirmation de paiement Alipay/WeChat Pay ; 9 photos de reçus papier prises avec un téléphone ; 6 confirmations par e-mail de réservations d'avion et d'hôtel, transférées sous forme de captures d'écran ; 4 captures d'écran de relevés de transactions bancaires ; 3 factures PDF de fournisseurs ; et 2 photos de relevés kilométriques manuscrits. Soit 38 fichiers, au moins cinq formats visuels distincts, contenant les mêmes données de base — date, commerçant/fournisseur, montant, catégorie, mode de paiement — disposées dans cinq mises en page complètement différentes.

Traitement de ce lot par transcription manuelle : le responsable ouvre chaque fichier, lit les champs, les saisit dans le tableur principal. Le changement de format est la taxe cachée. La lecture d'une confirmation Alipay — nom du commerçant en gras en haut au centre, montant en gros caractères colorés — habitue l'œil à un certain agencement. Puis le fichier suivant est un relevé bancaire avec les montants dans une colonne, les commerçants dans une autre, les dates au-dessus — un schéma de lecture complètement différent. L'œil doit se réadapter. Au fichier 20, les erreurs grimpent. Au fichier 30, le responsable commet des erreurs qu'il n'aurait pas faites au fichier 5. Le taux d'erreur de 19 % du GBTA n'est pas réparti uniformément — il se concentre dans la seconde moitié d'une session de traitement par lots, alimenté par la fatigue due aux changements de format.

Traitement du même lot par extraction IA : téléchargez les 38 fichiers en une seule fois. Définissez les colonnes — Date, Fournisseur, Montant, Catégorie, Mode de paiement, Objet professionnel. L'IA lit chaque fichier en comprenant la signification des données, trouve les valeurs correspondantes dans cinq mises en page visuelles différentes, et produit un tableur avec 38 lignes. Le travail restant du responsable financier est la vérification et l'approbation — des tâches qui nécessitent du jugement et une connaissance des politiques — plutôt que la transcription, qui n'en nécessite aucune.

La différence de coût à cette échelle : 38 captures d'écran × 20 minutes de travail manuel = 760 minutes (12,7 heures). Au taux horaire chargé du responsable financier d'environ 30 $, cela représente 381 $ de main-d'œuvre de transcription pour un mois. Annualisé sur 12 mois : 4 572 $ dépensés pour une tâche qu'un outil d'IA effectue en moins de cinq minutes d'interaction active par mois.

Trois erreurs de transcription propres aux captures d'écran

Toutes les erreurs de notes de frais ne se valent pas. La transcription de captures d'écran introduit trois modes de défaillance spécifiques que les reçus papier et les flux de cartes d'entreprise ne produisent pas :

1. Contamination par les éléments d'interface

Une capture d'écran d'application de paiement contient les données de transaction — mais aussi la barre de navigation de l'application (« Retour », « Partager », « Détails »), une barre d'état avec l'heure et le niveau de batterie, parfois une animation flottante « Succès », et le panneau de notifications du téléphone si la capture a été prise rapidement. L'OCR traditionnel lit tout cela comme du texte. Le libellé d'un bouton « Retour » est extrait comme un champ. Le pourcentage de batterie « 73 % » est interprété comme un montant en dollars. L'heure dans la barre d'état — « 14:31 » — est confondue avec l'heure de la transaction.

L'IA visuelle distingue le chrome applicatif du contenu applicatif car elle comprend la grammaire visuelle d'un écran : les barres de navigation sont en haut et en bas avec un style cohérent, les icônes d'état sont dans un coin spécifique, les données de transaction sont dans la zone de contenu centrale avec une typographie et un espacement différents. La distinction évidente pour un humain — « ceci fait partie de l'application, ceci est la donnée que je veux » — fait partie de ce que le modèle d'IA apprend à séparer.

2. Ambiguïté des symboles et formats monétaires

Les entreprises internationales reçoivent des captures d'écran de notes de frais dans plusieurs devises. Un employé coréen soumet une capture KakaoPay avec « ₩47 000 » — 47 000 KRW, pas 47 000 USD (environ 32 $). Un employé japonais soumet une capture PayPay avec « ¥1 280 » — 1 280 JPY, environ 8 $. Un employé allemand soumet une capture bancaire où « 1.280,50 € » utilise la notation européenne des milliers/décimales — potentiellement mal interprété comme 1,28 $ par un moteur OCR américain configuré par défaut sur le format US.

Lorsque l'IA visuelle extrait ces champs, la compréhension contextuelle de l'application — KakaoPay est une application de paiement coréenne, PayPay est japonaise, une application bancaire allemande Sparkasse utilise les paramètres régionaux allemands — guide l'interprétation. L'IA extrait « 1280 » comme valeur numérique et préserve le contexte de la devise, permettant au tableur de sortie de normaliser entre les devises lors d'une étape de post-traitement. L'OCR traditionnel produit « 1.280,50 » ou « ¥1 280 » comme chaînes de texte brutes que quelqu'un doit ensuite normaliser manuellement — une étape manuelle elle-même sujette aux erreurs.

3. Classification des catégories comme étape manuelle distincte

Une note de frais ne nécessite pas seulement les données de transaction, mais aussi la catégorie de dépense : Repas & Divertissements, Voyage, Fournitures de bureau, Services professionnels, ou les codes GL spécifiques de l'entreprise. Avec la transcription manuelle, c'est un jugement que le responsable financier porte pour chaque ligne. « Starbucks — c'est Repas. Office Depot — Fournitures. Uber — Voyage. » Cela ajoute 5 à 10 secondes de charge cognitive par ligne et introduit des incohérences lorsque différents relecteurs catégorisent le même commerçant différemment.

L'extraction par IA peut gérer cela en une seule passe grâce à un mécanisme appelé Colonnes Inférées. Lorsque vous définissez une colonne comme Catégorie (options : Repas/Transport/Bureau/Autre), l'IA lit le nom du commerçant, le contexte de la transaction et le type de document, et déduit la catégorie la plus probable parmi les options fournies — sans nécessiter d'étape de catégorisation distincte. L'inférence fonctionne selon les règles que vous définissez (limitées à l'ensemble d'options que vous spécifiez), de sorte que le résultat est cohérent sur l'ensemble du lot. La même capacité sous-jacente peut déduire le mode de paiement, le code GL, le service ou toute classification métier basée sur le contenu du document.

Liens de collecte : ne plus recevoir de captures d'écran par e-mail et Slack

Le problème structurel plus profond n'est pas la transcription, c'est le canal de soumission. Lorsque les employés soumettent des captures d'écran de frais par e-mail, Slack, WeChat et SMS, le travail de l'équipe financière commence par une phase de téléchargement et de tri qui n'a rien à voir avec la comptabilité : collecter les fichiers de quatre plateformes différentes, les renommer pour la traçabilité, les regrouper par employé, identifier les soumissions complètes et celles qui sont incomplètes.

Un Lien de collecte résout ce problème en fournissant un point de soumission unique. Le responsable financier génère un lien — une URL unique — et l'envoie aux employés. Lorsqu'un employé ouvre le lien dans le navigateur de son téléphone, il saisit un code de vérification court et télécharge ses captures d'écran de frais directement via le navigateur. Les fichiers atterrissent dans la file d'attente de traitement du responsable financier, étiquetés par heure de téléchargement et nom de fichier, organisés dans une vue unique. Plus de pièces jointes à télécharger. Plus de fils Slack à parcourir. Plus de captures d'écran de chaînes de SMS transférées.

Pour les équipes terrain et les sous-traitants externes qui n'ont pas d'adresse e-mail professionnelle, cela élimine le mode d'échec de soumission le plus courant : « Je l'ai envoyé, tu l'as reçu ? » Le lien de collecte est une destination fixe. Le téléchargement est confirmé à l'écran. Le responsable financier peut voir exactement quels employés ont soumis et lesquels ne l'ont pas fait, avant même que le traitement ne commence.

Extension Google Sheets : Extraction directe dans votre feuille de dépenses

Pour les équipes financières qui vivent dans Google Sheets — et selon le modèle de flux de dépenses le plus courant que nous observons chez les PME et les entreprises de taille intermédiaire, cela décrit une part substantielle des équipes traitant moins de 200 notes de frais par mois — l'extension Google Sheets élimine complètement l'étape d'exportation et d'importation. L'extension s'ouvre sous forme de panneau latéral dans n'importe quelle feuille Google. Importez directement des captures d'écran de dépenses dans le panneau, définissez vos colonnes, traitez le lot, et les données extraites s'ajoutent directement à la feuille active — pas de téléchargement de fichier, pas de conversion Excel vers Sheets, pas de copier-coller entre fenêtres.

L'extension fonctionne en mode compte lorsqu'elle est connectée à une clé API : les modèles, les règles de correspondance et l'historique de traitement se synchronisent avec l'application web. Les membres de l'équipe ayant un accès en modification à la feuille de calcul peuvent importer et traiter dans le cadre de leurs quotas individuels. Le résultat est une feuille de calcul unique — partagée au sein de l'équipe financière — où les données de dépenses arrivent à partir de captures d'écran et de photos de reçus sans que personne ne saisisse un seul champ.

Essayez-la sur de vraies captures d'écran de dépenses

La meilleure façon d'évaluer si l'extraction par IA fonctionne sur votre combinaison spécifique de captures d'écran de dépenses est de la tester avec des fichiers réels. La démo ci-dessous utilise le préréglage expense-report — colonnes préconfigurées pour Date, Commerçant, Montant et Catégorie — mais vous pouvez ajouter, supprimer ou renommer n'importe quelle colonne pour correspondre à votre propre feuille de dépenses. Aucune inscription requise. Aucune carte de crédit. Les fichiers sont traités en quelques secondes et ne sont pas conservés au-delà de la session.

Combien ça coûte

ImageToTable.ai propose quatre formules. Le plan Gratuit comprend 50 crédits par mois — assez pour qu'une petite équipe traite quelques captures d'écran de dépenses et évalue si la qualité d'extraction répond à ses besoins. Le plan Basique à 9 $/mois couvre 500 crédits mensuels, adapté à une équipe traitant 100 à 200 notes de frais par mois. Le plan Pro à 19 $/mois offre 2 000 crédits, couvrant le traitement par lots à des volumes plus élevés, y compris les folios d'hôtel PDF multipages et les factures fournisseurs qui nécessitent plus de crédits par document. Le plan Max à 59 $/mois fournit 10 000 crédits pour les équipes financières à volume élevé et inclut un traitement prioritaire. Tous les plans payants incluent l'accès à l'extension Google Sheets, la gestion des modèles et l'exportation par lots.

Par rapport au coût de traitement manuel de 35 à 58 $ par note de frais, l'abonnement est rentabilisé dès les cinq à dix premières soumissions de dépenses du mois. Un plan Pro à 19 $/mois traite le même volume de données de dépenses qui coûterait à une équipe financière environ 1 260 $ en travail de transcription manuelle au tarif PME d'Aberdeen. Le calcul n'a pas besoin d'un tableur — vous pouvez le faire de tête.

Questions fréquentes

L'extraction par IA peut-elle lire des captures d'écran en chinois, japonais, coréen ou d'autres langues non anglaises ?

Oui. Le modèle d'IA visuelle traite le texte dans toutes les langues principales, y compris le chinois (simplifié et traditionnel), le japonais, le coréen, l'arabe, le thaï, le vietnamien et toutes les langues européennes. Les captures d'écran d'applications de paiement comme Alipay, WeChat Pay, KakaoPay, PayPay et autres applications régionales sont prises en charge. Le modèle extrait les données dans la langue source et peut conserver le texte d'origine — ainsi, un nom de commerçant chinois sur une capture Alipay apparaît en chinois dans le fichier de sortie, et non en translittération.

Quelle est la différence avec la fonction « Obtenir des données à partir d'une image » d'Excel ?

La fonction « Obtenir des données à partir d'une image » d'Excel extrait tout le texte visible d'une image dans une grille non structurée — elle capture tout ce que l'OCR peut lire et le place dans des cellules selon approximativement la même disposition spatiale que l'image d'origine. Elle ne fait pas la différence entre « ceci est le montant qui m'intéresse » et « ceci est le texte de la barre de navigation ». Pour une capture d'écran avec 15 éléments de texte visibles, vous obtenez 15 cellules. Vous devez ensuite trouver, extraire et réorganiser les données spécifiques dont vous avez besoin. L'extraction par IA avec des colonnes personnalisées extrait uniquement les champs que vous spécifiez — Date, Montant, Commerçant, Catégorie — et les organise directement dans la structure de colonnes que vous avez définie, prêts à l'emploi.

Fonctionne-t-elle sur des captures d'écran de mauvaise qualité — images compressées transmises via des applications de messagerie ?

Les artefacts de compression des applications de messagerie (WeChat, WhatsApp, Slack recompressent toutes les images) réduisent la qualité de l'image, et à des niveaux de compression sévères, les petits caractères peuvent devenir illisibles. Le modèle d'IA donne les meilleurs résultats avec des captures d'écran claires en résolution originale — la qualité obtenue lorsqu'un employé prend une capture d'écran directement sur son téléphone et la télécharge sans la transmettre via une application de chat. Si le texte est lisible à l'œil humain sur l'image compressée, l'IA peut généralement l'extraire. Si la compression a transformé le texte en blocs de pixels illisibles, la qualité d'extraction se dégradera.

Puis-je utiliser le même outil pour traiter les reçus papier et les captures d'écran ?

Oui. L'outil traite les captures d'écran, les photos de reçus, les relevés PDF et les documents scannés dans un même lot — vous n'avez pas besoin d'outils séparés pour différents types d'entrée. Téléchargez ensemble la capture d'écran Alipay, la photo du reçu papier et le relevé hôtelier PDF. Définissez vos colonnes une fois — Date, Commerçant, Montant, Catégorie — et chaque ligne du tableur de sortie représente un document traité, quelle que soit la source (capture d'écran numérique, photo de reçu ou PDF).

Comment cela s'intègre-t-il avec QuickBooks, Xero ou notre ERP ?

L'outil produit des fichiers Excel (XLSX) et CSV, importables par tous les grands systèmes comptables. QuickBooks Online et Xero acceptent les importations CSV et Excel pour les transactions de dépenses. Pour les ERP avec des formats d'importation personnalisés, les données extraites peuvent servir de source structurée et nettoyée alimentant votre pipeline d'importation existant. L'outil se place avant votre système comptable dans le flux de travail — il produit des données structurées à partir de captures d'écran non structurées, et ces données structurées transitent par votre processus normal d'importation et de rapprochement.

Que deviennent les fichiers de capture d'écran après le traitement ?

Les fichiers téléchargés sont traités en mémoire et ne sont pas stockés sur le serveur au-delà de la session de traitement active. Vous pouvez supprimer les tâches traitées à tout moment depuis votre tableau de bord, ce qui supprime du serveur les données extraites et les fichiers sources. Pour une conformité continue, nous recommandons de conserver les captures d'écran sources dans votre propre stockage — un dossier Google Drive, une bibliothèque de documents SharePoint ou votre serveur de fichiers — avec la colonne de référence du nom de fichier du tableur de sortie fournissant le lien de piste d'audit vers chaque fichier source.

En résumé

Les captures d'écran de dépenses ne disparaîtront pas. Les employés continueront à soumettre leurs justificatifs de dépenses comme leurs téléphones les produisent naturellement — confirmations d'applications de paiement, captures d'écran de transactions bancaires, photos de reçus, e-mails transférés. Chacune de ces captures d'écran contient des données que quelqu'un de votre équipe financière lit actuellement puis saisit dans un tableur, pour un coût d'environ 35 à 58 dollars par rapport. Ce coût n'est pas visible car il est intégré au salaire — quelqu'un fait ce travail, le travail est fait, et le coût est absorbé par la masse salariale de l'équipe financière. Mais le coût est réel, et le montant annuel, même pour une petite équipe, atteint cinq chiffres.

L'extraction par IA visuelle ne change pas le flux de travail de déclaration de dépenses. Elle change l'étape qui consommait 60 à 70 % du temps : la transcription des données visibles d'une image en une ligne dans un tableur. Lorsque cette étape passe de 15 minutes à 10 secondes, la référence change. Et l'équipe financière qui passait 12 heures par mois à lire des captures d'écran commence à consacrer ce temps à des tâches qui nécessitent un véritable jugement financier.