L’outil a reconnu le fournisseur, la date et le montant. Son score de confiance est élevé. Cela signifie qu’il a probablement bien extrait ces champs, pas qu’il faut autoriser le paiement.

L’OCR de factures automatise une partie de la saisie. Son intérêt est réel lorsque l’équipe reçoit des documents nombreux et variables. Le contrôle de l’opération reste une autre fonction.

En bref — Séparez extraction, rapprochement et paiement. Un champ bien lu peut provenir d’un document erroné ou d’une demande non autorisée.

Microsoft documente des modèles capables d’extraire des champs de facture et des indicateurs de confiance. Cette information décrit la sortie d’un modèle. Elle ne vérifie pas à elle seule que le fournisseur a livré, que la facture n’a pas déjà été traitée ou que le compte bancaire est autorisé.

Il faut organiser ces vérifications explicitement.

Une première étape consiste à comparer les références avec les données de l’entreprise : fournisseur connu, commande attendue et document déjà enregistré. Le nom commercial seul est un rapprochement fragile. Plusieurs sociétés peuvent avoir des noms proches ; un même fournisseur peut changer la présentation de ses factures.

La détection des doublons doit combiner des identifiants fiables et une règle documentée. Une facture corrigée ne doit pas devenir un paiement supplémentaire par défaut. À l’inverse, deux documents différents ne doivent pas être fusionnés simplement parce qu’ils portent le même montant.

Le champ sensible : les coordonnées de paiement

Un changement de coordonnées bancaires mérite un circuit distinct. Ne le validez pas uniquement avec les informations de contact figurant dans le message qui demande la modification. Faites vérifier la demande par un interlocuteur et un canal déjà connus, selon votre procédure interne.

L’outil d’extraction peut aider à signaler l’écart. Il ne remplace pas cette vérification.

Dans un exemple fictif, une facture habituelle arrive avec un nouveau compte de paiement. Tous les champs sont lisibles et correctement reconnus. Le score de l’OCR ne baisse pas, parce que la difficulté n’est pas une erreur de lecture. Sans règle de contrôle séparée, l’automatisation accélère précisément l’action qui aurait dû être suspendue.

Les différences entre document source et extraction OCR doivent également rester visibles. L’opérateur chargé de vérifier un champ doit pouvoir ouvrir la bonne page, plutôt que comparer un tableau de valeurs à une miniature illisible.

Pour choisir une solution, utilisez un lot représentatif : plusieurs mises en page, factures multi-pages, avoirs, mentions peu lisibles et fournisseurs aux noms proches. Les documents doivent être anonymisés ou utilisés dans un environnement autorisé.

Mesurez les erreurs par type de champ. Un taux global de reconnaissance peut cacher des faiblesses sur les montants ou les références, alors que des dizaines de libellés secondaires sont corrects. Relevez aussi le temps consacré aux exceptions : c’est lui qui détermine une partie du travail restant.

Fixez enfin les responsabilités. Qui corrige l’extraction ? Qui valide le rapprochement ? Qui autorise le paiement ? Une seule personne ne devrait pas obtenir tous ces droits par simple commodité technique.

Une exception récurrente peut signaler un problème de référentiel plutôt qu’un mauvais modèle d’extraction. Si le fournisseur est reconnu correctement mais jamais rapproché, examinez les identifiants et règles de correspondance. Corriger manuellement chaque facture peut cacher cette cause. Réservez dans le suivi un motif d’erreur compréhensible : lecture, donnée manquante, rapprochement ou validation. Les actions d’amélioration ne seront pas les mêmes pour ces quatre situations.

L’automatisation utile réduit les ressaisies et fait ressortir les anomalies. Elle devient risquée lorsqu’un bon score de lecture est traité comme une approbation de l’opération entière. C’est cette frontière qu’un projet doit définir avant son lancement.