Ce que nous avons appris en branchant un agent IA sur un flux de notes de frais réel
Pas une démo. Pas un chatbot. Un agent autonome capable de lire un reçu, croiser les données carte, interroger la politique T&E et décider — valider, escalader ou rejeter — avec une justification en langage naturel. Voici ce que ça donne vraiment.
Pourquoi les notes de frais sont un terrain idéal pour l'agentique
La note de frais souffre d'un paradoxe : c'est un processus répétitif, avec des règles relativement stables, mais qui génère une quantité de friction humaine disproportionnée. Les équipes comptables passent un temps considérable à vérifier des achats de 15 € au McDo, pendant que des notes de représentation de 800 € passent sans sourciller parce qu'elles sont bien rédigées.
C'est exactement le type de tâche pour lequel un agent IA bien conçu apporte une valeur immédiate : des règles explicites, un volume suffisant pour que l'automatisation soit rentable, et un besoin réel de cohérence dans le traitement.
L'architecture déployée repose sur quatre sources d'entrée — le reçu numérisé, la transaction carte, la politique T&E de l'entreprise, et le contexte SAP Concur du collaborateur — que l'agent synthétise pour produire l'une de trois sorties : validation automatique, escalade au manager avec justification, ou rejet avec message explicatif.
Architecture du flux agentique — de la soumission à la décision
:::
Phase 1 — Encoder la politique, c'est déjà un audit
La première étape a semblé simple : donner à l'agent les règles de la politique de dépenses. En pratique, c'était un miroir impitoyable.
La politique T&E de l'entreprise cliente faisait 34 pages. En la transformant en règles interrogeables, nous avons découvert des contradictions internes (un plafond d'hôtel défini à deux endroits avec des valeurs différentes), des zones blanches (que faire d'un abonnement annuel fractionné en mensualités ?), et des règles de bonne intention mais inapplicables sans contexte.
Encoder la politique pour un agent, c'est l'auditer pour la première fois. Ce travail produit un référentiel unique utilisé aussi bien par l'agent que par les managers lors d'escalades.
Préparation des données et de la politique T&E
Shadow mode — décisions parallèles sans risque
Calibration des seuils et règles d'escalade
Production avec supervision humaine
Phase 2 — Le shadow mode, ou comment apprendre sans risquer
Avant de laisser l'agent prendre des décisions réelles, nous avons fonctionné en shadow mode pendant quatre semaines : l'agent traitait toutes les notes de frais en parallèle des humains, sans que ses décisions ne soient appliquées. Les deux flux étaient comparés chaque jour.
Le taux de concordance initial était de 71 %. L'analyse des désaccords a été instructive : 60 % des divergences venaient de règles ambiguës que l'agent interprétait strictement là où les humains faisaient du cas par cas non documenté. 25 % venaient de cas légitimes que l'agent ne savait pas encore traiter. 15 % étaient des erreurs humaines que l'agent avait correctement identifiées.
Le shadow mode révèle non seulement les limites de l'agent, mais aussi les incohérences de vos processus humains.
La vraie surprise : le taux d'escalade
Nous avions estimé qu'environ 8 à 10 % des notes de frais nécessiteraient une intervention humaine. La réalité : 18 %. Deux fois plus.
Cela ne signifie pas que l'agent était trop prudent. Cela signifie que nous avions sous-estimé la proportion de cas réellement ambigus dans un flux T&E standard. Ces 18 % correspondent exactement aux situations où un humain, avant l'agent, prenait une décision rapide sans vraiment analyser — souvent dans le sens de la validation pour éviter la friction.
> « Le montant de ce repas (142 € pour une personne) dépasse le plafond repas d'affaires (80 €) fixé dans la politique du 15 mars 2024. Un contexte de représentation client justifierait-il une exception ? »
Les managers ont signalé que ces messages précis réduisaient le nombre d'allers-retours pour obtenir des clarifications.
Un bon agent IA n'est pas celui qui automatise le plus, c'est celui qui escalade intelligemment — avec le contexte nécessaire pour que l'humain décide vite et bien.
Bilan de l'expérimentation — ce que l'agent maîtrise, ce qui reste à résoudre
- Détection des doublons de reçus (>95 % précision)
- Matching reçu ↔ transaction carte sur montant + date + devise
- Catégorisation automatique selon politique interne
- Rédaction des messages de rejet en langage naturel
- Cohérence du traitement 24/7, sans variance humaine
- L'agent a détecté des incohérences de politique que les humains laissaient passer
- La qualité des justifications d'escalade a réduit les allers-retours manager
- Les cas ambigus ont révélé des zones grises non documentées dans la politique
- Le taux d'escalade réel (18 %) était 2× plus élevé qu'estimé
- Frais multi-devises avec TVA étrangère : erreurs de conversion
- Contexte « note de représentation » difficile à inférer sans historique
- Reçus manuscrits ou photographiés de biais : OCR défaillant en amont
- Hallucination de règle sur des cas extrêmes non vus en test (<0,5 %)
- −73 % de temps de traitement pour les dépenses conformes
- Audit trail complet et homogène sur chaque décision
- Mise à jour de la politique T&E facilitée : un seul point de vérité
- Données d'anomalies agrégées → insights trimestriels pour la DAF
Les gains réels, chiffrés sobrement
Chaque décision produit un audit trail complet, horodaté, avec la justification textuelle. Pour une DAF soumise à des obligations d'audit, c'est un changement structurel. Les données d'anomalies agrégées — catégories de dépenses qui déclenchent le plus d'escalades, profils atypiques, fournisseurs récurrents hors politique — sont devenues une source d'insights trimestriels.
Ce que l'agent ne sait pas encore faire
La transparence s'impose. Les frais multi-devises avec TVA étrangère dépassent les capacités actuelles : il faut un pipeline de conversion en temps réel fiable et une connaissance des règles de récupération de TVA par pays. Les reçus de mauvaise qualité dégradent l'OCR en amont — l'agent détecte l'incertitude et escalade, mais cela crée un volume d'escalades évitables.
Enfin, quelques cas extrêmes non vus à l'entraînement ont produit des raisonnements incorrects : l'agent a cité une règle qui n'existait pas, en en reconstruisant une logique à partir du contexte. Ces cas sont rares (< 0,5 %) mais critiques pour la confiance — ce qui justifie de maintenir un humain dans la boucle sur les décisions à fort enjeu.
Et maintenant ?
La prochaine étape de notre roadmap est l'intégration des flux de facturation électronique — Factur-X, CII XML — dans la boucle agentique. Un sujet particulièrement pertinent dans le contexte de la réforme française de la e-facture (déploiement progressif à partir de 2026). L'idée : que l'agent puisse réconcilier automatiquement une dépense avec la facture fournisseur correspondante, et signaler les écarts avant qu'ils n'entrent dans le flux de paiement.
L'agentique n'est pas une révolution qui tombe du ciel. C'est un déploiement progressif, qui demande de la rigueur sur la préparation des données, du pragmatisme sur les seuils de confiance, et une vraie réflexion sur ce qu'on veut vraiment automatiser. Mais quand c'est bien fait, le résultat change fondamentalement la nature du contrôle T&E : on passe du contrôle réactif au contrôle préventif et systématique.
→ Facturation électronique appliquée aux notes de frais — France 2026