Détection de fraude par IA : comment repérer les faux reçus

Avec la démocratisation de l'IA générative, créer un faux reçu n'a jamais été aussi simple. Les entreprises doivent adapter leurs contrôles à cette nouvelle réalité.

Les nouvelles formes de fraude

• Reçus générés par IA : images de reçus créées de toutes pièces par des outils comme ChatGPT ou Midjourney
• Modification de montants : altération numérique de montants sur des reçus réels
• Doublons sophistiqués : même dépense soumise par différents collaborateurs

Comment EVA détecte la fraude

EVA utilise plusieurs couches d'analyse :

• Analyse d'image : détection des artefacts typiques des images générées par IA

• Vérification croisée : recoupement avec les données du marchand (SIRET, adresse, horaires)

• Détection de patterns : identification de comportements suspects sur la durée

• Cross-checking : comparaison entre les dépenses de tous les collaborateurs

Une course permanente entre génération et détection

Les IA de génération de faux documents et les IA de détection évoluent rapidement — mais pas nécessairement à la même vitesse. Il est donc possible que certains faux reçus passent temporairement entre les mailles du filet et soient remboursés.

C'est précisément là qu'EVA fait la différence : au-delà du contrôle en temps réel, EVA permet de relancer des audits rétroactifs sur des reçus anciens déjà remboursés. Tous les 6 mois ou plus, en fonction de l'évolution des modèles de détection, vous pouvez faire tourner des contrôles supplémentaires sur l'historique de vos notes de frais afin d'identifier des fraudes passées inaperçues au moment du remboursement initial.

Cette capacité d'audit post-paiement garantit que même si une fraude échappe au contrôle initial, elle sera rattrapée ultérieurement grâce aux progrès continus de l'IA de détection.

Résultats concrets

Nos clients détectent en moyenne 3x plus d'anomalies qu'avec un contrôle manuel, avec un taux de faux positifs inférieur à 2%.