Pourquoi ce problème est soudain devenu réel
Il y a quatorze mois, pratiquement aucun des faux reçus signalés par les systèmes de détection de fraude aux notes de frais n'était généré par IA. À la mi-mai 2026, ils en constituaient la majorité.
C'est la conclusion d'AppZen, une entreprise d'automatisation financière qui analyse les notes de frais des entreprises à la recherche de fraudes. En mars 2025, les reçus générés par IA représentaient essentiellement 0% des faux reçus détectés par ses systèmes. En mai 2026, ce chiffre était passé à 70.8%. Au cours des 12 derniers mois, AppZen a détecté 1,471 reçus générés par IA soumis par 745 employés répartis dans 174 entreprises, représentant $148,143 de dépenses réclamées.
Si vous dirigez une petite entreprise et remboursez vos employés pour leurs déplacements, repas ou fournitures, ce n'est pas un problème abstrait réservé aux grandes entreprises. C'est une évolution dans la manière dont les gens ordinaires trichent sur leurs notes de frais, et cela touche toutes les tailles d'entreprise, pas seulement les entreprises du Fortune 500.
Ce qui a changé : d'une grosse fraude unique à un tas de petites fraudes
Avant que les outils d'IA générative ne deviennent largement accessibles, fabriquer un reçu demandait un certain effort — généralement en modifiant un modèle avec un logiciel d'image ou en altérant physiquement un reçu réel. Les fraudeurs qui se donnaient cette peine avaient tendance à viser gros : AppZen a constaté que les anciens faux reçus basés sur des modèles s'élevaient en moyenne à $182 chacun.
L'IA a bouleversé cette logique économique. Un grand modèle de langage ou un générateur d'images peut produire un reçu de restaurant convaincant, avec un nom de commerçant plausible, des totaux détaillés, et même un faux filigrane de scanner, en quelques secondes et gratuitement. Cela a totalement inversé la structure des incitations.
Le directeur technique d'AppZen, Kunal Verma, l'a résumé sans détour : « Les générateurs d'IA sont gratuits, instantanés, et suffisamment convaincants pour tromper une personne. » Il a ajouté que l'IA « a essentiellement fait basculer le jeu d'une seule grosse fraude suffisamment importante pour valoir le risque, vers un tas de petites fraudes que personne ne prend la peine de vérifier ».
Les chiffres confirment cette tendance. Les reçus générés par IA dans la base de données d'AppZen s'élevaient en moyenne à seulement $101, avec une médiane de seulement $32 — bien en dessous des seuils d'approbation automatique que la plupart des systèmes de notes de frais utilisent pour accélérer les petites demandes sans révision manuelle. Au lieu d'un seul faux dîner à $500 qui pourrait attirer l'attention d'un approbateur, le nouveau schéma consiste en une douzaine de demandes de $30 à $40 qui semblent chacune insignifiantes prises isolément.
Ce n'est pas seulement un problème pour les grandes entreprises
L'ampleur des incidents individuels documentés par AppZen est frappante. Une entreprise du Fortune 10 a vu 142 employés répartis dans 22 pays soumettre 340 reçus générés par IA totalisant $34,953 — soit plus que l'ensemble des 25 clients européens d'AppZen réunis. L'Inde arrive en tête en volume de soumissions, tandis que l'Australie affiche la plus forte concentration par reçu, avec notamment un employé du secteur des télécommunications ayant réclamé $12,900 répartis sur seulement 11 reçus falsifiés.
Mais les petites et moyennes entreprises sont elles aussi exposées, souvent de manière plus aiguë, car elles ne disposent généralement pas d'une équipe dédiée à la détection de fraude et s'appuient sur la vérification visuelle d'un manager ou le contrôle ponctuel d'un comptable. Un détaillant d'optique européen figurant dans les données d'AppZen a vu un seul employé soumettre 45 reçus frauduleux répartis sur 15 notes de frais distinctes avant que quiconque ne remarque le schéma.
Et il ne s'agit pas d'un comportement marginal. Une enquête distincte menée auprès de 2,000 travailleurs par l'entreprise de gestion des notes de frais Emburse a révélé que 40% des répondants américains ont admis avoir utilisé l'IA pour générer un faux reçu. Parmi eux, 19% ont déclaré avoir entièrement fabriqué un achat, 15% ont utilisé l'IA pour gonfler la valeur d'une dépense réelle, et 6% l'ont utilisée pour recréer un reçu pour un achat dont ils avaient réellement perdu la trace papier.
À noter : tous ceux qui utilisent l'IA dans ce contexte ne cherchent pas nécessairement à voler de l'argent. Certains employés l'utilisent pour reconstituer un reçu légitime perdu plutôt que pour commettre une fraude de toutes pièces — une nuance à garder à l'esprit avant de supposer que chaque demande signalée est malveillante. Mais du point de vue des contrôles, un document fabriqué par IA reste un document fabriqué par IA, quelle que soit la motivation derrière, et cela brise l'hypothèse selon laquelle un reçu constitue la preuve qu'une transaction a eu lieu.
À quoi ressemblent réellement les reçus générés par IA
Les faux reçus sont devenus suffisamment sophistiqués pour que la simple inspection visuelle ne suffise souvent plus à les détecter. Voici des exemples tirés de la base de données d'AppZen :
- Des reçus de restaurant falsifiés avec des filigranes de scanner fabriqués et des signatures manuscrites convaincantes
- De fausses factures AT&T et Xfinity, suggérant que la fraude s'étend des demandes ponctuelles de repas et de déplacement vers des « dépenses » mensuelles récurrentes
- Des totaux détaillés et des calculs de taxes suffisamment cohérents pour passer un examen rapide
Les faux reçus basés sur des modèles — l'ancienne méthode — représentaient 95% à 100% des fraudes signalées un an plus tôt. En mai 2026, ils étaient tombés à seulement 29% du total, les reçus générés par IA prenant le dessus avec la majorité des cas. Les outils sont devenus meilleurs, moins chers et plus accessibles, et les tactiques de fraude ont évolué en conséquence.
Pourquoi cela concerne toutes les entreprises, pas seulement les grandes
La fraude aux déplacements et notes de frais en entreprise est déjà un problème d'ampleur significative — une étude plus large sur l'exposition à la fraude a estimé à $3.5 milliards l'exposition totale liée à la fraude aux déplacements et notes de frais, dont environ $175 millions spécifiquement liés à des documents générés par IA. La fraude aux déplacements et notes de frais se distingue également par son caractère fortement lié aux documents : environ 85% des stratagèmes de cette catégorie impliquent une forme de documentation, ce qui signifie que les reçus et factures constituent la principale surface d'attaque.
Pour une petite entreprise, l'exposition n'est pas proportionnelle à l'effectif — elle est proportionnelle à votre degré de dépendance envers des pistes papier (ou PDF) non vérifiées. Si votre processus d'approbation des notes de frais consiste en « un employé soumet un reçu et un manager clique sur approuver », vous présentez exactement la faille de contrôle que ce schéma de fraude est conçu pour exploiter.
Comment protéger votre entreprise
Vous n'avez pas besoin d'un logiciel de détection de fraude de niveau entreprise pour réduire significativement ce risque. Quelques changements pratiques font une grande différence :
Cessez de considérer les reçus comme une preuve en soi. Un reçu est une allégation, pas une preuve. Recoupez-le avec quelque chose d'indépendant — la transaction réelle par carte ou bancaire, les registres du commerçant, une entrée d'agenda, ou un itinéraire de voyage. Si un reçu de déjeuner de $38 ne correspond à aucune charge de carte réelle ce jour-là, c'est là votre signal d'alerte, pas l'apparence du reçu.
Réévaluez vos seuils d'approbation automatique. Accélérer les petites dépenses en dessous d'un seuil en dollars est raisonnable pour maintenir des remboursements rapides, mais c'est aussi précisément la faille que la fraude générée par IA est conçue pour exploiter. Envisagez un échantillonnage aléatoire des demandes « sous le seuil » plutôt que de les approuver toutes automatiquement — même un taux d'audit de 10% change le calcul du risque pour quiconque envisage de gonfler une note de frais.
Ne vous fiez pas à un seul signal de détection. Certaines équipes financières s'appuient sur les métadonnées intégrées aux fichiers (comme les données EXIF des images) pour repérer les images générées par IA. C'est fragile — les métadonnées sont facilement supprimées par une capture d'écran, une conversion de format de fichier, ou simplement en réenregistrant l'image. Superposez plutôt plusieurs vérifications : le fournisseur existe-t-il, le montant correspond-il à un schéma de transaction réel, la chronologie est-elle cohérente.
Surveillez les schémas dans les petites demandes, pas seulement dans les grandes. Un seul reçu douteux de $30 pourrait être une erreur d'arrondi. Dix de ces reçus provenant du même employé sur trois mois constituent un schéma qui mérite une conversation. Les vues agrégées — triées par employé, par fournisseur, par montants ronds — révèlent ce que l'examen individuel manque.
Là où une comptabilité claire facilite les choses
Les entreprises les mieux placées pour détecter ce type de fraude ne sont pas nécessairement celles dotées du logiciel de détection le plus sophistiqué — ce sont celles dont les données de dépenses sont faciles à interroger, à recouper et à auditer dès le départ. Si votre comptabilité vit dans un format difficile à rechercher ou à comparer avec les relevés bancaires, repérer un schéma de petites demandes suspectes devient une corvée manuelle.
C'est l'un des avantages les plus discrets de la comptabilité en texte brut. Beancount.io conserve votre grand livre dans un format contrôlé par version, lisible à la fois par des humains et des scripts, de sorte que recouper une demande de remboursement avec la transaction réelle — ou écrire une requête rapide pour signaler chaque remboursement juste en dessous de votre seuil d'approbation — devient simple plutôt qu'un travail d'archéologie sur tableur. Commencez gratuitement et découvrez pourquoi les développeurs et les chefs d'entreprise soucieux de leurs finances passent à la comptabilité en texte brut.