Il y a quatorze mois, les faux reçus signalés par les systèmes de détection de fraude aux notes de frais étaient presque entièrement de basse technologie : des modèles photocopiés, des reçus achetés sur des sites Web douteux, ou un chiffre maladroitement modifié dans un logiciel de retouche d'image. À la mi-mai 2026, cela avait complètement changé. Les reçus générés par IA — des images synthétiques créées en quelques secondes avec une invite textuelle — sont passés de 0% des faux reçus détectés en mars 2025 à 70,8% seulement quatorze mois plus tard, selon la plateforme de gestion des notes de frais AppZen. En un an, l'entreprise a détecté 1 471 reçus générés par IA soumis par 745 employés de 174 entreprises, totalisant 148 143 $ de remboursements demandés.
Si vous dirigez une petite entreprise et que vous pensez « nous sommes trop petits pour que quelqu'un s'en prenne à nous », les données disent le contraire. La fraude aux reçus par IA n'est pas concentrée dans une poignée de stratagèmes spectaculaires à cinq chiffres : elle est dispersée, délibérément, sur des milliers de petites demandes qui sont individuellement faciles à approuver et collectivement coûteuses à ignorer.
Pourquoi cette vague de fraude est différente
Les fraudes aux reçus plus anciennes comportaient un ralentisseur intégré : fabriquer un faux convaincant demandait des efforts, donc la plupart des gens qui essayaient soit voyaient grand (valait le risque), soit ne s'en embêtaient pas. L'IA générative a complètement supprimé ce ralentisseur.
« Les générateurs d'IA sont gratuits, instantanés et assez bons pour tromper une personne », a déclaré Kunal Verma, directeur technique d'AppZen, dans des commentaires sur la tendance. « L'IA a fondamentalement changé la donne, passant d'un faux suffisamment gros pour valoir le risque à un tas de minuscules faux. »
Ce changement se voit clairement dans les chiffres. Les faux reçus générés par IA atteignent en moyenne environ **101 ) — nettement moins que la **moyenne de 182 et 100 $. Gardez chaque faux reçu juste en dessous de cette ligne, et il passe sans qu'un humain ne le regarde jamais.
Quelques autres résultats à connaître si vous gérez des remboursements :
- Les taux d'aveu des employés sont élevés. Dans une enquête de 2026, environ 40% des employés américains ont déclaré avoir utilisé l'IA pour générer ou modifier un reçu pour une dépense professionnelle — 19% fabriquant un achat entièrement, 15% gonflant le montant d'un achat réel.
- Les outils de l'entreprise font partie du problème. 40% des employés qui ont créé de faux reçus ont utilisé des outils d'IA que leur propre employeur payait, ce qui signifie que la fraude utilise parfois votre propre licence logicielle.
- Les comportements répétés sont courants. Environ un tiers des employés pris à soumettre un faux reçu l'ont refait plus tard — chez un grand employeur étudié, le taux de récidive a atteint 41%.
- C'est un phénomène mondial, pas un problème propre à un pays. Dans le même ensemble de données, les soumissions provenaient de 174 entreprises et de dizaines de pays, allant d'une poignée de reçus de déjeuner de 30 d'un employé.
Rien de tout cela ne signifie que votre équipe est anormalement malhonnête. Cela signifie que les outils pour prendre des raccourcis sont devenus nettement meilleurs et moins chers, en même temps que votre processus de révision n'a probablement pas changé du tout.
Pourquoi « est-ce que ça a l'air réel ? » ne fonctionne plus
Pendant des années, le critère pour examiner un reçu était essentiellement visuel : la texture du papier est-elle correcte, les polices correspondent-elles au vendeur, le total est-il exact. Les générateurs d'images modernes produisent des reçus avec une texture de papier réaliste, des ventilations d'articles plausibles et des horodatages qui correspondent à la date déclarée — car c'est exactement le type d'image que ces modèles sont capables de produire. Demander « est-ce que ça ressemble à un vrai reçu ? » n'est plus un contrôle de fraude significatif, car un faux convaincant est maintenant gratuit et instantané à fabriquer.
L'implication pratique pour une petite entreprise est simple : arrêtez de vérifier le document et commencez à vérifier la transaction. Un reçu n'est qu'une affirmation. L'enregistrement de la transaction — le débit de la carte, le débit bancaire, le nom du commerçant qui a effectivement traité le paiement — est le fait.
Un guide pour les petites entreprises concernant la révision des remboursements
Vous n'avez pas besoin d'un logiciel de détection de fraude d'entreprise pour combler la majeure partie de cet écart. Une poignée de changements de politique et de processus couvrent la majorité du risque.
1. Faire correspondre les reçus aux données de transaction réelles, pas seulement à l'apparence du document
Si un employé paie avec une carte d'entreprise, la banque ou le processeur de carte a déjà un enregistrement du commerçant, du montant et de la date. Vérifiez le reçu par rapport à cet enregistrement plutôt que de vous fier à l'image seule. Une discordance dans le nom du commerçant, le montant ou le moment est un signal bien plus fort que tout ce qui est visible sur le reçu lui-même.
Pour les dépenses payées de leur poche et soumises à remboursement, demandez la confirmation de paiement sous-jacente (une ligne de relevé de carte, un reçu de portefeuille numérique, une confirmation de virement bancaire) en plus du reçu du vendeur — deux enregistrements indépendants sont beaucoup plus difficiles à fabriquer de manière cohérente qu'un seul.
2. Revoir votre seuil d'approbation automatique
Si votre outil de notes de frais approuve automatiquement tout ce qui est inférieur à, disons, 75 — mais cela signifie qu'un seuil monétaire fixe seul est une règle connue et exploitable. Combinez un plafond d'approbation automatique plus bas avec des audits d'échantillons aléatoires au-dessus et en dessous de la ligne, de sorte que les employés ne puissent pas prédire de manière fiable quelles petites demandes seront examinées une deuxième fois.
3. Surveiller les soumissions répétées et les regroupements de modèles
Étant donné qu'une grande partie de la fraude est un comportement répété, le suivi des personnes ayant déjà eu un reçu signalé — même pour quelque chose de mineur — est l'une des actions les plus efficaces que vous puissiez entreprendre avec un temps de révision limité. De même, surveillez les regroupements : plusieurs employés soumettant des formats de reçus étrangement similaires, des montants qui se situent tous juste en dessous de votre seuil, ou une augmentation des soumissions « reçu perdu, voici une reconstruction ».
4. Exiger une soumission rapide avec tous les détails
Établissez une politique claire — les dépenses soumises dans un délai défini (généralement 30 jours) avec la date, le montant, le commerçant et l'objectif professionnel explicitement indiqués. Les soumissions tardives, les objectifs vagues (« réunion client », sans nom ni contexte), et les reçus avec des chiffres qui ne correspondent pas tout à fait à un total détaillé plausible méritent tous un examen plus approfondi.
5. Utiliser une pré-approbation pour tout ce qui est inhabituel ou de grande valeur
Les dépenses récurrentes ordinaires (kilométrage, déplacements standard, fournitures courantes) peuvent rester dans un processus allégé. Tout ce qui sort du modèle normal — un achat unique important, un vendeur inconnu, une catégorie que l'employé ne dépense pas habituellement — devrait nécessiter une pré-approbation ou une signature du responsable avant le remboursement, et pas seulement un examen après coup.
6. Ne pas vous fier aux outils d'IA que vous fournissez aux employés sans également vérifier leur résultat
Si votre entreprise donne aux employés accès à des outils d'IA d'écriture, d'image ou de document, sachez que le même outil qui aide quelqu'un à rédiger un e-mail à un client peut également générer un faux reçu convaincant en quelques secondes. Le langage de la politique seul (« ne pas utiliser à mauvais escient les outils de l'entreprise ») n'est pas un contrôle technique — associez-le à l'habitude de vérification des transactions ci-dessus.
À quoi cela ressemble en pratique
Le problème d'échelle est le plus facile à voir dans un exemple réel. Dans une entreprise du Fortune 10 étudiée dans les données d'AppZen, 142 employés de 22 pays ont soumis 340 reçus frauduleux d'une valeur combinée de 34 953 par demande. Aucune soumission individuelle n'aurait déclenché un examen manuel à elle seule. Il a fallu regarder le modèle dans l'ensemble de l'organisation, et non un reçu individuel, pour voir le problème.
Une petite entreprise ne traite évidemment pas des milliers de notes de frais par mois. Mais le même calcul s'applique à une plus petite échelle : cinq employés gonflant chacun une poignée de demandes de 40 à 80 $ par an est facile à manquer un rapport à la fois et s'accumule pour représenter de l'argent réel d'ici décembre. La répartition géographique dans les données rappelle également que ce n'est pas un comportement de niche lié à une seule équipe ou à un seul rôle — cela apparaît partout où les gens soumettent des notes de frais et savent que l'examen est léger.
Une liste de vérification rapide pour l'examen des reçus
Quand quelque chose arrive sur votre bureau pour un remboursement, quelques secondes sur chacun de ces points permettent de détecter la plupart des demandes fabriquées :
- Le montant, la date et le commerçant sur le reçu correspondent-ils à la transaction réelle sur la carte ou le compte bancaire ? S'il n'y a aucune transaction correspondante, c'est rédhibitoire en soi.
- Le total est-il étrangement proche de votre seuil d'approbation automatique — par exemple, 3 ?
- Cet employé a-t-il déjà eu un reçu signalé ou corrigé auparavant ? Le comportement répété est assez courant pour peser dans votre examen.
- Le champ de l'objectif professionnel indique-t-il quelque chose de spécifique (nom du client, projet, contexte de réunion) ou juste une phrase générique comme « réunion client » ou « fournitures de bureau » ?
- A-t-il été soumis rapidement, ou apparaît-il des semaines après les faits dans le cadre d'un lot de reçus « reconstitués » ?
- Si plusieurs employés soumettent des reçus d'apparence similaire à peu près au même moment, traitez cela comme un modèle à enquêter, pas comme une coïncidence à laisser passer.
Aucun de ces contrôles ne nécessite un logiciel spécial — ils exigent simplement de regarder réellement l'enregistrement de la transaction au lieu de se fier au document.
Le point essentiel : la fraude aux notes de frais est un problème de comptabilité, pas seulement de RH
La fraude aux remboursements de notes de frais était déjà présente dans environ 13% des cas de fraude professionnelle avant que l'IA générative ne rende la fabrication facile, selon l'Association of Certified Fraud Examiners. Ce qui a changé n'est pas de savoir si les gens sont tentés de gonfler une note de frais — c'est à quel point la fabrication est devenue bon marché et convaincante, et à quel point chaque demande frauduleuse individuelle peut être plus petite tout en s'additionnant.
C'est précisément pourquoi des registres financiers propres, bien documentés et facilement vérifiables sont plus importants que jamais. Lorsque chaque transaction est suivie dans un système où l'entrée, le compte qu'elle affecte et le justificatif sont tous liés et vérifiables — plutôt que dispersés dans des pièces jointes d'e-mails, des lignes de tableur et des photos de reçus que personne ne vérifie — les discordances ressortent au lieu de se cacher dans le volume. Une demande de remboursement qui ne correspond pas à une transaction réelle par carte ou à une ligne bancaire est un signal d'alarme que vous pouvez détecter en quelques minutes si vos livres sont structurés pour cela, et que vous ne remarquerez jamais s'ils ne le sont pas.
Gardez vos finances organisées et vérifiables
Détecter les reçus fabriqués est en fin de compte un problème d'enregistrement : vous avez besoin que chaque dépense soit traçable jusqu'à une transaction réelle, pas seulement un document qui a l'air plausible. Beancount.io vous offre une comptabilité en texte brut avec un historique complet des versions, de sorte que chaque entrée — et chaque modification qui lui est apportée — soit transparente, traçable et facile à rapprocher de vos relevés bancaires et de carte réels. Explorez la documentation pour voir comment un grand livre versionné rend les demandes de notes de frais non concordantes ou en double faciles à repérer, ou consultez Fava pour un tableau de bord visuel sur vos livres. Commencez gratuitement et construisez des examens de remboursement sur des enregistrements auxquels vous pouvez réellement faire confiance.