Agent IA pour la finance : rapprochement et factures

Les services financiers manipulent des documents structurés en grande quantité : factures fournisseurs, relevés bancaires, notes de frais, bons de commande. Ce sont des cas idéaux pour un agent IA, à condition de comprendre une chose dès le départ : en finance, une erreur a un coût, et ce coût se mesure en argent et en temps de correction. L’exigence n’est donc pas d’automatiser tout, mais d’automatiser ce qui est sûr et de faire valider le reste par un humain.

Les deux tâches qui reviennent le plus souvent sont le rapprochement bancaire et le traitement des factures. Elles partagent la même structure : on lit des documents, on en extrait des montants, des dates et des références, puis on les fait correspondre à des écritures existantes ou on les prépare à la saisie. Ce travail est fastidieux, répétitif, et sujet à des erreurs humaines de fatigue, exactement le profil d’un cas où l’IA apporte un gain mesurable. Pour une vue plus large de ce qui s’automatise ou non dans un service comptable, voyez IA et comptabilité : ce qui peut réellement s’automatiser.

Cet article décrit comment construire un tel agent, où placer l’humain dans la boucle, et les pièges qui transforment un gain prometteur en série de rapprochements inexacts.

Pourquoi la finance se prête bien à l’IA

Les documents financiers ont une propriété rare : ils sont semi-structurés. Une facture a une disposition variable d’un fournisseur à l’autre, mais elle contient toujours un montant, une date, un numéro, un fournisseur. Cette régularité sous-jacente, sous une apparence de désordre, est exactement ce qu’un modèle de langage sait exploiter. L’IA ne lit pas la facture comme un humain, elle en extrait les champs attendus avec une fiabilité qui s’approche de celle d’un opérateur, sans la fatigue.

Le rapprochement bancaire ajoute une dimension de correspondance : rapprocher chaque ligne d’un relevé d’une écriture comptable, en tolérant les petites différences de libellé, de date ou de montant. C’est un travail de matching que l’IA peut faire très vite, en proposant des correspondances probables plutôt qu’en imposant un résultat. L’humain ne fait plus le rapprochement, il valide ce que l’agent propose. Côté intégration, l’agent lit les écritures et pousse ses propositions dans l’outil comptable existant, Pennylane ou Odoo par exemple, via leur API ; un workflow n8n ou Make suffit souvent à orchestrer la collecte des factures depuis une boîte mail ou un dossier partagé.

Extraire les champs : le socle du traitement des factures

Le traitement d’une facture commence par l’extraction : lire le document, qu’il soit PDF, image ou courriel, et en sortir les champs structurés. Le piège classique est de vouloir tout extraire parfaitement. La bonne approche consiste à définir précisément quels champs importent, et à accepter qu’un champ secondaire reste parfois vide. Pour les PDF natifs, un outil de conversion comme Docling restitue le texte et les tableaux ; pour les scans et les photos, un OCR ou un modèle multimodal à capacités de vision (GPT, Claude, Gemini, Mistral OCR) prend le relais.

Les champs essentiels sont le fournisseur, la date, le numéro, le montant hors taxes, la TVA et le total. Autour de cette extraction, deux mécanismes font la fiabilité du système. Le premier est la sortie structurée : le modèle renvoie du JSON conforme à un schéma, pas du texte à parser. Les API d’OpenAI, d’Anthropic et de Mistral le permettent nativement, et une bibliothèque comme Pydantic AI valide chaque réponse contre le schéma avant qu’elle n’aille plus loin. Le second est le niveau de confiance : pour chaque champ, l’agent indique s’il est certain ou non, ce qui permet de ne faire valider par l’humain que les cas douteux. Pour savoir si ces niveaux de confiance sont fiables, il faut les mesurer sur un jeu de factures réelles : c’est le rôle des evals d’un agent en production.

Le rapprochement : proposer, ne pas décider seul

Le rapprochement bancaire est la tâche la plus sensible, car une mauvaise correspondance fausse la comptabilité. La règle qui rend le système sûr est simple : l’agent propose, l’humain décide. L’agent lit le relevé, le rapproche des écritures existantes, et présente ses propositions avec leur niveau de confiance. Les rapprochements certains passent seuls, les douteux attendent une validation.

Cette répartition du travail change tout le calcul économique. Un agent qui ne traite que les cas certains et renvoie le reste à l’humain n’a pas besoin d’être parfait. Il a besoin d’être fiable sur ce qu’il accepte, et de savoir reconnaître ce qu’il ne sait pas. C’est cette humilité, techniquement appelée calibration, qui fait la différence entre un outil utile et un outil dangereux en finance.

La détection d’erreurs et d’anomalies

Au-delà de l’extraction et du rapprochement, un agent financier rend un service moins attendu : il repère les anomalies. Une facture en double, un montant qui ne correspond pas au bon de commande, une ligne de relevé sans contrepartie. Ces détections ont une valeur directe, car ce sont elles qui évitent les pertes.

La détection d’anomalies repose sur des règles simples qu’on peut exprimer précisément, combinées à la capacité du modèle à repérer ce qui sort du motif habituel. Un écart entre le montant facturé et le montant commandé, une date qui précède la commande, un numéro déjà vu : autant de signaux que l’agent remonte à l’humain plutôt que de les laisser passer. C’est une valeur ajoutée qui dépasse la simple économie de saisie.

La conformité et la piste d’audit

En finance, tout traitement doit pouvoir être retracé. Qui a validé quoi, sur quelle base, à quel moment. Un agent IA n’échappe pas à cette exigence, et elle doit être pensée dès la conception, pas ajoutée après coup. Chaque extraction, chaque proposition de rapprochement, chaque validation humaine doit laisser une trace datée et attribuée.

Cette piste d’audit n’est pas une contrainte bureaucratique, c’est ce qui rend le système défendable devant un commissaire aux comptes ou un contrôle fiscal. Elle suppose de journaliser non seulement les résultats, mais les entrées, les sorties du modèle et les décisions humaines. Comme ces journaux contiennent des données financières, leur hébergement et leur durée de conservation se décident avec le même soin que le reste (voir notre approche de l’IA souveraine). Un système qui traite des données financières sans cette traçabilité est inutilisable en pratique, quelle que soit la qualité de ses rapprochements.

Pour la partie organisationnelle, la méthode pour tenir les rapprochements et clôtures quand les volumes augmentent décrit les contrôles à conserver côté équipe.

Démarrer sur un flux, pas sur tout le service

Le bon point d’entrée est rarement « automatiser la comptabilité fournisseurs ». C’est un flux précis, par exemple les factures d’un type de fournisseur ou le rapprochement d’un seul compte bancaire, sur lequel on peut mesurer le taux de champs correctement extraits et la part de rapprochements validés sans correction. Une fois ces chiffres stables, on élargit.

Si vous envisagez ce type de projet, notre page agents IA pour la finance et la comptabilité détaille comment on cadre ces chantiers : analyse de vos documents et de vos flux, choix des champs et des règles de rapprochement, humain en validation sur les cas douteux, et traçabilité de chaque décision dès la première version.