Fraude aux notes de frais : stopper les reçus modifiés

Les programmes de notes de frais ont été conçus pour la rapidité et la confiance. Les employés dépensent de l'argent pour faire leur travail, soumettent des reçus et sont remboursés rapidement. Les contrôles sur lesquels s'appuient la plupart des équipes ont été pensés pour une autre époque : reçus papier, faible volume de soumissions et fraude évidente dès qu'on regardait de près.

Cette époque est révolue.

Aujourd'hui, les reçus peuvent être retouchés en quelques minutes, dupliqués sur plusieurs mois ou générés de toutes pièces par l'IA. Le risque ne se limite pas au non-respect de la politique. C'est la manipulation de documents qui paraissent légitimes dans votre plateforme de notes de frais jusqu'à ce que le remboursement ait déjà été versé.

Cet article de référence ouvre une série pratique sur la réduction des fuites liées aux notes de frais sans transformer les remboursements en goulot d'étranglement. Il se concentre sur ce dont les opérations financières, les responsables des notes de frais et les équipes d'audit ont réellement besoin : un processus qui garde les notes propres en mouvement tout en acheminant les reçus suspects avec des preuves.

Pour des guides plus approfondis, axés sur la mise en œuvre, commencez ici :

Pourquoi la fraude aux notes de frais est devenue plus difficile à détecter

La plupart des contrôles valident la soumission, pas le reçu.

Les plateformes de notes de frais excellent pour acheminer les approbations, appliquer les catégories de dépenses, respecter les plafonds de la politique et saisir des champs par OCR. Mais la fraude moderne se cache souvent dans le document lui-même. Un reçu peut être « conforme à la politique » sur le papier tout en étant modifié, recyclé ou synthétique.

Ce qui a changé :

La retouche numérique est désormais triviale
N'importe qui peut ajuster les totaux, les dates, les noms de commerçants et les lignes avec des outils de base. Les retouches peuvent être assez discrètes pour survivre à un rapide coup d'œil manuel.

L'IA peut générer des reçus convaincants
Les documents synthétiques n'ont plus l'air manifestement faux. Ils peuvent imiter de vraies mises en page, des formats de taxes et des schémas de détail des articles.

Les doublons sont plus faciles à dissimuler
La fraude consiste rarement à « soumettre deux fois exactement le même reçu ». Elle consiste à « soumettre à nouveau le même reçu avec un autre cadrage, une autre luminosité, une date modifiée ou un nouveau total ».

La revue manuelle ne passe pas à l'échelle
Même des équipes rigoureuses ne peuvent pas inspecter en profondeur chaque reçu à grand volume. L'échantillonnage aide, mais il crée des angles morts que les fraudeurs apprennent à exploiter.

Le résultat est prévisible : davantage de remboursements sont versés sur des reçus qui ne résisteraient pas à un examen au niveau du document.

Ce que signifie réellement la « détection de la fraude aux notes de frais »

La fraude aux notes de frais est souvent présentée comme un problème de personnes. En pratique, c'est un problème de processus et de preuves.

La détection de la fraude aux notes de frais est l'ensemble des contrôles qui permettent de répondre à trois questions avant le remboursement :

La dépense est-elle légitime et conforme à la politique ?
Le reçu est-il authentique et non modifié ?
Ce reçu (ou un quasi-doublon) a-t-il déjà été utilisé ?

La plupart des organisations sont solides sur la première question, inégales sur la deuxième et plus faibles qu'elles ne le pensent sur la troisième.

Un programme moderne de lutte contre la fraude aux notes de frais ne consiste pas à se méfier des employés. Il consiste à construire un processus qui traite les reçus comme des preuves, pas comme de la décoration. Une preuve doit être vérifiée.

Les formes les plus courantes de fraude aux reçus dans les programmes de notes de frais

Quelques schémas expliquent l'essentiel des fuites que les équipes financières constatent année après année. La différence aujourd'hui est que les mêmes combines peuvent être exécutées plus proprement et plus souvent.

Totaux et pourboires modifiés
Le reçu semble réel, le commerçant semble réel et la catégorie est plausible. Seul le chiffre a changé.

Dates modifiées pour entrer dans les délais de la politique
Les dépenses hors du délai de soumission sont « déplacées » dans la conformité par une simple modification de date.

Manipulation du détail des articles
Un article non conforme est supprimé, ou des articles conformes sont ajoutés pour gonfler le total.

Modification du nom du commerçant
Un reçu d'un commerçant à usage personnel est rebaptisé au nom d'un commerçant acceptable pour un usage professionnel.

Reçus synthétiques
Des documents générés qui ressemblent à de vrais reçus mais n'ont aucune transaction réelle derrière eux.

Soumissions en double dans le temps
Le même reçu réapparaît des mois plus tard dans une autre note de frais, parfois avec de petites modifications cosmétiques.

Pour un détail concret des principaux schémas de manipulation, utilisez ce guide complémentaire : Fraudes aux reçus expliquées : les 7 manipulations les plus courantes.

Pourquoi les plateformes de notes de frais ne voient pas les reçus modifiés et en double

Ce n'est pas une critique des logiciels de notes de frais. C'est un décalage d'attentes.

Les plateformes de notes de frais optimisent le flux : saisir, catégoriser, soumettre, approuver, rembourser et établir des rapports. Leurs contrôles reposent en général sur des champs structurés et des règles de politique. Mais la fraude documentaire vit dans des endroits que ces règles ne couvrent pas de façon fiable :

Falsification visuelle (copier-coller, anomalies de police, alignement incohérent)
Artefacts de génération par l'IA et structures « trop parfaites » issues de modèles
Incohérences de métadonnées (horodatages de création, historique de modification, anomalies d'appareil)
Soumissions en double qui ne sont pas des correspondances exactes (recadrées, compressées, pivotées, légèrement retouchées)

C'est pourquoi les équipes découvrent souvent la fraude après le paiement, lors d'audits, et non avant le remboursement, quand la prévention est la plus facile.

Les doublons en sont un parfait exemple. Si vous ne cherchez que les correspondances exactes (même commerçant, même date, même total), vous manquerez les répétitions délibérément modifiées. Pour la version « comment ça passe entre les mailles », voir : Fraude aux notes de frais : comment les reçus en double passent entre les mailles.

Un processus moderne de notes de frais qui réduit la fraude sans ralentir les remboursements

L'objectif n'est pas d'ajouter de la friction à chaque note de frais. L'objectif est de garder les notes propres rapides tout en retenant uniquement les reçus qui méritent une revue, avec des preuves claires.

Un processus moderne et pratique ressemble à ceci :

Réception : saisir les reçus avec leur contexte, pas seulement des images

Les reçus arrivent par capture mobile, téléversement, transfert d'e-mail ou intégrations de cartes. Le gain le plus rapide n'est pas d'imposer une méthode unique à tous. C'est de conserver suffisamment de contexte pour que la vérification ait un sens.

Ce qui compte :

La façon dont le reçu a été saisi (appareil photo, téléversement ou fichier transféré)
Si les métadonnées du reçu sont cohérentes avec ce mode de saisie
Si le reçu ressemble à quelque chose de déjà soumis

Validation de la politique : conservez vos contrôles actuels, mais ne vous arrêtez pas là

Continuez à appliquer les bases de la politique :

Plafonds de dépenses, règles de forfait journalier et restrictions de catégories
Champs obligatoires et détail des articles lorsque c'est nécessaire
Acheminement des approbations et règles de délégation

Cela détecte la non-conformité. Cela ne détecte pas de façon fiable la manipulation.

Contrôle documentaire : vérifier l'authenticité, les doublons et les incohérences

C'est la couche manquante dans beaucoup de processus de notes de frais : un contrôle automatisé du reçu lui-même avant le remboursement.

Une bonne étape de contrôle doit permettre de répondre à :

Le reçu présente-t-il des signes de retouche numérique ou de remplacement de contenu ?
La structure suggère-t-elle une génération par l'IA ou une fabrication à partir d'un modèle ?
Les métadonnées contredisent-elles le récit (horodatage, appareil, historique de modification) ?
Les lignes, les taxes et les totaux se concilient-ils de façon cohérente avec la mise en page ?
Ce reçu (ou un quasi-doublon) est-il déjà apparu chez d'autres employés, sur d'autres périodes ou dans d'autres notes de frais ?

Pour un guide plus approfondi sur les reçus synthétiques, commencez ici : Comment détecter les reçus générés par l'IA et les factures synthétiques.
Pour comprendre l'angle des métadonnées, utilisez : Analyse forensique des métadonnées des reçus : horodatages, GPS et historique de modification.

Tri : acheminer selon le risque, pas selon le volume

Un modèle de tri simple surpasse les systèmes de notation compliqués auxquels personne ne fait confiance :

Risque faible : approbation automatique ou poursuite du circuit d'approbation standard
Risque moyen : exiger une vérification légère (demande de détail, confirmation du manager ou nouvelle soumission)
Risque élevé : bloquer le remboursement et transmettre aux opérations financières ou à la revue d'audit

L'essentiel est que le réviseur voie clairement le « pourquoi ». Des signalements vagues créent une lassitude face aux alertes et des ralentissements.

Résolution : utiliser des guides qui clôturent les cas rapidement

Les programmes antifraude les plus rapides sont ceux qui résolvent vite et de manière cohérente. Exemples :

Si un reçu est signalé comme quasi-doublon : demander une preuve d'achat supplémentaire ou un justificatif de transaction par carte le cas échéant
Si un reçu est signalé pour des indices de retouche : demander une nouvelle saisie à partir du reçu original ou d'une copie émise par le commerçant
Si les métadonnées sont incohérentes avec une saisie mobile : demander une nouvelle soumission et documenter le résultat
Si le reçu est synthétique : bloquer le remboursement jusqu'à ce que la preuve soit validée par un canal approuvé

Il ne s'agit pas de punir. Il s'agit d'éviter des remboursements qu'on ne pourra pas défendre par la suite.

Une liste de contrôles pratique pour les équipes notes de frais

Utilisez-la comme base pour réduire les fuites sans créer de blocage des approbations. Gardez la liste courte et applicable.

Exiger des reçus pour les catégories régulièrement détournées, mais éviter les règles générales qui créent du bruit
Rendre les nouvelles soumissions visibles (ce qui a changé, quand et pourquoi)
Ajouter un contrôle documentaire avant le remboursement, pas après coup
Étendre la détection des doublons au-delà des correspondances exactes (répétitions recadrées, pivotées, retouchées)
Définir une politique de tri simple (faible, moyen, élevé) avec des actions claires
Conserver les preuves pour l'audit et le traitement des récidivistes
Mener des revues de tendances périodiques sur les répétitions (mêmes schémas de commerçants, totaux répétés, mises en page répétées)

Pour un processus d'audit adapté à la finance, qui soutient la prévention et pas seulement le nettoyage, voir : Audits des notes de frais : un guide pratique pour la finance et l'audit interne.

Comment Docklands s'intègre (sans remplacer votre plateforme de notes de frais)

Docklands ajoute une couche de détection de la fraude aux processus de notes de frais en contrôlant les reçus et les factures au niveau du document. Il est conçu pour fonctionner aux côtés de votre plateforme de notes de frais et de vos opérations financières existantes, pas pour les remplacer.

Concrètement, Docklands peut :

Contrôler 100 % des reçus soumis, pas un échantillon
Détecter les retouches numériques, les documents générés par l'IA, les signaux de falsification physique, les anomalies de métadonnées, les incohérences mathématiques et les doublons entre employés et dans le temps
Fournir des alertes fondées sur des preuves, avec des scores de confiance, pour que les opérations financières et l'audit puissent agir rapidement
S'intégrer par API ou par une couche de workflow, sans avoir à remplacer votre environnement actuel

L'objectif est simple : garder les dépenses conformes en mouvement tout en arrêtant les reçus douteux avant le remboursement.

Questions fréquentes

Qu'est-ce que la détection de la fraude aux notes de frais ?

La détection de la fraude aux notes de frais est l'ensemble des contrôles utilisés pour prévenir et identifier les remboursements frauduleux, notamment les reçus modifiés, les documents synthétiques et les soumissions en double.

Pourquoi les reçus modifiés passent-ils les contrôles habituels des notes de frais ?

Parce que beaucoup de contrôles valident des champs et des règles de politique, pas l'authenticité. Un reçu peut sembler conforme à la politique tout en étant retouché ou fabriqué.

Quel est le schéma de fraude aux reçus le plus courant ?

C'est souvent une manipulation simple : totaux, pourboires ou dates modifiés. Mais les doublons dans le temps sont aussi fréquents et plus difficiles à détecter avec de simples règles de correspondance exacte.

Comment détecter les reçus en double si les employés modifient le cadrage ou la date ?

Il faut une détection des quasi-doublons qui compare le document lui-même, et pas seulement les champs saisis. Les règles de doublons de base laissent passer les répétitions modifiées intentionnellement.

Les reçus générés par l'IA sont-ils un vrai risque pour les programmes de notes de frais ?

Oui. Les reçus synthétiques peuvent paraître assez réalistes pour passer l'OCR et l'approbation du manager, surtout à grande échelle. Le contrôle au niveau du document est la défense pratique.

Comment réduire la fraude sans ralentir les remboursements ?

Utilisez le contrôle documentaire automatisé comme couche de tri et ne ralentissez que les reçus qui présentent des signaux de risque significatifs. Gardez un acheminement simple et fondé sur des preuves.

Que doit-il se passer quand un reçu est signalé ?

Bloquer le remboursement de cet élément, le transmettre à un réviseur défini et suivre un guide de vérification. Le réviseur doit voir clairement les preuves de ce qui a déclenché le blocage.

L'OCR suffit-il à prévenir la fraude aux notes de frais ?

L'OCR aide à saisir les données, mais il ne prouve pas qu'un reçu est authentique ou unique. Il faut des contrôles au niveau du document pour les retouches, les métadonnées et la duplication.

Une prochaine étape concrète

Envie de voir ce que Docklands AI trouve dans vos propres documents ? Vos 1 000 premiers documents sont analysés gratuitement : réservez un appel pour en profiter.

Le résultat recherché n'est pas « plus d'enquêtes ». C'est moins de remboursements évitables, une résolution plus rapide quand des problèmes surviennent et une piste d'audit sur laquelle vous pouvez vous appuyer.

Détection de la fraude aux notes de frais : un processus moderne contre les reçus modifiés et en double