Aller au contenu
Outils & Comparatifs IA

Saisie des factures : OCR classique ou modèle de langage, ce qui marche en 2026

OCR à gabarits ou modèle de langage pour saisir vos factures ? Nous comparons fiabilité, coût réel par page et cas où l'OCR classique reste le meilleur choix, avec la méthode pour mesurer sur vos propres documents.

Adam Douss
Adam Douss

Ingénieur IA, JUWA

20 novembre 20268 min de lecture
Saisie des factures : OCR classique ou modèle de langage, ce qui marche en 2026

Résumer avec

Pour la saisie des factures en 2026, un modèle de langage lit mieux les documents hétérogènes, et l'OCR classique reste meilleur sur les formats stables et à fort volume. Le choix dépend de la variété de vos fournisseurs, du volume mensuel et de ce que vous tolérez comme erreur avant relecture humaine.

La facture électronique change-t-elle la question ?

En partie. Depuis le 1er septembre 2026, toutes les entreprises doivent pouvoir recevoir des factures électroniques, transmises par une plateforme agréée par l'État. Les grandes entreprises et les ETI doivent déjà en émettre ; les PME et les micro-entreprises le devront à partir du 1er septembre 2027 (Service Public Entreprendre). Une facture électronique arrive sous forme de données structurées : il n'y a plus rien à lire, donc plus rien à confier à un OCR ou à un modèle.

Pendant la période de transition, le problème ne disparaît pas pour autant. Les PDF des fournisseurs PME continueront d'arriver jusqu'à l'échéance de 2027, les factures de fournisseurs étrangers restent pour l'essentiel hors du dispositif, et les tickets, notes de frais ou bons de livraison ne sont pas des factures électroniques. La question de cet article porte donc sur un volume qui va se réduire, mais pas s'annuler. Un projet de saisie lancé aujourd'hui doit prévoir la réception des flux structurés dès sa conception.

Qu'est-ce qui sépare vraiment un OCR classique d'un modèle de langage ?

Un OCR classique transforme une image en texte, puis un moteur de règles ou de gabarits va chercher chaque champ à un endroit connu de la page. Il est rapide, déterministe, peu coûteux à l'exécution. Mais il ne comprend rien : si le numéro de facture change de place, il lit autre chose, sans le savoir.

Un modèle de langage multimodal reçoit la page entière, image comprise, et répond à une consigne : « donne-moi le fournisseur, la date, le total hors taxes, la TVA par taux ». Il raisonne sur la structure du document. Une facture à la mise en page inédite ne le bloque pas. En contrepartie, il peut produire une réponse plausible mais fausse, ce que l'OCR fait rarement de cette façon : l'OCR se trompe sur un caractère, le modèle peut inventer une ligne.

Cette différence de nature explique tout le reste. L'OCR échoue de manière visible et locale. Le modèle échoue de manière rare mais discrète, ce qui impose des garde-fous différents. Si vous cherchez une vue d'ensemble de ce que ce type d'automatisation change dans une PME, notre accompagnement en automatisation IA pour les entreprises en décrit les étapes, de l'audit à la mise en production.

Quand l'OCR classique reste-t-il le meilleur choix ?

Trois situations le favorisent nettement.

  • Un petit nombre de fournisseurs récurrents, avec des factures générées par leur logiciel de facturation, donc toujours identiques d'un mois sur l'autre.
  • Un volume très élevé (des dizaines de milliers de pages par mois) où le coût par page doit rester marginal.
  • Un cadre où la reproductibilité prime : mêmes entrées, mêmes sorties, auditables par un commissaire aux comptes sans discussion.

Prenons une PME de transport d'une soixantaine de salariés, avec une quinzaine de fournisseurs qui représentent l'essentiel des écritures : carburant, péages, pièces, assurances. Les gabarits tiennent des années. Y déployer un modèle de langage, c'est payer pour une flexibilité dont personne n'a besoin. Un OCR bien paramétré, avec une vérification des totaux, fait le travail pour un coût d'exécution négligeable.

Où le modèle de langage fait-il la différence ?

Dès que la variété explose. Une entreprise de services de 150 salariés qui reçoit des factures de plusieurs centaines de prestataires, dont des indépendants qui produisent leurs documents sur un traitement de texte, ne maintiendra jamais autant de gabarits. Chaque nouveau fournisseur devient un petit chantier pour l'OCR. Avec un modèle de langage, il devient simplement une facture de plus.

Le modèle gagne aussi sur les cas que les règles gèrent mal :

  • les factures scannées de travers, photographiées ou tamponnées ;
  • les lignes de détail multi-pages, avec des remises et des acomptes déjà déduits ;
  • les documents bilingues ou issus de fournisseurs étrangers, avec des formats de date et de nombre différents ;
  • les avoirs et les factures rectificatives, où le sens du document compte plus que sa position sur la page.

Sur ce dernier point, un modèle sait qu'un avoir se rattache à une facture antérieure et peut le signaler. Aucun gabarit ne le fait.

Quels taux d'erreur faut-il attendre, et comment les mesurer ?

Nous ne publions pas ici de pourcentage universel, et il faut se méfier de ceux que l'on vous annonce. Un taux d'erreur n'a de sens que sur votre propre échantillon, avec votre définition de l'erreur. Une date inversée n'a pas la même gravité qu'un montant TVA faux, et un champ vide n'est pas une valeur inventée.

Le schéma général est connu. L'OCR sur gabarit connu est très fiable sur les champs standards, puis se dégrade brutalement sur tout ce qui sort du cadre. Le modèle de langage est plus homogène d'un document à l'autre, mais ses erreurs rares touchent souvent les lignes de détail et les arrondis. La méthode qui tient, c'est de constituer avant tout développement un jeu de test : quelques centaines de factures réelles, anonymisées, saisies à la main par un comptable, qui servent d'étalon.

On compare ensuite chaque approche champ par champ : fournisseur, numéro, date, hors taxes, TVA, total, IBAN. On regarde aussi la fréquence des erreurs silencieuses, c'est-à-dire celles que ni le système ni un contrôle de cohérence ne signalent. C'est cette dernière mesure qui décide, pas la moyenne. Sur le cas publié d'une PME aéronautique qui rapproche chaque mois 1 900 paires de documents de commande par OCR et IA, le critère d'acceptation écrit au cadrage n'était pas un taux moyen : plus de 95 % des écarts détectés, et aucun écart bloquant manqué. Notre article sur l'automatisation de la saisie de données sans erreur détaille la logique de ces contrôles.

Un point mérite d'être dit clairement : aucun des deux outils ne dispense d'un contrôle humain au démarrage. Les premières semaines, un comptable relit tout, et c'est ce qui permet de régler les consignes, d'ajuster les seuils et de repérer les fournisseurs qui posent problème. Ce n'est pas une perte de temps, c'est l'investissement qui rend la suite fiable. Les équipes qui sautent cette étape découvrent leurs erreurs lors d'une clôture, au pire moment.

Pour cadrer ce démarrage avec un regard extérieur, un audit IA de votre entreprise permet de dire en quelques semaines quelle approche convient à votre volume et à vos fournisseurs.

Comment calculer le coût réel par page ?

Le coût d'exécution n'est qu'une ligne du calcul. Pour un modèle de langage, il dépend de la taille de la page, du modèle choisi et de la tarification de l'éditeur, publiée par chaque éditeur sur ses pages tarifaires. Pour un OCR, il dépend d'une licence ou d'un tarif à la page, selon la solution.

Mais le coût qui pèse vraiment est celui de la relecture. Si une facture sur vingt part en vérification manuelle, ce temps humain dépasse vite la facture d'exécution du modèle. Le bon calcul additionne quatre éléments : l'exécution, la mise en place et la maintenance des gabarits ou des consignes, le temps de relecture des cas douteux, et le coût d'une erreur qui passe sans être vue. Pour structurer ce raisonnement, voyez comment calculer le retour sur investissement d'un projet d'automatisation.

Un ordre de grandeur utile : sur un volume modeste et varié, le modèle de langage est presque toujours moins cher au total, parce qu'il évite la maintenance de gabarits. Sur un volume massif et stable, l'OCR reprend l'avantage. Entre les deux, tout se joue sur le temps de relecture.

Faut-il choisir l'un ou l'autre, ou les combiner ?

Le plus souvent, la réponse est de combiner. Un schéma qui fonctionne bien en PME ou en ETI :

  1. l'OCR ou la lecture native du PDF extrait le texte brut, ce qui coûte peu ;
  2. un routage reconnaît les fournisseurs habituels et applique leur gabarit éprouvé ;
  3. les documents inconnus ou jugés ambigus passent par un modèle de langage ;
  4. des contrôles de cohérence (hors taxes plus TVA égale total, IBAN connu, numéro non déjà saisi) valident ou renvoient vers un humain.

Ce montage garde la fiabilité de l'OCR là où elle existe et réserve la souplesse du modèle aux cas qui la justifient. Il réduit aussi la dépendance à un seul outil, ce qui compte si un éditeur change ses conditions. Si vous hésitez entre approche à règles et approche par IA de façon plus générale, la comparaison entre RPA et IA pour une PME éclaire le même arbitrage.

Que se passe-t-il après la mise en production ?

C'est la partie que les comparatifs oublient. Un système de saisie ne s'arrête pas à la recette. Les fournisseurs changent leurs modèles de facture, de nouveaux formats arrivent, les éditeurs de modèles font évoluer leurs versions et le comportement bouge légèrement. Sans suivi, la qualité se dégrade sans bruit.

Deux pratiques font la différence. D'abord, rejouer régulièrement le jeu de test pour détecter une dérive avant qu'un comptable ne la remarque. Ensuite, garder une trace de chaque décision (document source, valeurs extraites, contrôles passés), pour pouvoir expliquer une écriture des mois plus tard. Le client doit rester propriétaire du code et des accès, de sorte que le système reste le sien, quel que soit le prestataire qui l'a construit.

La maintenance supervisée, qui est un abonnement distinct du projet, sert précisément à cela : voir les erreurs avant que le client ne les signale. Et tout n'a pas vocation à être automatisé : les cas où nous avons dit non concernent souvent des documents trop rares ou trop sensibles pour justifier le circuit.

Par où commencer concrètement ?

Commencez par mesurer avant de choisir. Récupérez trois mois de factures, comptez le nombre de fournisseurs distincts et la part des cinq plus gros. Si ces cinq représentent l'essentiel du volume, l'OCR sur gabarit sera probablement suffisant. Si la queue de fournisseurs est longue, un modèle de langage s'impose, avec des contrôles de cohérence derrière.

Ensuite, définissez ce que vous acceptez comme risque : quel montant d'écart déclenche une relecture, quels champs ne doivent jamais être devinés. Pour une extraction qui va au-delà des factures, notre page sur l'extraction de documents par IA présente les cas voisins (bons de commande, relevés, contrats). Et pour replacer ce chantier parmi les autres, le panorama des tâches à automatiser avec l'IA en entreprise aide à fixer les priorités.

Pour aller plus loin : 10 tâches à automatiser avec l'IA en entreprise (exemples 2026)

FAQ

Questions fréquentes

L'essentiel de cet article, repris en questions-réponses.

Techniquement oui, mais ce n'est pas toujours rentable. Sur un petit nombre de fournisseurs stables et un volume élevé, l'OCR à gabarits coûte moins cher et reste reproductible. Le modèle de langage se justifie quand les formats sont très variés. Dans beaucoup de projets, une combinaison des deux, avec des contrôles de cohérence, donne le meilleur résultat.

Elle réduit le problème sans le supprimer. Toutes les entreprises doivent pouvoir recevoir des factures électroniques depuis le 1er septembre 2026, et les PME devront en émettre à partir du 1er septembre 2027. Une facture électronique arrive en données structurées et n'a pas besoin d'être lue. Les PDF de fournisseurs PME jusqu'en 2027, les factures étrangères, les tickets et notes de frais restent à traiter.

Constituez un jeu de test de quelques centaines de factures réelles, anonymisées, saisies à la main par un comptable. Comparez ensuite chaque solution champ par champ : fournisseur, date, hors taxes, TVA, total. Regardez surtout les erreurs silencieuses, celles qu'aucun contrôle ne signale, plutôt que la moyenne globale.

Oui, au démarrage et sur les cas douteux. Les premières semaines, une relecture complète permet de régler les consignes et les seuils. Ensuite, seules les factures qui échouent aux contrôles de cohérence partent en vérification humaine, et un jeu de test rejoué régulièrement détecte les dérives avant la clôture.

Partager

Adam Douss
Adam Douss

Ingénieur IA, JUWA

Tous nos articles sur le thème « Automatisation des processus »

Heineken
BlaBlaCar
DataBird
HelloSafe

Un projet IA en tête ? Parlons-en