Fraude aux reçus et aux notes de frais : comment repérer les faux, dont ceux générés par IA

Une fausse note de frais s'appuie presque toujours sur un faux reçu, et la fraude touche aussi les assureurs qui indemnisent des sinistres.

L'IA générative accélère le phénomène. Selon l'éditeur AppZen, cité par le Financial Times et l'ICAEW, les reçus générés par IA représentaient environ 14 % des documents frauduleux soumis en septembre 2025, contre aucun un an plus tôt.

En apparence, ces faux semblent authentiques : le logo est là et la mise en page correspond. Ils peuvent pourtant cacher un montant modifié ou une transaction entièrement inventée.

Les conséquences sont directes, entre pertes financières et risques de non-conformité. Ce guide montre comment les faux reçus sont fabriqués et comment les repérer, d'abord à l'œil, puis avec des contrôles automatisés.

Points clés

• La fraude aux notes de frais vient surtout de petits montants répétés, soutenus par de faux reçus
• Les fraudeurs créent des faux reçus convaincants avec un minimum d'effort, à partir de modèles, d'outils d'édition ou de générateurs d'images par IA
• L'inspection manuelle repère les cas évidents, mais les retouches subtiles et les reçus générés par IA échappent souvent à l'examen visuel
• La détection multicouche analyse les métadonnées, l'image et la cohérence des montants, puis rapproche le reçu de vos données ERP, y compris pour les reçus générés par IA
• Associer des règles internes claires à l'automatisation permet de traiter de gros volumes sans relâcher la vigilance

Qu'est-ce qu'un faux reçu ?

Un faux reçu est une preuve d'achat falsifiée, destinée à présenter une transaction de manière trompeuse. Les fraudeurs s'en servent pour obtenir un remboursement ou un avantage auquel ils n'ont pas droit.

Les scénarios les plus courants en entreprise sont les suivants :

• Fraude aux notes de frais : de faux reçus de taxi, de restaurant ou d'hôtel pour des dépenses jamais engagées
• Justificatifs de sinistre : en assurance, un ticket falsifié ou gonflé pour justifier la valeur d'un bien déclaré volé ou endommagé
• Surfacturation fournisseurs : des commandes gonflées ou facturées deux fois, avec des reçus en double à l'appui
• Remboursements et fidélité : des reçus d'articles jamais achetés, ou un même reçu réutilisé sur plusieurs comptes

Les faux reçus prennent quatre formes :

• Entièrement fabriqués : créés de toutes pièces avec un modèle, un site générateur de reçus ou un logiciel comme Photoshop
• Authentiques mais modifiés : reçus réels dont les prix, les dates ou le nom du commerçant ont été altérés
• Authentiques mais réutilisés : reçus véritables soumis plusieurs fois pour des demandes distinctes
• Générés par IA : images produites par un modèle d'IA générative à partir d'une simple instruction, qui imitent un vrai ticket de caisse

Fraude interne et PACE

Les fausses notes de frais sont la forme la plus courante de cette fraude en entreprise : un collaborateur joint un reçu falsifié, gonflé ou réutilisé pour obtenir un remboursement indu.

La fraude interne est fréquente. Les collaborateurs ont accès aux processus et savent où se trouvent les failles. Chez PACE Worldwide, deux dirigeants ont utilisé les cartes de l'entreprise à des fins personnelles puis présenté ces dépenses comme professionnelles, avec de faux reçus. Ils ont obtenu environ un million de dollars sur sept ans, parce que leur position leur évitait les contrôles.

Comment les faux reçus sont fabriqués

Comme les fausses factures, les faux reçus sont conçus pour ne pas éveiller les soupçons. Les fraudeurs adaptent des techniques éprouvées de manipulation de documents aux preuves de transaction du quotidien.

Clonage de reçus

Le fraudeur part d'un véritable reçu de commerçant et en reproduit toute la mise en page, jusqu'à la position du logo. Seuls les détails clés changent, comme la date ou le montant total. Comme la structure correspond à un vrai reçu, ces faux passent facilement les contrôles visuels de base.

Exemple : un reçu de taxi daté de février est copié, sa date passe en mars dans Photoshop et son prix augmente pour justifier une note de frais gonflée.

Reçus entièrement fabriqués

Créés de toutes pièces avec un modèle ou un site générateur de reçus, ces faux imitent le style d'un commerçant mais contiennent des informations inventées. Beaucoup d'entreprises n'ont pas de reçu de référence pour comparer : des incohérences visibles passent alors entre les mailles.

Reçus générés par IA

Les modèles de génération d'images produisent désormais un reçu complet à partir d'une simple instruction écrite, avec les articles et les montants choisis par le fraudeur. Selon l'ICAEW, ces images imitent même le papier thermique et le flou d'une photo prise au smartphone.

Ces reçus échappent aux contrôles classiques pour une raison simple : aucune zone n'a été retouchée, puisque tout le document a été généré d'un bloc. Les contrôles qui cherchent une retouche locale, comme la détection de copier-déplacer, n'ont donc rien à signaler.

Les signes à chercher se trouvent ailleurs : dans les informations d'origine du fichier et dans des motifs visuels propres aux images générées.

Pour une vue d'ensemble sur tous les types de documents, consultez notre guide sur les faux documents IA .

Comment repérer les faux reçus : les signes d'alerte

Avant d'automatiser, formez vos équipes à reconnaître les indices qui doivent les inciter à la prudence. Les faux reçus laissent des « empreintes » récurrentes, sous forme d'anomalies de mise en page ou de données qui ne correspondent pas à la façon dont les vrais documents sont produits.

Reçus inconnus et coordonnées incohérentes

Si votre équipe ne reconnaît ni le commerçant ni le type d'achat, considérez-le comme un avertissement, surtout pour les collaborateurs qui voyagent beaucoup. Un vrai reçu indique le nom exact du commerçant et son adresse. Les fraudeurs utilisent souvent des informations partielles ou l'adresse d'un établissement fermé depuis longtemps. Une recherche sur l'Annuaire des entreprises ou sur Infogreffe suffit à vérifier que le commerçant existe toujours à cette adresse.

Incohérences de police et de mise en forme

Les systèmes de caisse utilisent une police homogène pour tous les champs imprimés. Sur un faux reçu, la valeur modifiée ressort souvent, plus nette ou légèrement plus grande que le texte autour, car elle a été retapée ou collée.

Erreurs de calcul

Sur un vrai reçu, la somme des articles et la TVA correspondent au total. Quand ils modifient le prix d'un article, les fraudeurs oublient parfois d'ajuster le reste. Un montant de TVA qui ne correspond pas au taux affiché (20 %, ou 10 % en restauration) mérite une vérification.

Dates, heures et paiements atypiques

Un achat daté hors des horaires d'ouverture ou un jour de fermeture doit déclencher une vérification. Il en va de même pour une heure incompatible avec le planning connu du collaborateur. Un paiement par carte sans chiffres masqués, ou un mode de paiement incohérent avec le montant, peut aussi révéler une fabrication.

Identifiants absents et reçus trop parfaits

Un vrai reçu porte des références uniques, comme un numéro de ticket ou l'identifiant du terminal de paiement. Les faux reçus omettent ces éléments ou utilisent des valeurs génériques. C'est aussi un indice fréquent sur les reçus générés par IA, qui inventent des numéros plausibles sans lien avec une transaction réelle.

À l'inverse, un reçu généré par IA peut sembler impeccable tout en contenant de petites incohérences, comme un texte légèrement déformé sur une ligne ou un éclairage qui ne colle pas avec le reste de la photo.

Doublons et montants juste sous le seuil

Si le même reçu apparaît plusieurs fois dans votre système, même avec de légères variations, signalez-le pour enquête. Beaucoup de petites fraudes reposent sur la resoumission de documents déjà validés. Pour aller plus loin, consultez notre guide sur la détection des factures en double.

Des montants qui se situent régulièrement juste sous les seuils d'approbation sont un autre signal à surveiller.

Erreur ou fraude ?

Un reçu manquant, une date erronée ou une saisie approximative ne sont pas forcément frauduleux. Ce qui fait la différence, c'est la répétition et l'intention. Une dépense isolée appelle une demande d'explication. Plusieurs anomalies concordantes, ou un même profil récurrent, justifient une vérification approfondie.

Mettez-vous au défi : saurez-vous deviner quel reçu est faux dans notre vidéo ?

Hey Doxi, quels sont les 6 réflexes contre les faux reçus ?

Comment identifier les faux reçus grâce à l'IA

Les contrôles manuels arrêtent les fraudes évidentes. Les faux plus élaborés, créés avec des outils d'édition professionnels ou l'IA générative, sont conçus pour passer entre les mailles.

C'est le rôle de la détection multicouche. Doxis AI.dp applique une série de contrôles indépendants à chaque reçu, chacun ciblant une technique de manipulation différente. Si une couche ne détecte rien, une autre peut prendre le relais.

Métadonnées et EXIF

Chaque fichier contient des métadonnées cachées, comme sa date de création ou le logiciel utilisé pour l'éditer. Doxis AI.dp les extrait, repère les logiciels d'édition suspects et signale les dates incohérentes.

Retouches d'image : copier-déplacer et collage

Ces contrôles repèrent les zones de pixels dupliquées ou insérées depuis une autre source, comme un chiffre recopié ou un tampon « Payé » ajouté. Il suffit par exemple de recopier le chiffre « 3 » pour transformer un ticket de taxi de 13,20 € en 33,20 €, sans que rien ne se voie à l'œil. Pour les PDF, un contrôle dédié détecte aussi le texte ajouté.

Cohérence mathématique

Doxis AI.dp recalcule les lignes d'articles, les taxes et le total, puis les compare aux montants affichés. Sur un reçu de 236,00 € HT avec une TVA à 20 %, une TVA affichée de 25,00 € est signalée, puisque le calcul donne 47,20 €.

Anomalies de police

Quand un fraudeur modifie un reçu, il insère souvent des chiffres dans une police légèrement différente. Doxis AI.dp compare chaque zone de texte à son environnement et signale les écarts de famille ou de taille.

Reçus issus de générateurs

Les sites générateurs produisent des reçus à partir de modèles prêts à l'emploi. Doxis AI.dp détecte ces documents : le reçu n'a pas été émis par la caisse du commerçant, il est donc signalé pour examen.

Reçus générés par IA

Doxis AI.dp combine deux analyses : la lecture des informations d'origine du fichier, qui indiquent parfois l'éditeur et le modèle d'IA utilisés, et l'inspection visuelle de chaque page pour repérer les motifs propres aux images générées. Le reçu est signalé même quand ses informations d'origine ont été supprimées, par exemple après une capture d'écran. Combiné aux contrôles de cohérence et au rapprochement avec vos données, ce contrôle couvre aussi bien les reçus générés d'un bloc que les reçus retouchés.

Rapprochement avec vos référentiels

Doxis AI.dp peut rapprocher les données extraites du reçu de votre ERP, par exemple le fichier fournisseurs ou le catalogue d'achats, et signaler un écart avant le remboursement.

Un fraudeur peut masquer une trace, mais il lui est bien plus difficile de les masquer toutes.

Visionnez notre webinaire « How to Detect Document Fraud & Image Tampering » pour voir cette technologie en action :

Détecter les faux reçus avec Doxis AI.dp

Les fraudeurs sont passés des retouches grossières aux manipulations soignées et aux reçus entièrement générés par IA. La défense la plus fiable est un système qui vérifie ce que l'œil humain ne voit pas, au moment même où le reçu arrive.

Doxis AI.dp est la plateforme de traitement intelligent des documents de Doxis. Elle intègre la détection des fraudes documentaires directement dans la capture de vos reçus, que vous en traitiez des centaines ou des milliers par mois.

Avec Doxis AI.dp, vous pouvez :

• Extraire et valider automatiquement les données des reçus grâce à l'OCR et à l'IA
• Détecter les retouches, les traces d'édition cachées et les reçus générés par IA
• Contrôler la cohérence des montants et rapprocher chaque reçu de vos référentiels fournisseurs et bons de commande
• Envoyer les cas limites en revue humaine, avec les résultats des contrôles sous les yeux
• Vous connecter à vos systèmes via API, SDK ou connecteurs vers votre ERP et vos logiciels de comptabilité, dans le respect du RGPD

Envie de voir la solution en action ? Réservez une démonstration : notre équipe vous présentera des exemples concrets de détection de fraude, adaptés à votre secteur. Doxis a été désigné Leader dans le Magic Quadrant™ Gartner® for Document Management 2026.

FAQ sur les faux reçus