Une IA conçue pour la complexité comptable
Chaintrust gère les complexités comptables majeures telles que l’éclatement des comptes de charges, les multi-taux de TVA, la TVA intraco, BTP, hors UE, les devises étrangères et les consignes/déconsignes. Notre IA est spécialisée sur les secteurs réputés difficiles (BTP, CHR, buralistes, pharmacies, bénéfices agricoles), garantissant une affectation précise pour un gain de temps maximal.
L’importance du FEC : un élément central pour la qualité des écritures
Chaintrust reprend automatiquement la structure comptable du FEC déposé (comptes 6, 7, 4 et codes auxiliaires). Il n’y a donc aucun paramétrage requis sur la plateforme.
Cependant, pour garantir une affectation comptable optimale et fiable, il est essentiel que le FEC soit de la meilleure qualité possible.
Bonnes pratiques sur le FEC
Il est fondamental de fournir un FEC contenant un maximum de fournisseurs et clients, des libellés propres et l’intégralité de vos codes tiers. Ces éléments constituent la base d’apprentissage initiale de l’IA.
De plus, si vous avez plusieurs comptes de charges ou de produits qui se différencient uniquement par le taux de TVA applicable, il est impératif que ce taux soit explicitement indiqué dans le libellé du compte.
Par exemple : 70100020 - Vente Marchandises 20%. Sans la précision du taux dans le libellé, l’Intelligence Artificielle ne pourra pas différencier correctement les comptes concernés, ce qui réduira la fiabilité de l’affectation comptable générée.
Le Machine Learning
Chaintrust utilise une Intelligence Artificielle (IA) puissante, capable de gérer les complexités comptables et de prendre en charge des secteurs spécialisés. Toutefois, l’IA doit s’adapter aux règles spécifiques de votre cabinet pour atteindre son niveau de performance maximal.
Le rôle de l’ajustement des écritures
Les collaborateurs peuvent être amenés à affiner les affectations proposées par l’IA. Ces ajustements sont généralement dus à :
- Un FEC incomplet : la première affectation de l’IA ne correspond pas à vos attentes car le fournisseur ou le client est nouveau et absent du FEC initial.
L’apprentissage continu (Machine Learning)
Chaque validation ou ajustement effectué par un collaborateur nourrit le Machine Learning de la plateforme. L’IA mémorise cette règle spécifique et l’applique automatiquement pour les dépôts futurs du même tiers. C’est ainsi que le collaborateur personnalise l’IA pour le dossier.
Pour maîtriser l’application de ces règles, consultez les notices :
Performances des écritures
Après seulement quelques semaines d’utilisation et d’affinage, la qualité des écritures atteint un niveau optimal sur les dossiers récurrents.
Le taux d’erreur dit « réel » de l’IA est inférieur à 1 %. Lorsqu’un tel cas est identifié, il est mis à jour à la source par nos équipes, ce qui permet d’améliorer la base globale de l’IA pour tous les utilisateurs.
⚠️ Attention : Pour garantir ces performances, il est important de veiller à la qualité des factures déposées. Les documents illisibles, non normés, les mauvais scans ou les annotations qui cachent les informations clés peuvent impacter lourdement la saisie.
Affectation des Comptes Tiers : Fonctionnement et personnalisation
L’identification correcte des fournisseurs et clients est essentielle. Chaintrust importe l’ensemble des codes auxiliaires présents dans le FEC déposé, qui servent de référence initiale pour l’ensemble de votre base de tiers.
Processus d’identification et d’apprentissage
Lorsqu’une nouvelle facture est déposée, Chaintrust extrait le numéro SIREN ou SIRET du tiers via l’OCR, puis recherche le code auxiliaire correspondant dans votre FEC.
Si le nom récupéré via le SIREN diffère trop du nom tel qu’il est inscrit dans votre référentiel, l’IA ne peut pas toujours effectuer le rapprochement automatiquement.
Dans ce cas, il faut corriger manuellement le code. Cet ajustement est crucial, car il est ensuite appliqué automatiquement à toutes les factures du tiers (factures déjà générées, en attente, et à venir). Chaintrust apprend ainsi la règle spécifique de votre dossier.
Règle du code auxiliaire unifié
Il est important de noter que le code auxiliaire est unique pour une société, quel que soit son rôle (fournisseur ou client).
- Exemple : Si le code auxiliaire est
AMAZ, la sortie seraCAMAZ(Client) ouFAMAZ(Fournisseur). - ⚠️ Il n’est pas possible de définir deux codes racines différents selon le rôle (par exemple, avoir
FAMAZONen code fournisseur etCAMAZen codeclient).
Codes Tiers personnalisés selon le taux de TVA
Chaintrust permet, toutefois, une personnalisation avancée des codes tiers en fonction du taux de TVA.
Pour une même société, vous pouvez renseigner un code auxiliaire spécifique par taux de TVA (ex : FAMAZ20 pour un taux à 20 % et FAMAZ55 pour un taux à 5,5 %). Cette gestion, appliquée tiers par tiers, permet de fiabiliser l’affectation et la déclaration de TVA.
⚠️ Attention : Cette personnalisation du code auxiliaire par taux de TVA n’est applicable que sur les factures contenant un seul taux de TVA. Il n’est pas possible d’utiliser plusieurs codes auxiliaires tiers distincts sur une même facture pour distinguer différents taux.
Au delà de la simple OCRisation : une IA performante pour garantir conformité et qualité
Le processus de Chaintrust va au-delà de la reconnaissance optique (OCR) pour garantir la fiabilité de chaque écriture. L’IA engage une séquence d’étapes rigoureuses pour s’assurer que l’écriture générée est d’une qualité maximale.
Après la lecture initiale de la facture, l’Intelligence Artificielle engage une séquence de contrôles successifs :
- Contrôles Multiples : Reconnaissance contextuelle, détection des complexités (multi-TVA, consignes, etc.), et vérification anti-doublon.
- Affectations : Application des règles comptables apprises et affectations automatisées.
Ces vérifications approfondies sont essentielles car elles nous permettent d’atteindre la meilleure qualité d’écriture possible et d’apporter un support crucial pour vous aider à assurer la cohérence comptable et la conformité aux exigences de la Facturation Électronique et du futur e-reporting.


