Étude de cas
AjustOne
Un rapprochement bancaire assisté par IA qui escalade vers un humain plutôt que de deviner.
01
Contexte
Le rapprochement bancaire en zone CEMAC reste largement manuel : les libellés de relevés sont hétérogènes, et les équipes comptables passent leurs clôtures à pointer des lignes à la main.
02
Problème
Automatiser le maximum de rapprochements sans jamais valider un rapprochement faux. En comptabilité, une erreur assurée coûte plus cher qu’une question.
03
Ce que j’ai fait
Produit et ingénierie du moteur de rapprochement et de son interface (novembre 2025 – mars 2026).
04
Décisions techniques clés
Les règles déterministes d’abord
Les correspondances exactes et à base de règles passent par une logique déterministe, explicable ligne par ligne.
L’IA pour les libellés flous uniquement
Une couche IA traite ce que les règles ne savent pas faire : le matching flou entre libellés incohérents.
Un seuil calibré qui escalade
Sous un seuil de confiance calibré, le rapprochement part vers un opérateur au lieu d’être validé. Le système préfère demander que deviner.
Chaque décision est tracée
Chaque rapprochement indique s’il vient d’une règle, du modèle ou d’une personne : l’ensemble est auditable.
05
Résultat
90 % des écritures sont rapprochées automatiquement ; le reste est remonté à un opérateur plutôt que deviné.
06
Stack
- Nuxt
- TypeScript
- Python
- AI
07
Écrans
