Détecter les anomalies de saisie horaire avec l'IA générative

Intro

Dans une PME de 20 collaborateurs, une heure de travail non saisie par semaine représente entre 8 000 et 12 000 CHF de masse salariale fantôme ou non documentée sur l'année. Les modèles génératifs offrent aujourd'hui une approche concrète pour repérer ces écarts avant qu'ils ne deviennent un problème légal ou comptable.

Ce que dit la loi : obligations d'enregistrement du temps de travail en Suisse

L'Ordonnance 1 relative à la loi sur le travail (OLT 1) impose à tout employeur soumis à la Loi sur le travail (LTr) d'enregistrer la durée du travail de chaque travailleur. L'art. 73 OLT 1 précise que les données doivent être conservées pendant cinq ans et présentées sur demande aux autorités d'inspection cantonales (SECO ou inspectorats cantonaux du travail). Les PME du commerce de détail, de l'hôtellerie-restauration et du nettoyage sont parmi les secteurs les plus contrôlés en Romandie.

Le Code des obligations (CO), art. 329d et suivants, encadre pour sa part le paiement des vacances et des heures supplémentaires. Une saisie horaire lacunaire expose l'employeur à un double risque : sanction administrative (amende jusqu'à 40 000 CHF en cas de récidive selon la LTr) et litige civil devant le tribunal de prud'hommes, où c'est l'employeur qui doit prouver l'exactitude des heures enregistrées — la charge de la preuve est sévère.

Depuis le 01.09.2023, la nouvelle loi fédérale sur la protection des données (nLPD) s'applique pleinement. Tout traitement automatisé de données personnelles relatives aux collaborateurs — y compris l'analyse IA des pointages — doit reposer sur une base légale (contrat de travail, règlement d'entreprise) ou faire l'objet d'un intérêt prépondérant documenté. Une mention dans le règlement du personnel ou dans un avenant au contrat de travail est la voie la plus sûre pour sécuriser le déploiement d'un outil d'analyse IA.

Comment fonctionnent les modèles génératifs appliqués aux données horaires

Principe général : générer le « normal » pour détecter l'anormal

Un modèle génératif — qu'il s'agisse d'un VAE (Variational Autoencoder), d'un GAN (Generative Adversarial Network) ou d'un modèle de type GPT fine-tuné sur des séries temporelles — apprend la distribution statistique des comportements de saisie observés sur une période de référence (typiquement 6 à 12 mois). Il peut ensuite générer des profils « attendus » pour chaque collaborateur ou chaque poste, et calculer un score d'anomalie pour chaque entrée réelle.

Concrètement : si Pierre, menuisier dans une PME de 12 personnes à Bulle, saisit habituellement entre 8 h 00 et 16 h 30 du lundi au jeudi, et entre 8 h 00 et 12 h 00 le vendredi, le modèle détectera comme anomalie une entrée à 22 h 15 un samedi — même si la saisie est techniquement valide dans le système. Il détectera aussi l'absence totale de saisie sur une journée où Pierre était physiquement présent selon le badge d'accès ou le planning.

Quatre types d'anomalies fréquemment détectées

• Saisie rétroactive en masse : un collaborateur enregistre cinq jours d'un coup le vendredi soir. Statistiquement rare, ce pattern peut indiquer un oubli ou, dans les cas graves, une falsification.
• Heures tronquées systématiques : les fins de journée sont toujours saisies 15 à 30 minutes plus tôt que les données de badge ou de production. Sur 50 semaines, cela représente 25 à 50 heures manquantes par collaborateur.
• Temps de pause non déduit : en Suisse, l'art. 15 LTr impose une pause de 15 minutes pour les journées dépassant 5 h 30, de 30 minutes au-delà de 7 heures. Certains systèmes ne déduisent pas automatiquement ces pauses si l'employé ne les pointe pas.
• Doublon ou chevauchement : deux entrées horaires se recouvrent pour le même collaborateur — erreur de saisie manuelle classique dans les fiches Excel ou les outils basiques.

Ce que le modèle ne fait pas

Un modèle génératif produit des signaux, pas des conclusions. Il ne remplace pas le jugement du responsable RH. Une anomalie détectée peut avoir une explication parfaitement légitime : formation hors site non saisie, intervention d'urgence, déplacement client. Le taux de faux positifs oscille en pratique entre 5 % et 15 % selon la qualité des données d'entraînement — ce qui signifie qu'un processus de validation humaine reste indispensable.

Conditions techniques et organisationnelles pour déployer cet outil en PME

Volume de données minimum

Les modèles génératifs sont gourmands en données. Pour qu'un modèle soit fiable sur un profil individuel, il faut au minimum 6 mois de saisies quotidiennes, soit environ 130 à 140 points de données par collaborateur. En dessous de ce seuil, on préférera des modèles de détection d'anomalies statistiques plus simples (z-score, IQR) qui fonctionnent dès 3 mois de données.

Pour une PME de 5 à 15 collaborateurs, les données par individu sont souvent insuffisantes pour entraîner un modèle individuel. La solution consiste à regrouper les profils par poste (tous les machinistes ensemble, toutes les assistantes administratives ensemble) ou à utiliser un modèle pré-entraîné sur des données sectorielles, disponible via certaines plateformes RH.

Qualité et format des données sources

Avant tout déploiement, un audit des données existantes est nécessaire. Les PME romandes utilisent souvent Crésus, Winbiz, ou des feuilles Excel transmises au fiduciaire. Les formats sont hétérogènes. Une phase de nettoyage (deduplication, standardisation des fuseaux horaires, gestion des jours fériés cantonaux) prend en pratique de 2 à 4 semaines pour une PME de 20 personnes.

Infrastructure requise

L'hébergement des données de collaborateurs sur des serveurs hors Suisse soulève des questions au regard de la nLPD et, selon le secteur, du secret professionnel. Les solutions disponibles en mode SaaS avec hébergement en Suisse ou en UE (sous couverture des clauses contractuelles types RGPD) sont à privilégier. Un modèle entraîné localement (on-premise) sur les données de la PME offre la garantie maximale, mais nécessite une infrastructure technique hors de portée pour la plupart des PME de moins de 30 personnes sans DSI interne.

Processus de traitement d'une anomalie détectée : qui fait quoi

1. Détection automatique : le système génère un score d'anomalie et classe l'entrée suspecte dans une file de révision.
2. Pré-qualification RH : le responsable RH ou le fiduciaire consulte l'entrée suspecte dans son contexte (présence au bureau, planning, e-mails, notes d'absence). Délai cible : 24 à 48 heures ouvrables.
3. Entretien collaborateur : si l'anomalie ne trouve pas d'explication documentée, un entretien informel est organisé. Aucune sanction ne peut précéder cet entretien (principe d'audition, art. 328 CO, droit d'être entendu).
4. Correction ou validation : la saisie est corrigée, ou confirmée avec une note justificative. La correction doit être tracée (auteur, date, motif) pour conserver la valeur probante du registre horaire en cas de contrôle.
5. Transmission au fiduciaire : si la correction affecte le décompte salarial du mois en cours, le fiduciaire est informé avant le bouclage de la paie (délai habituel : entre le 20 et le 25 du mois).
6. Signalement SECO (cas extrêmes) : en cas de fraude avérée et répétée, l'employeur peut déposer une plainte pénale (faux dans les titres, art. 251 CP). Le Secrétariat d'État à l'économie (SECO) peut également être saisi si l'anomalie concerne des heures dépassant les plafonds légaux de la LTr.

Cas pratique

Situation : PME de textile à Sierre, 18 collaborateurs

Nadia Roten, responsable administrative d'une PME de textile à Sierre (18 collaborateurs, dont 12 en production), utilise Crésus pour la paie et un tableur partagé pour la saisie horaire. En mars 2024, elle mandate son fiduciaire pour analyser six mois de données horaires (septembre 2023 – février 2024) avec un outil d'analyse basé sur un modèle de détection statistique augmenté de règles génératives.

Résultat de l'analyse : sur 18 collaborateurs, 4 profils présentent des anomalies récurrentes. L'anomalie la plus significative concerne Marco Fellay, opérateur de machine depuis 4 ans :

• Heure de départ saisie systématiquement à 17 h 00, alors que le badge de sortie enregistre une moyenne de 17 h 38 sur la période.
• Écart moyen : 38 minutes/jour × 5 jours × 26 semaines (période) = 82,3 heures non saisies.
• Au taux horaire de Marco (CHF 28.50 brut), cela représente CHF 2 345.55 d'heures supplémentaires potentiellement dues — soit un passif non provisionné dans les comptes.

Nadia organise un entretien avec Marco. Il explique qu'il reste régulièrement pour finir un lot de production avant le passage de nettoyage à 18 h 00, mais qu'il ne saisit pas ces minutes car « ce n'est pas une heure complète ». Aucune fraude : c'est une incompréhension de la procédure de saisie.

Actions correctives :

1. Correction des saisies sur la période documentée, avec validation signée par Marco et Nadia.
2. Paiement des heures supplémentaires selon les modalités du contrat (compensation en temps libre ou majoration de 25 % selon art. 321c CO).
3. Mise à jour du règlement interne : les fractions de 15 minutes et plus sont saisies dès leur occurrence.
4. Déploiement d'une alerte automatique dans le tableur partagé si l'heure de départ saisie précède de plus de 20 minutes l'heure de badge.

Pour les trois autres collaborateurs, les anomalies détectées s'expliquent par des entrées rétroactives liées à des déplacements clients mal codés — corrigées sans impact financier. Le coût total de l'analyse (temps fiduciaire + outil) : environ CHF 900. Le passif identifié et régularisé : CHF 2 345.55. Le risque prud'homal évité si Marco avait réclamé ses heures après un licenciement : potentiellement 2 à 3× ce montant avec les intérêts.

Récapitulatif opérationnel

• Vérifier la base légale avant déploiement : mentionner explicitement l'analyse IA des pointages dans le règlement du personnel ou un avenant — exigence nLPD depuis le 01.09.2023.
• Auditer la qualité des données sources sur au minimum 6 mois avant d'entraîner un modèle ou de confier les données à un outil externe ; nettoyer les doublons, les jours fériés cantonaux et les absences non codées.
• Choisir le bon niveau de modélisation selon la taille de la PME : modèle statistique simple (IQR, z-score) pour moins de 15 collaborateurs ; modèle génératif ou pré-entraîné sectoriel au-delà.
• Exiger un hébergement des données en Suisse ou en UE avec DPA (Data Processing Agreement) conforme à la nLPD si vous utilisez un SaaS tiers.
• Ne jamais sanctionner sans entretien préalable : toute anomalie doit être vérifiée et soumise à l'employé avant correction ou mesure disciplinaire (art. 328 CO).
• Tracer chaque correction horaire : auteur, date, motif — pour conserver la valeur probante du registre lors d'un contrôle SECO ou d'un litige prud'homal.
• Intégrer le processus de révision dans le cycle de paie : fixer une deadline de validation des anomalies (ex. J-7 avant bouclage paie) pour éviter les corrections rétroactives.
• Réévaluer le modèle semestriellement : les patterns de travail évoluent (nouveaux postes, télétravail, horaires flexibles). Un modèle calé sur 2022 ne détecte pas correctement les anomalies d'une équipe hybride en 2025.
• Documenter les faux positifs pour affiner le modèle : chaque anomalie validée comme légitime doit être réintégrée dans les données d'entraînement avec son étiquette correcte.

Un outil comme SynHR, pensé pour les PME romandes, peut centraliser la saisie horaire et faciliter l'intégration de ces alertes directement dans le flux de validation RH mensuel.

Sources

• Loi fédérale sur le travail (LTr) — fedlex.admin.ch — texte consolidé incluant les obligations d'enregistrement du temps de travail et les plafonds de durée.
• Code des obligations (CO) — fedlex.admin.ch — dispositions sur les heures supplémentaires (art. 321c), les vacances (art. 329d) et la protection de la personnalité (art. 328).
• Secrétariat d'État à l'économie (SECO) — informations sur les conditions de travail, les contrôles et les inspections du travail en Suisse.
• Nouvelle loi fédérale sur la protection des données (nLPD) — fedlex.admin.ch — texte en vigueur depuis le 01.09.2023, applicable au traitement automatisé des données de collaborateurs.
• ch.ch — Conditions de travail en Suisse — synthèse des droits et obligations pour employeurs et employés, y compris sur la durée du travail et les pauses légales.