Delta-Sierra — Comprendre aujourd’hui, construire demainPropriétaire budgétaire : DGFiP / ministère chargé des Comptes publics
Périmètre de transition : Données, modèles, infrastructure, sécurité, formation et conduite du changement ; montant à documenter.
Cette clarification ferme le critère local de documentation ; elle ne ferme pas automatiquement l’impact budgétaire net.
La DGFiP utilise déjà le ciblage par les données. Le Plan propose d’amplifier ces outils, mais la détection algorithmique doit rester un signal et non une preuve automatique de fraude.
Ce que propose le Plan
Le droit et le système actuels
Chemin de mise en œuvre
Points de vigilanceLa DGFiP utilise déjà l’analyse de données et l’intelligence artificielle pour cibler des contrôles. En 2025, 17,1 milliards d’euros de droits et pénalités ont été notifiés et 11,4 milliards encaissés sur des créances de contrôle fiscal. [source]
L’administration indique également 2,8 milliards d’euros recouvrés à la suite du recours à l’IA/data mining. Une nouvelle mesure Delta-Sierra ne peut donc pas revendiquer ces 2,8 milliards comme gain : ils appartiennent au système existant. Seul le rendement incrémental au-delà de la trajectoire de référence peut être attribué à la réforme.
La réforme vise à améliorer la sélection, la qualité de la preuve et le recouvrement, pas à automatiser la culpabilité. Les modèles produisent des signaux explicables destinés aux agents.
Les dossiers sont priorisés selon risque et enjeu, puis instruits par les procédures fiscales ordinaires. Delta-Sierra propose en parallèle une évaluation continue : échantillon aléatoire de contrôles pour mesurer ce que le modèle manque, comparaison de plusieurs stratégies de ciblage et publication de la part de dossiers sans rectification afin de détecter des faux positifs coûteux.
Le rendement brut additionnel est la différence de droits et pénalités notifiés attribuable à la nouvelle méthode par rapport à une référence crédible. Le rendement de trésorerie est l’encaissement supplémentaire, plus pertinent pour le budget. On retranche coûts de données, logiciels, calcul, agents, contentieux et recouvrement.
Les crédits d’impôt bloqués à tort ou les redressements annulés ne sont pas des gains. Le suivi public publie donc cinq montants distincts : signalés, contrôlés, notifiés, définitifs, encaissés. Cette chaîne empêche les chiffres de fraude d’être additionnés comme s’ils étaient équivalents.
Un modèle formé sur les contrôles passés peut reproduire les priorités historiques : les populations davantage contrôlées génèrent davantage de cas connus et deviennent encore plus ciblées. L’échantillon aléatoire est nécessaire pour estimer la fraude hors zones déjà surveillées.
Les contribuables doivent connaître les faits reprochés et pouvoir contester les données utilisées. Le modèle ne doit pas devenir une preuve secrète. La cybersécurité, la traçabilité des accès et la qualité des bases sont des prérequis, car une erreur de donnée peut déclencher un contrôle injustifié.
Le contrôle fiscal dispose de garanties procédurales qui restent applicables. Les traitements de données doivent avoir une base légale, une finalité et des durées conformes.
L’usage d’IA doit être compatible avec les règles nationales et européennes applicables, notamment lorsque le système produit une décision ou influence fortement une personne. Le schéma Delta-Sierra maintient une décision humaine et un dossier de preuve indépendant du score algorithmique, ce qui réduit le risque d’automatisation illégitime.
6.09 part d’un système où l’administration fiscale utilise déjà le ciblage par données et intelligence artificielle. La bonne assiette n’est donc pas l’ensemble des redressements : il faut mesurer le rendement incrémental d’outils nouveaux par rapport au dispositif existant. Les entrées minimales sont les dossiers orientés par modèle, le taux de contrôle effectivement engagé, les droits rappelés, les pénalités, surtout les sommes encaissées, ainsi que le coût complet des données, modèles, infrastructures et équipes humaines. Le taux de faux positifs et les contentieux doivent être publiés avec le rendement. [source]
Les 17,1 milliards d’euros notifiés en 2025 ne sont pas 17,1 milliards de trésorerie et ne peuvent servir de base automatique à une économie supplémentaire. 6.09 doit prendre comme référence les encaissements existants et ne créditer que la différence démontrée après déploiement du nouveau dispositif. Les montants déjà attribuables au data mining actuel sont dans l’état zéro. Les recettes issues d’autres mesures de contrôle ou de fermeture de niches ne sont pas réaffectées une seconde fois à l’intelligence artificielle.
Le chiffre de 2,8 milliards d’euros associé au recours à l’IA en 2025 montre que la technologie est déjà déployée. Le scénario de référence n’est donc pas zéro. Pour attribuer une recette à la nouvelle réforme, il faut comparer une nouvelle version du ciblage à l’outil actuel, à ressources d’agents comparables. Un test peut répartir des dossiers entre stratégie courante et stratégie nouvelle, tout en gardant un échantillon aléatoire. Le résultat pertinent est l’encaissement supplémentaire net par dossier ou heure de contrôle, pas le montant total de fraude détectée par l’administration. Ministère de l’Économie — bilan du contrôle fiscal 2025
La qualité du ciblage inclut les dossiers sans rectification. Un modèle très agressif peut augmenter les notifications tout en générant davantage de recours, d’annulations et de temps perdu. Le tableau doit donc suivre la chaîne jusqu’à l’encaissement et plusieurs mois après la décision. Il publie aussi le coût du calcul et des licences, mais surtout le coût humain : vérification, contrôle et contentieux. Cela évite de promettre un rendement exponentiel de l’IA alors que le goulot d’étranglement peut devenir la capacité des agents à traiter correctement les alertes.
L’évaluation repose sur des indicateurs propres à la mesure, renseignés avec leur année, leur unité, leur périmètre et leur source.
Déployer les nouveaux modèles sur une fraction des dossiers et conserver une stratégie de référence permettant de mesurer le gain incrémental. Les agents gardent la décision et les procédures. Après un cycle fiscal complet, le ministère publie rendement net, faux positifs, recours et coûts avant généralisation.
Si le ciblage est déjà performant, concentrer les moyens sur la transformation des créances définitives en encaissements : solvabilité, garanties, coopération et traitement rapide. Le gain est alors mesuré sur le taux d’encaissement, sans attribuer à l’IA la totalité du contrôle fiscal existant.
Si un modèle produit trop de dossiers non productifs, des biais impossibles à corriger ou des décisions difficilement contestables, le retirer et conserver les outils statistiques validés. Les investissements réutilisables restent dans l’infrastructure de données ; aucun objectif de recette ne justifie le maintien d’un système non robuste.
La DGFiP utilise déjà le ciblage par données ; le scénario ne peut donc attribuer à une nouvelle réforme l’ensemble des sommes recouvrées grâce aux outils existants. Il faut construire une base de référence et mesurer les dossiers supplémentaires détectés, les droits définitivement encaissés, les faux positifs et le coût des contrôles humains induits. Les montants notifiés ne doivent jamais être confondus avec les encaissements. Le tableau de bord doit également suivre les contentieux, délais de recouvrement et effets de déplacement vers de nouveaux schémas de fraude. Le gain net correspond au supplément d’encaissement durable attribuable au nouveau dispositif, diminué des coûts de données, d’infrastructure, d’agents et de recours. Une amélioration du ciblage est réussie si elle concentre mieux le contrôle sans dégrader les garanties procédurales du contribuable.
Le contrôle fiscal dispose déjà de données, de ciblage et d’outils informatiques. Une nouvelle couche d’intelligence artificielle ne peut donc pas être créditée de la totalité des droits rappelés par les services. La question pertinente est : combien de dossiers supplémentaires, de meilleure qualité ou traités plus rapidement sont obtenus grâce au modèle par rapport aux méthodes qui auraient été utilisées sans lui ? Ce rendement incrémental doit être mesuré séparément du rendement total du contrôle fiscal.
Sur un périmètre défini, une partie des dossiers peut être sélectionnée selon la méthode de référence et une autre avec assistance algorithmique, avec des règles de comparaison permettant de corriger les différences de risque. Il faut suivre taux de contrôles sans suite, montants notifiés, montants effectivement encaissés, temps agent, recours, dégrèvements et contentieux. Un modèle qui augmente fortement les montants notifiés mais également les annulations ultérieures peut dégrader l’efficacité réelle.
On peut écrire Rnet = EIA − CIA − Ccontrôle − A. Rnet désigne le rendement net additionnel ; EIA les encaissements supplémentaires attribuables à l’outil ; CIA le coût complet du système informatique ; Ccontrôle le coût agent supplémentaire ; A les montants annulés ou non recouvrés imputables à la sélection considérée ; chaque signe − signifie « soustraire ». Cette formule oblige à distinguer promesse de détection et argent réellement recouvré.
Un ciblage plus puissant accroît l’exigence de gouvernance. Chaque consultation de données sensibles doit être liée à un agent habilité et journalisée. Le dossier de contrôle doit pouvoir expliquer les éléments factuels à l’origine de la sélection sans révéler des secrets techniques qui permettraient un contournement. La CNIL encadre l’utilisation de l’intelligence artificielle et la protection des données ; la page conserve également la référence spécifique au cadre CFVR déjà documenté. Source officielle — CNIL, intelligence artificielle.
Le rapport annuel devrait montrer simultanément les contrôles déclenchés, contrôles fructueux, contrôles sans rappel, montants notifiés, encaissements, délais, réclamations et décisions annulant ou réduisant les rappels. Cette publication ne doit jamais contenir des données permettant d’identifier un contribuable. Elle donnerait au Parlement et au public un moyen de vérifier que l’outil améliore réellement le ciblage sans transformer un score statistique en présomption automatique de fraude.
Chaque modèle mis en production devrait disposer d’une fiche interne datée : finalité, population concernée, données utilisées, variables exclues, métriques, seuils, version, date de validation et responsable. Lorsqu’une nouvelle version remplace l’ancienne, les résultats doivent pouvoir être comparés. Sans versionnage, il devient impossible d’expliquer après plusieurs années quel système a contribué à sélectionner un dossier donné.
Le contrôle humain doit être réel : l’agent peut écarter un signal algorithmique et documenter pourquoi. Le système doit également permettre d’identifier les variables qui ont le plus contribué au signal à un niveau utile à l’administration. Cette explication n’a pas pour fonction de révéler publiquement la recette de détection, mais de permettre l’audit interne, le contrôle du droit et la prévention des dérives.
Le rapport agrégé publie par famille de contrôle le nombre de dossiers proposés par l’IA, dossiers retenus par les agents, contrôles effectivement lancés, rappels définitifs, encaissements et contrôles sans suite. Il indique aussi le coût informatique complet et le nombre d’agents mobilisés. Ce format rend possible le calcul du rendement incrémental et empêche de présenter l’ensemble du contrôle fiscal comme un succès de l’algorithme.
Ces références ne servent pas de décor bibliographique : chacune contrôle une fonction différente de la démonstration — droit applicable, assiette ou données observées, puis effets ou conditions de mise en œuvre.
La réforme ne part pas d’une page blanche. La DGFiP utilise depuis 2014 le traitement CFVR — ciblage de la fraude et valorisation des requêtes — et l’a progressivement étendu. En 2026, la CNIL a été saisie d’une nouvelle évolution destinée notamment à intégrer les données issues de la facturation électronique et à permettre certains échanges avec les organismes de sécurité sociale dans les finalités prévues par la loi.
Le changement d’échelle est considérable : le dossier présenté à la CNIL indique que les factures électroniques échangées représentent déjà un ordre de grandeur de 2 à 3 milliards par an. Une partie des traitements doit donc s’appuyer sur une plateforme sécurisée de données disposant d’une puissance de calcul adaptée.
Cette puissance supplémentaire renforce la nécessité d’une mesure du rendement incrémental. Il ne suffit pas de comparer « fraude détectée avec IA » et « fraude détectée sans IA » sur deux années différentes. Il faut isoler autant que possible l’effet du modèle : dossiers supplémentaires détectés, montants réellement recouvrés, faux positifs, coût des contrôles inutiles, contentieux et évolution des comportements.
La CNIL insiste parallèlement sur la limitation des accès à un nombre restreint d’agents habilités. C’est un garde-fou central : un dispositif de lutte contre la fraude ne doit pas transformer la concentration de données en vulnérabilité nouvelle. La performance algorithmique, la protection des données et la traçabilité des accès doivent donc être évaluées ensemble.
CNIL / Légifrance — avis 2026 relatif au traitement CFVR et à la plateforme sécurisée des données.
Le dispositif réussit si le rendement encaissé par heure de contrôle progresse sans dégrader les garanties du contribuable. Le tableau de bord doit suivre précision des alertes, part des dossiers classés sans suite, montants encaissés, délai de recouvrement, recours, décisions annulées et coût informatique complet. Si un modèle sélectionne mieux les gros dossiers mais multiplie les contrôles injustifiés, le Plan B consiste à relever les seuils, imposer une validation humaine renforcée ou limiter l’usage à certaines typologies de risque.
Mieux cibler les contrôles et détecter des schémas sans automatiser la sanction ni transformer tout écart statistique en soupçon. Le traitement de données fiscales, le secret, les droits des contribuables et les règles de protection des données imposent une finalité précise, des accès contrôlés et une décision humaine.
Les modèles doivent être séparés par cas d’usage, documenter les variables utilisées et transmettre aux agents des signaux explicables pouvant être vérifiés avant ouverture d’un contrôle.
Le suivi doit publier taux de sélection utile, dossiers clos sans suite, montants notifiés et encaissés, délais, recours et éventuelles disparités de traitement.
Enfin, un signal statistique inhabituel peut provenir d’une activité légitime atypique ; l’agent doit pouvoir comprendre le signal avant toute action coercitive.
Le rendement doit être mesuré sur les sommes effectivement encaissées nettes du coût des contrôles, pas seulement sur des redressements notifiés ou des scores de risque.
L’IA peut améliorer la priorisation sans prouver qu’elle est responsable de tout rendement supplémentaire ; il faut comparer avec un groupe ou une méthode de référence.
Un modèle mal calibré peut concentrer les contrôles sur des profils faciles à détecter, multiplier les faux positifs et dégrader le consentement à l’impôt.
Chaque modèle doit être évalué avant et après déploiement, avec réentraînement contrôlé et possibilité de suspension lorsqu’un biais ou une dérive est détecté.
Cette mesure doit être rapprochée des réformes qui touchent les mêmes effectifs, crédits, systèmes ou compétences. Une économie ne peut être comptée deux fois parce que deux mesures contribuent au même résultat.
Le grand livre financier attribue donc chaque flux à un propriétaire unique ; les autres mesures peuvent mentionner l’interaction sans revendiquer une seconde fois le même montant.
Le grand livre des économies et la réalité budgétaire ne sont pas la même chose. Une mesure peut ne revendiquer aucune économie autonome tout en créant une dépense, une perte de recettes, un transfert ou un coût de transition. Le tableau ci-dessous sépare explicitement ces notions.
Classification prudente : aucun effet budgétaire n’est déclaré non applicable par défaut.
La DGFiP utilise déjà le ciblage par données ; le scénario ne peut donc attribuer à une nouvelle réforme l’ensemble des sommes recouvrées grâce aux outils existants. Il faut construire une base de référence et mesurer les dossiers supplémentaires détectés, les droits définitivement encaissés, les faux positifs et le coût des contrôles humains induits. Les montants notifiés ne doivent jamais être confondus avec les encaissements. Le tableau de bord doit également suivre les contentieux, délais de recouvrement et effets de déplacement vers de nouveaux schémas de fraude. Le gain net correspond au supplément d’encaissement durable attribuable au nouveau dispositif, diminué des coûts de données, d’infrastructure, d’agents et de recours. Une amélioration du ciblage est réussie si elle concentre mieux le contrôle sans dégrader les garanties procédurales du contribuable.
Pour prolonger « 6.09 — Lutter contre la fraude fiscale par intelligence artificielle », ces deux ouvrages détaillent les arbitrages fiscaux, les calculs de rendement net et l’architecture générale de la réforme de l’État.
Le dossier fondateur : finances publiques, structures, calendrier et mesures.
Voir le livre et la lecture gratuite →
Comment utiliser l’intelligence artificielle pour simplifier, accélérer et améliorer les services publics.
Découvrir le livre →