Delta-Sierra — Comprendre aujourd’hui, construire demainLa détection doit viser la fraude intentionnelle sans transformer une erreur déclarative, un changement de situation ou une donnée incomplète en culpabilité automatique.
Ce que propose le Plan
Le droit et le système actuels
Chemin de mise en œuvre
Points de vigilanceEn 2025, les pouvoirs publics annoncent près de 3,1 milliards d’euros de fraudes sociales détectées, évitées ou redressées. Cette agrégation mélange plusieurs réalités : une fraude évitée avant paiement, un indu constaté, une créance mise en recouvrement et une somme encaissée n’ont pas le même effet budgétaire. [source]
La réforme Delta-Sierra doit aussi distinguer fraude intentionnelle, erreur, donnée obsolète et changement de situation. Le score algorithmique n’est jamais une preuve automatique et ne justifie pas à lui seul la suspension d’un droit essentiel.
La mesure propose des croisements de données légalement autorisés pour signaler les incohérences à fort enjeu, avec contrôle humain et droit à l’explication. Les règles sont adaptées aux branches : famille, maladie, vieillesse et recouvrement n’ont pas les mêmes fraudes ni les mêmes conséquences.
Les dossiers à faible enjeu et forte probabilité d’erreur déclarative peuvent recevoir une demande de mise à jour plutôt qu’un contrôle lourd. Les fraudes professionnelles organisées sont traitées avec des outils et équipes spécialisés, car leur impact financier est souvent supérieur aux erreurs individuelles.
Le rendement net sépare préjudice évité, sommes mises en recouvrement et encaissements. Une prestation non versée à tort n’est évidemment pas une économie. Le coût des contrôles, du système d’information, des recours et de la correction des erreurs est retranché.
Pour mesurer l’apport de l’IA, il faut une trajectoire de référence des contrôles existants et idéalement une expérimentation. Une hausse du montant détecté peut venir d’un changement de priorité ou de prix, pas nécessairement d’un meilleur modèle. Le total France ne retient que l’écart causal robuste.
Le risque humain est plus direct qu’en fiscalité : une suspension injustifiée peut priver rapidement un foyer de ressources ou d’accès. La doctrine doit donc interdire l’arrêt automatique sur score, prévoir un délai de réponse proportionné et maintenir certains droits lorsque la situation est contestée et que le risque immédiat est faible.
Le biais de contrôle est également central. Les populations les plus documentées ne doivent pas être ciblées simplement parce qu’il est plus facile de croiser leurs données.
Chaque organisme agit dans son cadre légal et doit respecter protection des données, secret, droits des usagers et procédures de recouvrement. Les interconnexions nouvelles exigent une base claire et une minimisation des données.
La décision défavorable doit pouvoir être motivée par des faits compréhensibles. Pour les prestations vitales, des garanties renforcées de continuité et de traitement du recours sont prévues. Le contrôle de la fraude n’efface pas le droit à l’erreur lorsque celui-ci s’applique à une situation non frauduleuse.
Pour 6.10, l’état zéro doit séparer fraude intentionnelle, erreur, indu et montant évité avant paiement. Les organismes sociaux n’ont ni les mêmes prestations ni les mêmes données ; les indicateurs doivent donc être ventilés entre assurance maladie, famille, retraite et recouvrement. L’intelligence artificielle n’est qu’un outil de priorisation : le chiffrage doit indiquer dossiers signalés, contrôles humains, fraudes confirmées, sommes recouvrées ou évitées, coûts du système, délais et taux d’erreur. Une alerte algorithmique n’est jamais assimilée à une fraude prouvée. [source]
Le principal risque de double compte est de cumuler les montants détectés, évités et recouvrés comme s’ils représentaient trois économies différentes. 6.10 doit retenir une convention unique par exercice et retrancher ce qui relève déjà des contrôles existants. Les gains de la mesure correspondent à l’incrément démontré par rapport à l’état zéro, net du coût des équipes et infrastructures. Les indus récupérés grâce à une règle juridique modifiée dans une autre mesure ne peuvent pas être crédités une seconde fois à l’algorithme de ciblage.
Un changement de situation familiale déclaré avec retard peut créer un indu sans intention frauduleuse. Une fausse facture organisée par un professionnel relève d’une logique tout autre. Le dispositif attribue donc un type de risque avant de choisir l’action. Pour les incohérences administratives simples, une demande de confirmation peut résoudre le dossier à faible coût. Pour les réseaux et montants importants, les équipes spécialisées disposent d’investigations plus poussées. Cette graduation évite de mobiliser la même procédure pour quelques dizaines d’euros contestés et pour une fraude professionnelle structurée.
Le tableau financier doit faire apparaître les délais. Une fraude évitée avant paiement produit un effet immédiat ; une créance mise en recouvrement peut être encaissée sur plusieurs années ou jamais. Les montants sont donc rattachés à leur statut et à leur date. Le contrôle de performance inclut aussi les sommes restituées après erreur. Si un modèle augmente fortement les récupérations mais aussi les décisions annulées et les interruptions injustifiées de droits, il n’est pas considéré comme performant. La protection des personnes devient un indicateur de qualité du contrôle, pas une contrainte extérieure au rendement.
L’évaluation repose sur des indicateurs propres à la mesure, renseignés avec leur année, leur unité, leur périmètre et leur source.
Déployer des modèles adaptés aux risques de chaque organisme, avec seuils d’alerte, pièces requises et procédure humaine. Mesurer l’incrément sur des pilotes et publier les corrections d’erreurs. Les suspensions automatiques sur score seul sont interdites.
Si les faux positifs sur allocataires sont trop nombreux, orienter l’IA vers les schémas professionnels, réseaux, employeurs et prestataires à fort enjeu, et utiliser des demandes de mise à jour simples pour les incohérences individuelles. Le rendement est comparé par heure de contrôle et par type de fraude.
Si le scoring soulève des difficultés de biais ou d’explicabilité, conserver des rapprochements déterministes sur faits objectivables : décès, résidence, activité déclarée, identifiants incohérents, doubles facturations. Les agents priorisent ensuite les dossiers. Le système reste modernisé sans dépendre d’un modèle opaque.
Une anomalie peut relever de la fraude intentionnelle, d’une erreur de déclaration ou d’une donnée administrative incohérente. Le système doit distinguer ces situations avant toute sanction. Le tableau de bord doit publier montants détectés, indus confirmés, sommes recouvrées, délais, taux de contestation et taux d’annulation après recours. Les modèles doivent être contrôlés pour éviter qu’une caractéristique territoriale ou sociale ne devienne un proxy discriminant. Comme pour le fiscal, le gain doit être incrémental par rapport aux contrôles déjà existants. L’économie nette déduit le coût des échanges de données, des vérifications humaines et du contentieux. Une réforme réussie réduit les paiements indus tout en diminuant également les erreurs qui pénalisent à tort des bénéficiaires légitimes : la qualité du droit servi compte autant que le volume d’alertes produit. [source]
Une prestation versée à tort n’est pas nécessairement une fraude. L’erreur peut provenir d’une déclaration incomplète, d’une donnée tardive, d’un calcul de caisse ou d’un changement de situation mal pris en compte. La fraude suppose un comportement intentionnel selon les règles applicables. Si l’algorithme est entraîné sur un historique où ces catégories sont mélangées, il apprendra surtout à prédire des dossiers atypiques et non l’intention frauduleuse.
Les mécanismes ne sont pas identiques en maladie, famille, retraite ou recouvrement. Il faut donc éviter un « score national de fraude » universel. Un modèle peut par exemple détecter une incohérence documentaire sur une prestation donnée, un autre une anomalie de facturation, un autre encore prioriser le recouvrement. Chaque usage doit posséder son objectif, ses variables autorisées, son seuil d’alerte et son protocole de contrôle humain.
La Cour des comptes souligne que les indus non détectés demeurent importants et recommande notamment de mieux exploiter les dossiers, y compris par l’intelligence artificielle, tout en renforçant le recouvrement. Source officielle — Cour des comptes, Sécurité sociale 2025. Le bon indicateur n’est donc pas le montant d’anomalies « détectées » mais le montant juridiquement confirmé puis récupéré, diminué du coût de contrôle.
Une formule de suivi peut être V = R − C. V désigne la valeur nette recouvrée grâce au dispositif ; R les montants supplémentaires effectivement recouvrés et attribuables au dispositif ; C le coût complet supplémentaire de détection, instruction, contentieux et informatique ; − signifie « soustraire ». Le montant d’indus estimé mais non juridiquement établi ne doit pas être compté comme recette.
Une alerte algorithmique doit ouvrir une vérification, pas déclencher automatiquement une sanction ou une suspension lorsqu’un texte exige une appréciation humaine et contradictoire. La notification au bénéficiaire doit expliquer la décision administrative elle-même et les faits retenus. Le modèle peut rester un outil interne de priorisation, mais sa performance doit être auditée par catégorie de population pour détecter des taux d’erreur anormaux.
La première phase devrait privilégier les incohérences vérifiables par rapprochement de données fiables et les dossiers à fort enjeu, plutôt que des profils comportementaux très indirects. Cette approche réduit les faux positifs et produit plus vite une mesure de rendement. Une extension vers des modèles plus complexes ne devrait intervenir qu’après publication des résultats du pilote, contrôle de la qualité des données et validation des procédures de recours.
Avant le modèle, chaque branche doit mesurer la fiabilité des données utilisées : fraîcheur, taux de valeurs manquantes, erreurs de rapprochement d’identité et décalages de période. Une incohérence entre deux bases ne doit pas être traitée comme un signal de fraude tant que l’on ne sait pas si les calendriers et définitions sont comparables. Une amélioration de la qualité de données peut parfois supprimer davantage de faux dossiers qu’un algorithme plus complexe.
Lorsqu’un signal est produit, le dossier suit quatre étapes distinctes : alerte, vérification factuelle, qualification juridique, puis recouvrement ou sanction s’il y a lieu. Le tableau de bord compte chacune séparément. La proportion d’alertes abandonnées à la deuxième étape est un indicateur essentiel de faux positifs opérationnels.
Les taux de contrôle et de faux positifs doivent être comparés entre groupes pertinents lorsque cette analyse est juridiquement et statistiquement possible, en protégeant les données personnelles. Une forte différence doit déclencher une investigation sur la variable, la qualité de la donnée ou le processus métier. L’objectif n’est pas d’imposer des taux identiques partout, mais de détecter une mécanique qui ciblerait durablement une population pour de mauvaises raisons.
Deux bases affichent des revenus différents parce qu’elles ne couvrent pas exactement la même période. Un modèle naïf signale le dossier ; un système bien conçu reconnaît le décalage de millésime et baisse le niveau d’alerte. Ce cas doit faire partie des jeux de tests avant production. Il rappelle que beaucoup de faux positifs viennent de la donnée et non du modèle. Chaque branche doit conserver une bibliothèque de cas de ce type et la rejouer à chaque nouvelle version algorithmique.
Le tableau public sépare alertes algorithmiques, contrôles humains, indus confirmés, fraudes juridiquement qualifiées et sommes recouvrées. Il indique le taux d’alertes sans suite. Cette chaîne permet de vérifier qu’un nombre élevé de signaux n’est pas confondu avec un montant de fraude. Les modèles ne sont étendus à une nouvelle branche qu’après validation de la qualité des données et démonstration d’un rendement net positif sur la branche précédente.
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 réussite associe rendement et équité : taux de fraude confirmée parmi les dossiers ciblés, sommes effectivement récupérées, recours aboutis, délais de régularisation et impact sur les personnes vulnérables. Un modèle qui améliore le rendement mais génère trop de suspensions injustifiées échoue au regard de la qualité du service. Les Plans B/C doivent donc prévoir des usages moins intrusifs — aide à l’enquête, détection d’anomalies agrégées ou contrôle a posteriori — lorsque l’automatisation directe d’une décision individuelle est juridiquement ou socialement disproportionnée.
Audit financier catégorie 11 — aides sociales, transparence et anticorruption →
Comment détecter des incohérences de droits ou de cotisations tout en distinguant fraude, erreur et changement de situation ? Les organismes sociaux traitent des données sensibles et leurs décisions peuvent affecter des droits essentiels ; toute automatisation doit préserver contradictoire, recours et intervention humaine.
Les cas d’usage doivent être séparés entre cotisations, prestations et identité, avec des variables compréhensibles et une vérification documentaire avant suspension ou récupération.
le tableau de bord doit publier faux positifs, délais de rétablissement, montants récupérés, recours gagnés et coût par dossier contrôlé.
Le cas suivant est révélateur : Une incohérence d’adresse ou de revenus peut être une erreur de mise à jour plutôt qu’une fraude ; le système doit prévoir une demande de clarification avant toute conclusion.
Le rendement doit distinguer indu détecté, montant réellement récupéré, fraude évitée et coût des contrôles ; les estimations de préjudice théorique ne peuvent être additionnées comme recettes.
Fraude aux cotisations et fraude aux prestations relèvent d’acteurs, données et mécanismes différents ; un chiffre global de fraude sociale masque ces réalités.
Un système trop agressif peut suspendre à tort des prestations, déplacer les dossiers vers les recours et augmenter la charge humaine au lieu de la réduire.
Les modèles doivent être testés sur des historiques avec revue humaine puis déployés progressivement, en commençant par les contrôles sans effet automatique sur un droit.
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.
Le rendement net sépare préjudice évité, sommes mises en recouvrement et encaissements. Une prestation non versée à tort n’est évidemment pas une économie. Le coût des contrôles, du système d’information, des recours et de la correction des erreurs est retranché.
Pour prolonger « 6.10 — Lutter contre la fraude sociale par intelligence artificielle », ces deux ouvrages développent le cadre juridique, la responsabilité publique, le calendrier de mise en œuvre et les transformations administratives associées.
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 →