Pourquoi cette mesure ?
La fiscalité réunit des volumes documentaires élevés, des règles complexes, des données structurées et une responsabilité juridique forte. C’est donc un terrain naturel pour l’assistance algorithmique, mais aussi un domaine où une mauvaise métrique peut produire des promesses spectaculaires. La mesure 9.06 ne doit pas écrire « l’IA rapporte X milliards » en multipliant un taux de détection par un montant théorique de fraude. Elle doit identifier des cas d’usage : rapprochement de données, préparation de contrôles, classement de pièces, détection de schémas atypiques, aide à la rédaction, orientation des dossiers et assistance au contribuable.
État des lieux en 2026 : partir de ce qui existe vraiment
La DGFiP utilise depuis plusieurs années des techniques de data mining et d’analyse de données pour le contrôle fiscal. Le déploiement d’IA générative ajoute d’autres possibilités : synthèse de dossiers, recherche dans la doctrine, préparation de réponses ou extraction de documents. Mais les gains doivent être mesurés contre une situation de référence. Un dossier ciblé par un algorithme n’est pas une recette. Un rappel notifié n’est pas nécessairement encaissé. Et une recette encaissée peut résulter d’un contrôle qui aurait eu lieu sans l’outil. La page exige donc une chaîne comptable complète.
Source au point d’usage : DGAFP — cadre public IA ↗
Concevoir, financer et sécuriser la mise en œuvre
Architecture, fonctionnement et conditions techniques
Le système doit distinguer trois familles : outils de productivité pour l’agent ; modèles de détection ou de scoring ; interfaces destinées au contribuable. Les droits d’accès ne sont pas les mêmes. Les données utilisées pour entraîner ou évaluer les modèles doivent être documentées afin d’éviter des biais de ciblage. Chaque alerte doit être explicable à l’agent par des éléments vérifiables, même si le modèle sous-jacent est complexe. Les journaux doivent permettre de reconstruire quelles données et quelles règles ont conduit à l’ouverture d’un contrôle.
Démonstration financière : séparer coût, capacité et économie
La formule de résultat financier est volontairement stricte : recette nette attribuable = encaissements supplémentaires observés dans le groupe traité − encaissements du groupe de comparaison − coûts additionnels de l’outil et du contrôle. Cette attribution peut être estimée par expérimentation ou déploiement progressif lorsque cela est compatible avec les missions. Le site sépare droits rappelés, pénalités, encaissements et gains de productivité. Les 15 à 25 milliards d’euros historiques du Plan sont donc traités comme un scénario à éprouver, pas comme une créance certaine.
Droit applicable et limites à ne pas franchir
La DGFiP dispose de bases légales fortes pour ses missions, mais l’usage d’algorithmes doit rester compatible avec le RGPD, les garanties du contribuable, les règles de secret fiscal et le droit de contester. Une décision défavorable ne doit pas être matérialisée par un modèle sans responsabilité humaine clairement identifiée. Le règlement européen sur l’IA doit être qualifié cas par cas selon la fonction du système ; tous les outils fiscaux ne relèvent pas nécessairement du même niveau de risque. [source]
Plans A, B et C : l’objectif survit au blocage d’une voie
pilotes sur tâches préparatoires et ciblages déjà documentés, avec groupe de comparaison et publication d’indicateurs.
si certains modèles ne peuvent pas être suffisamment expliqués pour un usage de contrôle, les limiter à la priorisation interne et exiger une vérification indépendante avant toute action.
concentrer les gains sur l’automatisation documentaire et le service aux agents si les usages décisionnels présentent trop de risques. L’objectif de productivité peut ainsi progresser sans sacrifier les garanties du contribuable.
Risques, objections et garde-fous
Le premier risque est le biais de sélection : un modèle peut renforcer les contrôles sur les populations pour lesquelles les données sont les plus faciles à exploiter plutôt que sur les risques les plus élevés. Le deuxième est le « rendement apparent » : on attribue à l’IA des recettes qui auraient été obtenues par les équipes. Le troisième est le secret : les données fiscales ne doivent pas sortir des environnements autorisés. Enfin, un ciblage plus performant peut saturer les équipes humaines si le nombre d’alertes croît plus vite que la capacité de contrôle.
Indicateurs, audit et preuve de réussite
Indicateurs : taux de faux positifs ; taux de dossiers donnant lieu à rappel ; taux de recouvrement ; délai moyen de traitement ; heures d’agent économisées ; coût par dossier ; part du résultat attribuable à l’outil ; recours et annulations ; incidents de données ; répartition des contrôles. Les indicateurs doivent être publiés par type d’usage et comparés à une base antérieure, sinon l’effet propre de l’IA reste impossible à distinguer.
Découper le processus fiscal avant d’y introduire l’intelligence artificielle
La DGFiP ne réalise pas une seule tâche appelée « contrôle fiscal ». Elle collecte, rapproche, informe, sélectionne, contrôle, recouvre et traite les recours. Une architecture sérieuse associe des outils différents à chaque étape.
L’IA peut aider à repérer une incohérence, classer une pièce ou préparer un dossier, mais la qualification juridique d’un redressement et les garanties du contribuable restent dans un processus contrôlé. Cette décomposition est également indispensable au chiffrage : un meilleur ciblage peut augmenter le rendement d’un contrôle, tandis qu’une automatisation documentaire réduit surtout du temps d’agent. Ces deux effets ne doivent pas être additionnés sans vérifier qu’ils concernent des ressources différentes. Le tableau de bord suit donc chaque étape et son indicateur propre.
Distinguer anomalie, risque fiscal, contrôle et recouvrement
Un modèle peut produire un score d’anomalie élevé sans qu’il existe une fraude. Une incohérence peut provenir d’une erreur de déclaration, d’une situation exceptionnelle ou d’une donnée incomplète. Le score sert à prioriser l’examen, pas à créer une dette.
Une recette nouvelle ne peut être comptabilisée qu’après établissement du droit, puis elle doit être distinguée du montant effectivement encaissé. Le rendement brut des contrôles, les droits mis en recouvrement et les encaissements sont donc trois indicateurs différents. Cette distinction protège le contribuable et la crédibilité budgétaire du Plan : on ne transforme pas la valeur de toutes les anomalies détectées en milliards d’euros disponibles pour financer d’autres mesures.
Construire un groupe témoin pour mesurer le rendement attribuable
Pour savoir si un outil améliore vraiment le contrôle, il faut comparer des populations comparables. Une partie des dossiers peut suivre la méthode habituelle et une autre bénéficier du nouvel outil, sous réserve des contraintes opérationnelles et juridiques. On mesure le temps de préparation, le taux de dossiers pertinents, les droits confirmés, les recours, les erreurs et le recouvrement.
La comparaison doit tenir compte des changements de législation et de conjoncture. Sans ce dispositif, une hausse des recettes peut être attribuée à l’IA alors qu’elle résulte simplement d’une année fiscale différente ou d’une campagne de contrôle. Le groupe témoin n’a pas vocation à priver durablement un service d’un outil efficace ; il sert pendant le pilote à établir la causalité.
Préserver le contradictoire et l’explicabilité du dossier
Lorsqu’un dossier est sélectionné à partir d’un système algorithmique, le contrôleur doit pouvoir comprendre les éléments factuels qui justifient l’examen. Il n’est pas nécessaire de révéler un modèle complet ni des paramètres permettant de contourner les contrôles, mais une décision opposable doit toujours reposer sur des faits et des règles de droit communicables. Le contribuable conteste une motivation fiscale, pas un score opaque.
Les journaux doivent donc conserver les données utilisées, la version du système et les étapes humaines. Un modèle dont les signaux ne peuvent jamais être traduits en éléments vérifiables ne doit pas devenir la seule base d’un acte défavorable. Cette exigence réduit aussi le risque d’erreurs répétées à grande échelle.
Calculer la valeur nette après coûts de contrôle et contentieux
Un rendement supplémentaire n’est pas égal à une économie nette. Il faut retirer le coût du système, des contrôles supplémentaires, du stockage, des experts, des recours et du recouvrement. Il faut également distinguer une recette ponctuelle d’une amélioration récurrente de conformité.
À l’inverse, un outil peut être utile même si le rendement fiscal additionnel est faible lorsqu’il réduit le temps de traitement ou améliore l’égalité de sélection. Le rapport annuel doit donc publier plusieurs résultats : recettes effectivement encaissées attribuables, coûts additionnels, heures libérées, erreurs, contentieux et satisfaction des agents. Cette présentation empêche de confondre performance budgétaire et performance administrative et rend les arbitrages transparents.
Approfondissement opérationnel et conditions de réussite
De la donnée au recouvrement : rendre chaque euro attribuable
La chaîne fiscale comporte plusieurs étapes qu’il faut séparer. Un modèle peut détecter une anomalie, qui donne lieu à une sélection, puis à un contrôle, éventuellement à un rappel, ensuite à une mise en recouvrement et enfin à un encaissement. Additionner les montants détectés ou redressés ne mesure donc pas une recette pour le budget. Le système attribue à chaque dossier un parcours et compare les résultats à un groupe de référence ou à une méthode antérieure lorsque cela est possible. Les coûts supplémentaires — modèles, infrastructure, enquête, contentieux et recouvrement — sont retranchés des encaissements supplémentaires attribuables. Ce n’est qu’à ce stade qu’une recette nette peut être revendiquée.
Garantir une voie de contestation indépendante du score algorithmique
Un score de risque sert à orienter le travail, pas à créer une présomption de fraude. Les agents doivent connaître les éléments utiles du dossier et pouvoir écarter le signal. Lorsqu’un contrôle aboutit à une décision défavorable, les droits de la personne reposent sur la procédure fiscale et sur des motifs juridiquement opposables, pas sur la seule existence d’un score. Les journaux permettent de reconstituer la version du système, les données utilisées et les validations humaines. Les indicateurs comparent aussi les taux d’annulation, de dégrèvement et de contentieux selon les outils employés. Une hausse du rendement accompagnée d’une hausse excessive des erreurs ou des décisions infirmées est un signal de mauvaise qualité, pas un succès.
Améliorer la qualité des données avant d’augmenter la sophistication des modèles
Un système de détection fiscale dépend de la cohérence des déclarations, référentiels, identifiants et historiques. Les premières étapes mesurent donc valeurs manquantes, doublons, changements de nomenclature et incohérences de rattachement. Certaines anomalies peuvent être détectées par des règles simples et transparentes ; elles ne nécessitent pas un modèle complexe. La sophistication n’est ajoutée que lorsqu’elle apporte un gain démontré sur des cas difficiles. Cette hiérarchie réduit le coût technique et facilite l’explication. Elle limite également le risque qu’un modèle apprenne les défauts historiques de la donnée plutôt que les phénomènes recherchés. Une part du programme IA devient ainsi un chantier de qualité des données fiscales, utile même si certains modèles sont ensuite abandonnés.
Surveiller la dérive du modèle et les changements de comportement fiscal
Un modèle entraîné ou réglé sur une période donnée peut perdre sa pertinence lorsque les règles fiscales, les déclarations ou les comportements changent. Les indicateurs suivent donc la précision des signaux, leur répartition par type de dossier et le taux de confirmation dans le temps. Une rupture brutale déclenche une analyse avant de modifier automatiquement les seuils. Les nouvelles règles fiscales sont intégrées avec des tests de non-régression. Les performances sont comparées par cohortes suffisamment larges pour détecter une dégradation sans construire de profilage illégitime. Cette surveillance évite qu’un outil efficace lors de son lancement continue plusieurs années à orienter des contrôles alors que ses hypothèses ne sont plus valides.
Tracer la chaîne de décision pour rendre l’usage contestable et auditable
Le registre de contrôle conserve la version du système qui a produit un signal, les principales données utilisées, l’agent ou le service ayant décidé la suite et les actes ultérieurs. Cette traçabilité ne signifie pas rendre public le détail des méthodes de contrôle fiscal ; elle garantit que l’administration peut expliquer son processus à ses propres contrôleurs et dans le cadre des voies de recours. Les agents disposent d’un espace pour documenter pourquoi ils confirment ou écartent un signal. Les décisions juridiquement opposables restent motivées par des éléments du dossier et par le droit applicable. Le modèle contribue à l’orientation, mais il ne devient jamais une preuve autonome. Cette séparation protège à la fois l’efficacité du contrôle et les garanties du contribuable.
Construire un calcul de rendement net attribuable avec groupe de comparaison
Le tableau financier suit les encaissements supplémentaires des dossiers orientés par le dispositif et les compare, lorsque la méthode le permet, à une population ou une période de référence. Il retranche les coûts additionnels d’analyse, de contrôle, de contentieux, de recouvrement et d’infrastructure. Les créances abandonnées ou non recouvrées ne sont pas transformées en recette. Les résultats sont présentés par millésime afin de tenir compte du délai entre détection et encaissement. Une méthode d’attribution imparfaite est signalée avec une fourchette plutôt que remplacée par la totalité des montants redressés. Cette discipline est indispensable pour qu’une politique de lutte contre la fraude ne gonfle pas artificiellement les économies globales du Plan.
IA à la DGFiP : évaluer chaque cas d’usage avec faux positifs, temps humain et recours
Le rendement varie fortement selon la tâche fiscale
Classer un document, détecter une anomalie, préparer une réponse ou sélectionner un dossier de contrôle sont des usages différents. Chacun doit avoir un jeu d’évaluation et des indicateurs propres. Additionner les gains annoncés sans tenir compte des chevauchements produirait un rendement fictif.
Le dossier doit donc publier une fiche par cas : volume traité, taux d’automatisation, temps humain restant et décisions finalement prises.
Le coût des faux positifs doit être compté
Un outil qui signale trop de dossiers inutiles peut augmenter la charge des agents et générer des demandes injustifiées pour les contribuables. Il faut suivre précision, taux de confirmation et temps de revue, puis valoriser le coût des contrôles sans suite.
Pour les décisions ayant un effet important, le rôle humain et les voies de contestation doivent être explicites.
Distinguer productivité et suppression de postes
Une diminution du temps de traitement peut être utilisée pour résorber un stock, améliorer la qualité ou absorber de nouvelles missions. Elle ne devient économie salariale que lorsqu’une décision d’effectif suit effectivement le gain et que le service reste au niveau attendu.
Le registre financier doit donc marquer séparément gain de capacité et économie budgétaire constatée.
Sources primaires et institutionnelles
Les affirmations de droit ou d’état de l’art ci-dessus sont rattachées à des sources publiques. Les hypothèses propres au Plan Delta-Sierra sont signalées comme propositions et ne sont pas présentées comme des chiffres officiels.
- DGAFP — cadre public IA ↗
- Albert API ↗
- CNIL — article 22 RGPD ↗
- Cour des comptes — France Travail et IA ↗
Date de vérification : 12 août 2026. Le cadre de l’IA évolue rapidement ; les dates d’application du règlement européen sont vérifiées contre le règlement (UE) 2026/1744.