Contrôle fiscal : comment l’intelligence artificielle cible les anomalies

L’intelligence artificielle ne remplace pas les vérificateurs fiscaux, mais elle change progressivement la manière dont l’administration choisit les dossiers à examiner. Face à des millions de déclarations, de transactions et d’informations patrimoniales, la Direction générale des Finances publiques, la DGFiP, cherche à repérer plus vite les incohérences susceptibles de révéler une anomalie déclarative ou une fraude.

Les chiffres illustrent cette montée en puissance. En 2021, la part des contrôles fiscaux ciblés avec l’appui de l’intelligence artificielle atteignait 45 %, contre 32,5 % en 2020. L’ambition de l’administration est d’aller plus loin, avec 50 % des contrôles déclenchés par l’IA d’ici à 2027. Derrière cet objectif, il ne s’agit pas de confier une décision fiscale à une machine, mais de concentrer l’attention humaine sur les situations qui méritent un examen.

Cette évolution s’appuie sur plusieurs briques : le traitement automatisé de données fiscales, la visualisation de relations entre personnes et entreprises, l’assistance aux agents chargés des amendes, ou encore l’analyse d’images aériennes pour détecter des constructions non déclarées. Ces outils soulèvent en parallèle une question essentielle : comment améliorer l’efficacité du contrôle tout en limitant les erreurs et en protégeant les données des contribuables ?

Pourquoi l’administration fiscale utilise-t-elle l’intelligence artificielle ?

Le contrôle fiscal repose traditionnellement sur des déclarations, des pièces comptables, des signalements et des recoupements réalisés par les agents. Or, l’administration dispose désormais de volumes considérables de données. Une personne peut être liée à une entreprise, à plusieurs biens immobiliers, à des obligations fiscales ou à des flux financiers qui, pris séparément, ne suffisent pas à conclure à une irrégularité.

L’intérêt de l’intelligence artificielle et de la fouille de données, aussi appelée data mining, consiste à analyser ces ensembles afin de faire ressortir des signaux : une discordance, une absence de déclaration, une relation inhabituelle entre entités ou une situation qui s’écarte de profils connus. L’outil ne constate donc pas à lui seul une fraude. Il aide à hiérarchiser les dossiers et à mieux orienter les contrôles.

Dans ce contexte, un dossier sélectionné par un algorithme reste un dossier à instruire. Les agents doivent apprécier les éléments disponibles, demander si nécessaire des informations complémentaires et appliquer les règles fiscales. Une anomalie détectée peut avoir une explication légitime : une donnée obsolète, un changement de situation non encore pris en compte ou une erreur matérielle.

La volonté de mieux cibler les vérifications répond aussi à un enjeu d’équité. Plus les outils permettent de distinguer les dossiers à risque des déclarations ordinaires, plus l’administration peut consacrer ses moyens aux situations réellement complexes ou anormales. C’est en tout cas la promesse avancée par la DGFiP dans son recours croissant à la donnée.

Galaxie, un outil pour visualiser les liens entre contribuables

Parmi les outils évoqués figure Galaxie, une application conçue comme un instrument de visualisation à l’échelle nationale. Le dispositif, décrit dans un décret du 11 mars, permet de relier des entités professionnelles entre elles, mais aussi de les mettre en relation avec des particuliers. Il fournit également des informations de contexte sur leur situation financière et fiscale.

Concrètement, Galaxie peut agréger des données telles que le revenu imposable, l’identité du conjoint ou les obligations fiscales d’un particulier. Cette vue consolidée doit permettre aux agents de mieux comprendre l’environnement d’un contribuable ou d’une entreprise, plutôt que de consulter une multitude de bases de façon isolée.

La logique est celle d’un réseau : les informations ne prennent pas toujours leur sens lorsqu’elles sont regardées une par une. Visualiser les liens peut aider à comprendre l’organisation d’une activité ou à détecter des incohérences qui seraient moins visibles dans des tableaux séparés.

Cette concentration d’informations explique néanmoins les exigences de contrôle entourant ces traitements. Le recours à des données personnelles dans un objectif fiscal doit être encadré, notamment au regard de la protection de la vie privée. La Commission nationale de l’informatique et des libertés, la CNIL, a validé le recours à ce nouveau logiciel de traitement automatisé des données des contribuables le 11 mars.

Le data mining gagne aussi les particuliers et le recouvrement des amendes

La transformation numérique ne concerne pas uniquement les contrôles sur les professionnels. La méthode de data mining se développe également à destination des particuliers. L’idée consiste là encore à exploiter les données dont dispose la DGFiP afin de mieux déceler les anomalies déclaratives et de sélectionner les situations qui appellent une intervention.

L’automatisation intervient aussi dans un domaine plus administratif : la collecte des amendes. Depuis mars 2021, des assistants numériques sont déployés pour affecter automatiquement les virements bancaires reçus. Cette opération comptable, répétitive mais importante, doit éviter que les agents aient à rapprocher manuellement chaque paiement de la somme due.

Ces assistants ont également aidé les services à améliorer les résultats du recouvrement forcé grâce à une intensification des actions d’exécution. Dans le même temps, l’administration fiscale a commencé, en 2021, à utiliser l’intelligence artificielle pour assister les agents des centres de contact lorsqu’ils répondent aux courriels d’usagers confrontés à des difficultés de paiement.

Il importe de distinguer ces usages. Dans un cas, l’outil classe ou rapproche des paiements. Dans un autre, il peut soutenir le traitement d’une demande écrite. Dans le contrôle fiscal, il sert plutôt à identifier des dossiers présentant des signaux inhabituels. Tous relèvent de l’automatisation, mais n’ont ni le même objectif ni le même impact pour les personnes concernées.

Piscines non déclarées : l’exemple le plus visible de l’IA fiscale

Le projet le plus concret pour le grand public est sans doute celui consacré à la détection des constructions et aménagements non déclarés. En phase expérimentale, la DGFiP s’appuie sur des vues aériennes pour identifier automatiquement des bâtiments ou des piscines susceptibles de ne pas figurer dans les déclarations fiscales.

Le dispositif combine l’intelligence artificielle avec l’enrichissement de données à partir de photographies aériennes fournies par l’Institut national de l’information géographique et forestière, l’IGN. L’objectif est d’améliorer la fiabilité des bases de données de fiscalité directe locale et de repérer les incohérences entre ce qui apparaît sur le terrain et les informations détenues par l’administration.

Depuis la mise en place de ce système en 2022, environ 125 000 piscines ont été régularisées grâce à l’analyse automatisée de vues aériennes, selon les données rapportées par l’administration. Le taux de détection annoncé est d’environ 95 %. Une piscine est un cas particulièrement adapté à la détection par image, car sa forme et son emplacement peuvent être visibles depuis le ciel, puis comparés aux données fiscales disponibles.

Cette technologie n’est toutefois pas infaillible. Des organisations syndicales ont rapporté des situations où l’intelligence artificielle identifiait à tort des éléments à taxer. Une bâche, une route, un trottoir, un parking ou une dalle peuvent, dans certaines configurations, être confondus avec un aménagement taxable.

L’exemple des piscines montre à la fois l’intérêt et la limite du dispositif. L’algorithme peut passer rapidement en revue un territoire immense, une tâche impossible à réaliser manuellement à la même échelle. Mais il ne possède pas, par lui-même, la compréhension fine du terrain, des travaux en cours ou des particularités d’une propriété.

Un « lac de données » pour exploiter des informations dispersées

Pour faire fonctionner ces outils, la DGFiP prévoit d’intégrer progressivement une grande part des données dont elle dispose dans une infrastructure dédiée au traitement de grands volumes. Cette architecture est souvent désignée par l’expression de « lac de données ».

Un lac de données ne correspond pas à une base unique que les agents consulteraient telle quelle. Il s’agit plutôt d’un environnement technique capable de rassembler des données de natures différentes, puis de les rendre exploitables avec des services de requête, de visualisation et de data science. L’enjeu est de réduire les silos d’information et de rendre les recoupements plus efficaces.

Pour les agents, ce type d’infrastructure peut faciliter plusieurs opérations :

• retrouver des informations utiles dans un ensemble plus vaste ;
• croiser des données fiscales avec les éléments pertinents déjà détenus par l’administration ;
• représenter des liens entre personnes et entités professionnelles ;
• détecter plus tôt les anomalies déclaratives ;
• consacrer davantage de temps à l’analyse des dossiers plutôt qu’à la recherche manuelle de données.

Le gain attendu n’est donc pas seulement technologique. Il concerne l’organisation du travail fiscal. L’administration espère rendre les contrôles mieux ciblés, tandis que les agents peuvent s’appuyer sur des outils de préparation plus complets.

Une efficacité qui fait débat au sein de l’administration

Le déploiement de l’IA dans le contrôle fiscal ne fait pas consensus. Les syndicats ont des appréciations contrastées sur les résultats de ces nouveaux outils. Certains considèrent que « le numérique ferait mieux », tout en dénonçant la suppression de postes au sein de l’administration fiscale. Leur inquiétude porte notamment sur le risque de voir l’automatisation servir de justification à une réduction des moyens humains.

D’autres mettent au contraire en avant l’augmentation du taux de détection des fraudes et les nombreuses régularisations permises par les nouveaux systèmes. L’opposition n’est pas forcément entre technologie et agents : elle porte davantage sur la manière dont les outils sont déployés, sur les ressources disponibles pour vérifier leurs alertes et sur la qualité du service rendu aux contribuables.

Un système performant sur le papier peut perdre de son intérêt s’il produit trop de fausses alertes ou si les services ne disposent pas du temps nécessaire pour analyser les dossiers. À l’inverse, une bonne détection peut aider les équipes à intervenir plus rapidement sur des anomalies pertinentes. La fiabilité des données, l’explicabilité des résultats et l’expertise humaine restent donc déterminantes.

Ce qu’il faut surveiller d’ici à 2027

L’objectif de 50 % de contrôles déclenchés par l’intelligence artificielle d’ici à 2027 donne une direction claire à la modernisation de la DGFiP. Il ne signifie pas que la moitié des décisions fiscales seront automatisées. Il traduit la volonté de faire de l’IA un moyen central de sélection et de préparation des contrôles.

Plusieurs questions seront décisives. La première concerne la précision réelle des outils : les taux de détection doivent être distingués des décisions effectivement confirmées après examen. La deuxième porte sur les erreurs possibles, comme celles observées dans l’identification d’aménagements immobiliers depuis les airs. Enfin, la protection des données et la capacité des contribuables à comprendre ou à contester une situation demeurent des conditions indispensables à l’acceptation de ces méthodes.

La promesse de l’IA fiscale est celle d’une administration plus capable de repérer les incohérences dans une masse d’informations croissante. Son efficacité dépendra toutefois moins de l’algorithme seul que de l’équilibre trouvé entre automatisation, contrôles humains et garanties apportées aux citoyens.