J’ai vu passer récemment un post sur l’usage de l’intelligence artificielle dans le contrôle fiscal. Le constat était spectaculaire, la conclusion sans appel : la question ne serait plus de savoir si votre dossier sera vu, mais s’il tiendra lorsqu’il le sera.

Et voilà. L’IA va terminer les fraudeurs. Ou presque.

Comme souvent avec les « vraies questions », c’est la fausse qui m’intéresse : votre dossier sera-t-il vu ? Car depuis quand pouvoir tout voir signifie-t-il bien regarder ?

Que fait vraiment l’intelligence artificielle dans le contrôle fiscal ?

Les chiffres sont réels. Selon le bilan du contrôle fiscal 2025 publié par Bercy en avril 2026, 52 % des dossiers professionnels clos par la DGFiP en 2025 ont été orientés par le data mining et l’intelligence artificielle. Pour les dossiers de particuliers, la part atteint 54,6 %. Ces traitements ont permis de recouvrer 2,8 milliards d’euros, contre 2,5 milliards en 2024.

Précisons tout de même de quoi on parle. Le data mining fiscal consiste à croiser massivement des bases de données : déclarations, comptes bancaires, contrats d’assurance-vie, données des plateformes en ligne. Il s’agit de repérer des écarts entre ce qui est déclaré et ce qui serait statistiquement attendu. Les modèles produisent des scores de risque. Ils ne lisent pas les dossiers. Ils ne connaissent pas les vies.

Il y a de bonnes raisons de s’en réjouir. La fraude fiscale est un problème collectif, et l’administration a raison d’utiliser les outils dont elle dispose.

Seulement voilà. Il existe une différence considérable entre capacité d’observation et capacité de connaissance. Un algorithme repère un écart. Une anomalie est-elle pour autant une fraude ? Une irrégularité est-elle intentionnelle ? Ce qui ressemble à quelque chose est-il cette chose ?

2018 : 2 jours de contrôle pour 8 € de pénalités

En 2018, l’année où la DGFiP montait en puissance sur le croisement de données en masse, j’ai fait l’objet d’un contrôle fiscal. Le motif : une suspicion de rétention de TVA, détectée par un algorithme.

J’étais alors en arrêt maladie depuis près de 8 mois. Mon activité était réduite au minimum. Or quand on ne facture presque rien, on a mécaniquement peu de TVA à reverser.

Un agent est venu 2 jours sur place, puis a sans doute passé quelques heures de plus au bureau. Le contrôle a relevé un écart d’environ 600 € sur la TVA d’avril 2017. Pénalités : 8 €.

J’ignore le coût complet de ce contrôle pour l’administration. J’ai une intuition assez solide sur son rendement.

On pourrait me répondre que le système a fonctionné, puisqu’il y avait bien un écart. C’est vrai. L’algorithme n’a pas eu tort. Il a fait exactement ce qu’on lui demandait : signaler une situation inhabituelle.

Mais regardons qui a fait le reste. Qui a établi que cette situation inhabituelle était une activité à l’arrêt, et pas une TVA retenue ? Un agent, pendant 2 jours. Et moi, pendant le même temps.

La machine signale. Ce sont des humains qui comprennent. Et cette compréhension a un coût que personne ne compte.

Mon cas n’a rien d’isolé. En 2020, selon les chiffres communiqués au Parlement, 32,5 % des contrôles étaient issus du data mining, mais ils ne représentaient que 10 % des droits rappelés. Cela fait beaucoup de signaux pour des enjeux souvent modestes, et chaque fois le même travail humain pour faire le tri.

Détecter, comprendre, prouver : 3 métiers différents

Entre un signal et une conclusion, il y a une chaîne : regarder, détecter, comprendre, prouver.

Une anomalie n’est qu’un signal. Elle devient une hypothèse quand on l’interprète, puis un constat quand on rassemble des éléments suffisants. Et parler de fraude suppose encore de caractériser une intention.

L’outil n’automatise que le premier maillon. Tout le reste demeure un travail d’interprétation, et ce travail n’apparaît dans aucun taux de ciblage.

Le fisc est plus lucide que ceux qui le commentent

C’est peut-être le plus savoureux : les institutions qui pilotent ou évaluent ces outils n’ont jamais prétendu que regarder suffisait.

Une précision qui ne mesure pas l’invisible. Pour l’impôt sur le revenu, environ 65 % des dossiers signalés par croisement de données aboutissent à un rehaussement, selon la Cour des comptes. C’est significatif. Mais cela ne veut pas dire que les algorithmes détectent 65 % de la fraude. Pour le savoir, il faudrait connaître ce qui leur échappe. Or, dans son rapport de décembre 2025 sur la lutte contre la fraude fiscale, la Cour constate précisément que la fraude fiscale reste mal mesurée. Sans estimation de l’écart fiscal, la performance du contrôle ne peut pas être évaluée. La Cour note aussi que les montants mis en recouvrement stagnent autour de 20 milliards d’euros depuis 10 ans. Toujours plus de données, et pas davantage de résultats.

Une machine qui voit trop. Le dispositif Foncier innovant analyse des photos aériennes pour repérer des constructions non déclarées, à commencer par les piscines. Son taux d’erreur a été rapporté autour de 55 à 60 % : bâches bleues ou jeux gonflables pris pour des bassins. Les détections sont vérifiées avant toute imposition, et ce taux reflète un arbitrage assumé : mieux vaut trop signaler que laisser passer. Mais il rappelle que ce qu’un algorithme voit dépend de la manière dont nous avons décidé de le faire regarder. Ses angles morts, comme ses excès de vigilance, sont en partie le produit de nos choix.

Un objectif devenu plafond. L’administration s’était fixé 50 % de contrôles issus du croisement de données. Cet objectif est désormais traité comme un plafond plutôt que comme un plancher. Le ministère l’a lui-même justifié devant le Parlement par le risque de biais de sélection des algorithmes. Au-delà de ce seuil, on perdrait en diversité de détection : les signalements, les enquêtes, le renseignement de terrain, l’expérience des agents.

C’est le paradoxe central. Plus les outils de détection sont performants, plus on est tenté de concentrer l’effort sur ce qu’ils savent mesurer. Or les modèles apprennent des situations déjà observées. Une fraude nouvelle, sophistiquée ou simplement atypique échappe précisément aux régularités qui font leur efficacité.

Autrement dit, l’institution a déjà intégré que regarder ne suffit pas. Ce sont nos discours sur l’IA qui ne l’ont pas encore fait.

Et dans les organisations ?

La question dépasse largement le fisc. Je la retrouve dans mon métier, sous d’autres noms.

Dans les entreprises, les tableaux de bord se multiplient : scores d’engagement, indicateurs de risque de départ, signaux faibles de désengagement, analyses de sentiment des enquêtes internes. Chacun repère quelque chose. Aucun ne sait ce que cela signifie.

Et le glissement est le même. Un indicateur devient une preuve. Un signal devient une suspicion. Une corrélation devient une explication. Le manager ne voit plus une personne qui traverse une période difficile, il voit un collaborateur « à risque ». Le travail de compréhension demande du temps, de la présence et du contexte. Il est discrètement reporté sur ceux qui n’ont plus le temps de le faire, quand il n’est pas tout simplement supprimé.

À force de regarder ce que l’outil sait montrer, on finit par organiser le travail autour de ce qu’il sait mesurer.

Alors, votre dossier sera-t-il vu ?

Probablement, et de plus en plus facilement, au moins sous forme de données analysables. C’est sans doute une bonne nouvelle pour la lutte contre la fraude.

Mon histoire de TVA n’est pas une démonstration scientifique. Elle illustre ce qui arrive quand une information est parfaitement détectée et imparfaitement comprise, et que le coût de la compréhension retombe sur des humains.

La machine peut avoir beaucoup plus d’yeux que nous et conserver tout autant d’angles morts.

Votre dossier sera-t-il vu ? Encore faudrait-il savoir ce que « voir » veut dire.

Questions fréquentes

Quelle part des contrôles fiscaux est ciblée par l’IA en France ?

En 2025, 52 % des dossiers professionnels et 54,6 % des dossiers de particuliers clos par la DGFiP ont été orientés par le data mining et l’intelligence artificielle.

Source : Bilan du contrôle fiscal 2025, ministère de l’Économie

Combien le data mining fiscal rapporte-t-il ?

Il a permis de recouvrer 2,8 milliards d’euros en 2025, contre 2,5 milliards en 2024.

Source : Bilan du contrôle fiscal 2025, ministère de l’Économie

Le data mining fiscal, est-ce de l’intelligence artificielle ?

En partie. Il s’agit surtout de croisements massifs de données et de modèles statistiques qui attribuent des scores de risque. Ces outils signalent des écarts. Ils ne lisent pas les dossiers et ne qualifient pas la fraude.

Source : Cour des comptes, La détection de la fraude fiscale des particuliers, 2023

Les contrôles ciblés par data mining rapportent-ils autant que les autres ?

Pas nécessairement. En 2020, 32,5 % des contrôles étaient issus du data mining, mais ils ne représentaient que 10 % des droits rappelés.

Source : Réponse ministérielle à une question écrite, Assemblée nationale

Les algorithmes du fisc se trompent-ils ?

Ils produisent des signaux, pas des conclusions. Pour le dispositif Foncier innovant, qui repère les piscines non déclarées sur photos aériennes, le taux d’erreur rapporté se situe autour de 55 à 60 %. C’est pourquoi une vérification humaine a lieu avant toute imposition.

Sources : Dossier de presse Foncier innovant, DGFiP · Connexion France

Peut-on mesurer la part de la fraude que les algorithmes détectent ?

Non. Environ 65 % des dossiers d’impôt sur le revenu signalés par croisement de données aboutissent à un rehaussement, mais ce taux ne dit rien de la fraude qui échappe aux algorithmes. Sans estimation de l’écart fiscal, la Cour des comptes estime que la performance du contrôle ne peut pas être évaluée.

Sources : Cour des comptes, 2023 · Cour des comptes, La lutte contre la fraude fiscale, décembre 2025

Pourquoi l’objectif de 50 % de contrôles algorithmiques est-il devenu un plafond ?

Le ministère l’a justifié devant le Parlement par le risque de biais de sélection des algorithmes. Au-delà de ce seuil, l’administration perdrait en diversité de détection : signalements, enquêtes, renseignement de terrain, expérience des agents.

Source : Réponse ministérielle à une question écrite, Assemblée nationale

Une anomalie détectée par algorithme est-elle une fraude ?

Non. Une anomalie est un signal. Elle doit être interprétée, puis établie par des éléments probants. Qualifier une fraude suppose en plus de caractériser une intention : la DGFiP distingue d’ailleurs la fraude des autres contrôles par l’absence de bonne foi du contribuable.

Source : Bilan du contrôle fiscal 2025, ministère de l’Économie