Gouverner avec l’intelligence artificielle

L’IA dans la lutte contre la corruption et la promotion de l’intégrité publique

Les acteurs de l’intégrité — organismes de lutte contre la corruption, institutions supérieures de contrôle des finances publiques, services d’audit interne et autres organes de surveillance — mettent à profit l’adoption de l’IA pour améliorer leurs opérations, audits et enquêtes. Alors que le volume de données disponibles ne cesse de croître et que la complexité numérique augmente, ces institutions n’ont d’autres choix que de s’adapter pour rester pertinentes. Avec la généralisation de l’usage des technologies par l’ensemble des acteurs, y compris ceux qui cherchent à contourner la surveillance et les contrôles, il est légitime que les institutions spécialisées en matière d’intégrité s’adaptent au rythme des avancées technologiques dans le domaine du numérique.

L’IA est au cœur de l’attention des acteurs de l’intégrité depuis quelques années. La raison tient aux progrès techniques rapides qui rendent ces technologies plus disponibles et abordables, mais aussi aux possibilités qu’offre l’IA d’exploiter efficacement tous les types de données, de révéler des schémas et relations complexes, d’améliorer la précision et l’exactitude des analyses et, plus largement, de renforcer l’action des institutions en matière d’intégrité (OCDE, 2024[93]). À l’instar d’autres domaines de l’action publique, l’IA s’avère particulièrement utile pour l’analyse de vastes ensembles de données complexes, où les ordinateurs peuvent surpasser l’humain en rapidité et en précision.

État des lieux

L’IA offre un large éventail d’applications potentielles aux acteurs de l’intégrité. Certaines sont déjà utilisées, testées et d’autres devraient voir le jour dans les années à venir. Les activités principales peuvent être regroupées en trois catégories selon l’impact qu’elles pourraient avoir : détection des activités frauduleuses ; gains d’efficience dans la gestion et la synthèse des connaissances ; et amélioration de l’analyse prédictive et des capacités de prévision.

Détection des activités frauduleuses

L’une des premières applications de l’IA en matière d’intégrité — et l’une des plus significatives — consiste à détecter les activités frauduleuses, grâce à la transformation des techniques d’analyse traditionnelles en méthodes sophistiquées et fondées sur les données. Les algorithmes d’IA excellent dans l’utilisation de techniques statistiques permettant d’identifier des valeurs aberrantes, des schémas, des transactions ou des comportements qui s’écartent des normes établies, justifiant une investigation humaine plus poussée (OCDE, 2024[93] ; Taşdöken, 2024[94]). Ces outils sont capables d’analyser des données numériques à l’échelle de populations entières, ce qui marque une évolution significative par rapport aux techniques d’analyse classiques reposant sur l’exploitation d’échantillons. Cela permet de détecter des erreurs d’affectation ou de déclaration des fonds, entre autres irrégularités (Köbis, Starke et Rahwan, 2021[95]) (Encadré 5.27). Quelques exemples :

• L’OCDE a récemment collaboré avec le contrôleur général de l’administration publique espagnole (Intervención General de la Administración del Estado, IGAE) sur un projet de preuve de concept combinant l’analytique avancée et l’apprentissage automatique afin de détecter des anomalies et des schémas indiquant des risques de corruption ou de fraude (OCDE, 2021[96]).

• Dans le cadre d’un audit sur les activités de lobbying à l’échelle de l’UE, la Cour des comptes européenne (CCE) a utilisé des algorithmes d’apprentissage automatique pour examiner le registre de transparence de la Commission européenne et identifier les valeurs aberrantes afin d’isoler un échantillon plus pertinent et fondé sur les risques, en vue de son analyse par les auditeurs (CEA, 2024[97]).

• Au Brésil, l’outil Alice analyse quotidiennement les procédures d’achat et de passation des marchés publics afin de mettre en évidence les points de vigilance et les incohérences. Des schémas inhabituels déclenchent une alerte, entraînant la suspension de la transaction et son signalement en vue d’une enquête plus approfondie (Encadré 5.25).

• Au Royaume-Uni, le ministère du Travail et des Pensions (Department of Work and Pensions – DWP) utilise l’IA pour repérer des schémas dans les demandes de prestations pouvant indiquer des fraudes ou des erreurs, ce qui permet aux équipes compétentes d’examiner les dossiers concernés (Encadré 5.28).

Encadré 5.27. L’outil européen DATACROS de détection des anomalies dans la détention capitalistique des entreprises

Dans l’Union européenne, le projet DATACROS a abouti à la mise au point d’un outil innovant fondé sur l’IA, capable de détecter des anomalies dans les structures de propriété des entreprises, révélatrices de risques de corruption, de blanchiment d’argent ou d’autres délits financiers. Financé par le Fonds de l’UE pour la sécurité intérieure-Police et coordonné par Transcrime, un centre de recherche de l’Università Cattolica del Sacro Cuore, le projet répond à la nécessité de disposer d’outils d’analyse avancés au service de l’exercice d’une surveillance par le public et des efforts en faveur de l’intégrité.

Le prototype est divisé en deux zones : la zone restreinte accessible uniquement aux utilisateurs autorisés — autorités répressives et agences de lutte contre la corruption — et un espace public auquel peut accéder l’ensemble des citoyens. La zone restreinte s’appuie sur des algorithmes d’intelligence artificielle pour analyser les structures de propriété de plus de 70 millions d’entreprises réparties dans 44 pays européens, afin de détecter les signaux d’alerte et les schémas dissimulés associés à des activités illicites. L’outil exploite des données recueillies dans différents pays et met à profit une connaissance approfondie des montages criminels, tout en se conformant aux réglementations en vigueur sur la protection de la vie privée et des données.

Les tests menés en 2021 ont donné des résultats prometteurs. Les systèmes prédictifs ont permis d’identifier correctement 83 % des entreprises visées par des sanctions et 88 % de celles dont les propriétaires ont été sanctionnés. Les organismes partenaires ont fait état d’une satisfaction élevée (4.3/5) et d’une forte probabilité d’adopter l’outil à l’avenir (4.3/5). En mettant des capacités d’enquête à disposition des autorités et en fournissant des données agrégées transparentes aux citoyens, DATACROS illustre parfaitement le rôle que l’IA peut jouer dans le renforcement de l’intégrité publique et la lutte contre la criminalité financière.

Source : https://www.transcrime.it/wp-content/uploads/2021/10/Datacros_report.pdf.

Encadré 5.28. L’IA au service de la lutte contre la fraude aux prestations au Royaume-Uni

Depuis 2021-22, au Royaume-Uni, le ministère du Travail et des Pensions (Department for Work & Pensions - DWP) utilise des systèmes d’IA pour analyser des données historiques et repérer les schémas associés aux demandes frauduleuses de prestation universelle (Universal Credit). Un investissement de 70 millions GBP est prévu dans l’analytique avancée entre 2022 et 2025 afin de réduire les fraudes et les erreurs dans les demandes de prestations, avec des économies prévues de 1.6 milliard GBP d’ici à 2030. Les systèmes en place évaluent les risques en se fondant sur les incohérences dans les déclarations de revenus, les fréquences inhabituelles des demandes ou les divergences par rapport aux registres externes. Les demandes présentant un risque élevé sont signalées en vue d’un examen par un opérateur humain, les paiements pouvant être suspendus jusqu’à ce qu’une vérification plus poussée soit effectuée. Les agents se concentrent en priorité sur les demandes de prestations des travailleurs indépendants, la fraude aux allocations logement et les capitaux non déclarés, trois domaines où les fraudes ont toujours été plus compliquées à détecter.

Bien que ces systèmes permettent des gains d’efficience, le DWP reconnaît qu’ils soulèvent des défis en matière d’équité et de transparence. Pour minimiser les biais, une analyse d’équité est réalisée en amont de tout déploiement avec un suivi continu des demandes signalées. Toutefois, en raison de lacunes dans les données démographiques, il est difficile d’évaluer précisément si certains groupes sont touchés de manière disproportionnée. Les agents conservent l’entière responsabilité de leurs décisions et ne sont pas informés des raisons pour lesquelles une demande a été signalée, afin d’éviter tout biais de confirmation. Un échantillonnage aléatoire des demandes est également réalisé afin de tester la fiabilité du système et prévenir toute dépendance excessive à l’automatisation.

Pour renforcer la confiance du public, le DWP s’est engagé à publier des rapports annuels sur la manière dont les technologies d’IA sont utilisées dans la détection des fraudes, en portant une attention particulière aux groupes vulnérables. Des efforts ont été entrepris pour affiner l’analyse d’équité, notamment en améliorant la collecte de données et en ajustant les méthodes de notation des risques le cas échéant.

Source : (Cour des comptes du Royaume-Uni, 2023[98]).

L’analyse de réseau constitue une autre méthode intéressante permettant de détecter d’éventuelles fraudes ou d’autres situations présentant des risques similaires. Elle consiste à examiner les interactions entre des entités au sein d’un système — agents publics, sous-traitants et fournisseurs — afin de révéler et visualiser des relations susceptibles d’être dissimulées. Cette méthode s’avère particulièrement utile pour repérer les conflits d’intérêts et les pratiques de corruption jusqu’alors difficiles, voire impossibles à détecter (en raison du volume des données et de leur complexité). Elle fournit des éléments d’analyse essentiels qui contribuent à préserver l’intégrité des opérations publiques. Ainsi, dans le domaine des marchés publics, la reconnaissance de schémas peut aider à déceler des séquences de transactions potentiellement révélatrices de pratiques de collusion ou de rétrocommissions1. La lutte contre la corruption dans ce domaine est examinée plus en détail dans la section intitulée « L’IA dans la passation des marchés publics »

Améliorer la gestion et la synthèse des connaissances

Pour les acteurs de l’intégrité, qui consacrent une grande partie de leur journée de travail à la lecture, au traitement et à l’interprétation de documents textuels, l’IA peut faciliter la gestion des connaissances et l’analyse de l’information, notamment pour extraire du sens et automatiser la recherche de faits dans les documents.

Dans le domaine du traitement automatique du langage naturel, la reconnaissance d’entités nommées permet de détecter et de classer rapidement des informations clés dans des textes et d’autres formats de données non structurés — comme des noms de personnes, des lieux, des dates ou des organisations — à une vitesse et une échelle hors de portée d’un opérateur humain. Cette technologie trouve son application dans les agents conversationnels, l’analyse de sentiments, l’extraction d’informations et la détection de fraudes. Le Brésil, par exemple, l’a intégrée aux processus de la Cour fédérale des comptes (TCU) (Odilla, 2023[99]). La traduction automatique permet également un accès plus rapide à des informations textuelles de meilleure qualité, ce qui améliore l’efficacité des contrôles et des enquêtes.

Le développement rapide de l’IA générative permet également de réaliser des gains d’efficience. Les GML peuvent être d’une grande aide en permettant la lecture, l’interprétation, la synthèse et la catégorisation de grandes quantités d’informations textuelles avec un haut niveau de précision et bien plus rapidement qu’un être humain ne pourrait le faire. Les acteurs de l’intégrité recourent de plus en plus souvent aux GML pour leurs besoins internes comme pour les services à destination du public. Cela leur permet de gagner non seulement en efficacité, mais aussi de sensibiliser davantage le public à leurs missions. On peut citer par exemple la mise au point de ChatTCU par le Brésil (Encadré 5.29). À cela s’ajoutent les initiatives suivantes :

• Les acteurs de l’intégrité en Finlande, en France, en Grèce, en Lituanie, au Royaume-Uni et dans les institutions de l’UE utilisent des GML pour rédiger des documents, analyser des tableaux, synthétiser des textes, traiter les signalements d’actes de corruption, analyser la jurisprudence et procéder à des vérifications dans le cadre d’audits de performance (Ugale et Hall, 2024[89]).

• La Cour des comptes des Pays-Bas expérimente un système d’IA générative qui permet aux citoyens et à d’autres parties prenantes de consulter des rapports publics et d’y rechercher des réponses à leurs questions sur les activités d’audit public2.

• La Cour des comptes européenne pilote, avec les institutions supérieures de contrôle (ISC) des Pays-Bas, d’Allemagne et de Suède, un projet visant à renforcer les relations interinstitutionnelles et le partage de connaissances. Les GML sont utilisés pour analyser les rapports d’audit nationaux (dans toutes les langues européennes), automatiser leur traduction et créer des fiches d’information et des synthèses en anglais3.

Encadré 5.29. Le Brésil améliore ses processus d’audit grâce à l’IA générative avec ChatTCU

La Cour fédérale des comptes brésilienne (TCU) a été la première à utiliser l’IA générative dans le cadre d’activités d’audit et de contrôle grâce à ChatTCU, un assistant alimenté par l’IA lancé en février 2023. Conçu comme une initiative institutionnelle, ChatTCU s’intègre aux systèmes internes de la TCU et offre aux auditeurs un accès en temps réel aux résumés d’affaires, aux directives réglementaires, ainsi qu’à une assistance administrative. En décembre 2023, l’outil comptait plus de 1 400 utilisateurs, témoignant de son adoption rapide au sein de l’institution.

Reposant sur le modèle GPT-4 32k, ChatTCU améliore l’efficacité des auditeurs en leur permettant de récupérer et de synthétiser rapidement des informations, allégeant ainsi le volume des tâches manuelles, sans compromis sur l’exactitude et la sécurité. Hébergée sur Microsoft Azure, la plateforme garantit la protection des données et empêche le partage non autorisé d’informations sensibles avec des fournisseurs d’IA externes. Les prochaines évolutions visent à automatiser davantage les flux de travail et à intégrer plus largement l’IA dans les processus d’audit.

Au-delà de son usage interne, ChatTCU fait désormais partie d’une initiative internationale de transfert de technologie. En octobre 2024, la TCU a signé un accord avec l’Institution supérieure de contrôle des finances publiques (ISC) du Honduras, premier bénéficiaire étranger du code source de ChatTCU. Ce partenariat, établi par l’intermédiaire de l’OLACEFS, l’Organisation des institutions supérieures de contrôle des finances publiques d’Amérique latine et des Caraïbes, s’inscrit dans une stratégie plus large visant à renforcer l’adoption de l’IA au sein des institutions d’audit d’Amérique latine et des Caraïbes. Depuis son lancement, 33 institutions brésiliennes ont également commencé à adapter ChatTCU à leurs besoins spécifiques, preuve de son évolutivité et de son adaptabilité.

Source : (Ugale et Hall, 2024[89]).

L’IA générative n’étant apparue dans le débat public qu’à la fin de l’année 2022, les acteurs de l’intégrité ont eu peu de temps pour appréhender le potentiel de cette technologie dans leur domaine et encore moins pour l’intégrer pleinement à leurs activités. Interrogés par l’OCDE (2024[89]) l’année dernière, ils ont pour la plupart indiqué que leurs organisations n’en étaient qu’aux premiers stades de maturité en matière d’utilisation de l’IA générative et des GML, si tant est qu’elles se soient déjà engagées dans cette voie, alors que le sujet prend de plus en plus d’importance.

Analytique préventive et prédictive, prévision, prospective

Les systèmes d’IA prédictive peuvent contribuer à anticiper les risques de corruption et de fraude, ainsi que d’autres problèmes, permettant ainsi de hiérarchiser les dossiers en vue d’un examen approfondi par un opérateur humain. Même si de nombreuses autorités chargées de l’intégrité ne disposent pas du pouvoir d’agir ex ante, une détection précoce des risques de corruption et de fraudes permet de les atténuer plus efficacement. Ainsi, en Colombie, l’Universidad del Rosario a développé VigIA, un outil capable d’analyser les contrats passés avec la municipalité de Bogotá et de signaler ceux présentant un risque élevé de corruption, grâce à l’anticipation de comportements potentiellement illicites. VigIA est désormais utilisé par la ville de Bogotá (Salazar, Pérez et Gallego, 2024[100]).

D’autres chercheurs ont montré comment l’IA et les techniques de la science des données peuvent servir à prédire les actes de corruption. Au Brésil, par exemple, les chercheurs ont démontré qu’un système d’IA utilisant des données budgétaires comme variables prédictives pouvait détecter près de deux fois plus de municipalités corrompues par rapport à des contrôles aléatoires, pour un même taux d’audit (Ash, Galletta et Giommoni, 2020[101]). En Italie, des chercheurs ont analysé les archives de la police à l’aide d’algorithmes d’IA afin de prédire la criminalité en col blanc, illustrant l’utilité des prévisions algorithmiques pour mieux cibler les politiques de lutte contre la corruption (de Blasio, D’Ignazio et Letta, 2022[102]). En Espagne, une équipe de chercheurs a mis au point un système d’alerte précoce fondé sur l’IA permettant d’anticiper les risques de corruption dans le secteur public à partir de données économiques et politiques collectées au niveau des provinces (López-Iturriaga et Sanz, 2017[73]). L’adoption de ces méthodes issues de la recherche par les administrations reste limitée, mais tend à progresser. Par exemple, en Lituanie, le Service spécial d’enquête (STT) développe un outil fondé sur l’IA pour aider les agents chargés de la prévention de la corruption dans l’analyse des textes législatifs (Encadré 5.30).

Encadré 5.30. Prévention de la corruption par l’analyse des projets d’actes législatifs en Lituanie

Le Service spécial d’enquête de la République de Lituanie (STT), principal organe de lutte contre la corruption du pays, développe et teste actuellement un outil destiné à aider les agents chargés de la prévention de la corruption à analyser des actes législatifs, en projet ou adoptés, dans une optique de lutte contre la corruption.

Cet outil repose sur des GML spécifiquement entraînés avec des données relatives aux risques de corruption et mobilisant des méthodes d’évaluation des risques. En détectant les facteurs de risque associés à la corruption légale (lacunes, insuffisances ou faiblesse de certaines procédures et mesures), il permet aux agents d’analyser rapidement et efficacement de vastes volumes de textes législatifs afin d’en repérer les éventuelles failles ou vulnérabilités.

Avec cet outil, l’objectif du STT est de renforcer les garde-fous législatifs, en veillant à ce que les conséquences d’un projet d’acte législatif soient soigneusement examinées avant son adoption.

Source : Travaux en cours de l’OCDE avec le STT (rapport à paraître).

Données probantes sur l’impact

L’IA est très prometteuse pour les acteurs de l’intégrité, mais ses résultats observables restent, à ce stade, difficiles à mesurer. Certains éléments donnent à penser que l’IA améliore l’efficacité opérationnelle en permettant de gagner du temps, d’automatiser intelligemment certaines tâches et d’accroître la précision des analyses. Parmi les usages où la valeur ajoutée de l’IA en matière d’intégrité est la plus évidente et la plus aisée à mesurer figurent les applications de traitement automatique du langage naturel, comme les GML, qui permettent de résumer, traduire ou extraire des informations à partir de sources textuelles. L’évaluation des retombées plus larges de l’IA dans ce domaine demeure cependant une tâche complexe. D’une part, le niveau de maturité est généralement faible ; de nombreuses initiatives en matière d’IA portées par des organismes chargés des questions d’intégrité en sont toujours au stade exploratoire (validation des concepts, projets pilotes) et ne sont pas encore déployées à grande échelle.

D’autre part, le manque de transparence, conjugué à un partage insuffisant des connaissances et des enseignements tirés entre les institutions et les pays freinent l’évaluation de l’état actuel de l’IA dans ce domaine. L’information demeure très fragmentée et la diffusion des cas d’utilisation, des meilleures pratiques et des connaissances sur les outils d’IA appliqués à l’intégrité reste limitée. Les difficultés tiennent à un ensemble de facteurs, notamment des problèmes liés à la confidentialité et au caractère sensible des activités de contrôle et des enquêtes, mais aussi à des différences culturelles ainsi qu’à des niveaux de maturité institutionnelle inégaux dans l’adoption de l’IA. En outre, la rapidité de l’évolution technologique, associée à des ressources limitées — en temps comme en compétences —, rend plus difficile le partage des connaissances et des enseignements tirés des divers cas d’usage. Ce manque d’ouverture nuit à la capacité d’évaluer l’efficacité des applications d’IA et d’apprendre de l’expérience de différentes institutions et de différents contextes.

Gérer les risques et les défis

Risques associés

• Données insuffisantes ou biaisées dans les systèmes d’IA

• Manque de transparence et d’explicabilité

• Utilisation abusive ou discutable de l’IA

Le recours à l’IA dans le cadre des initiatives de promotion de l’intégrité publique et de lutte contre la corruption nécessite de remédier aux erreurs pouvant affecter les systèmes d’IA, notamment celles causées par des données insuffisantes ou biaisées (Köbis, Starke et Rahwan, 2022[103]). Cette exigence est d’autant plus cruciale dans des domaines comme la détection des fraudes et l’analyse des conflits d’intérêts, où l’équité et l’exactitude sont primordiales. Des travaux ont été entrepris dans le but de définir des indicateurs objectifs susceptibles de constituer des signaux indirects de la corruption, un phénomène par nature difficile à détecter. Bien que la solution la plus pratique consiste à s’appuyer sur des données historiques (affaires passées ou décisions antérieures) pour entraîner les algorithmes, elle présente le risque de perpétuer les erreurs. Le recours à ce type de données pourrait en effet engendrer des biais d’interprétation, restreindre les possibilités de détecter de nouvelles formes de corruption et conduire à des pratiques de ciblage ou de surveillance iniques, préjudiciables à la crédibilité des efforts en faveur de l’intégrité. Pour minimiser les biais, les systèmes d’IA doivent intégrer des garde-fous solides : tests rigoureux, surveillance continue et dispositifs de retour d’information permettant de détecter et de corriger les erreurs non intentionnelles et les préjudices qui en découlent.

L’opacité de nombreux systèmes d’IA avancés pose également d’importants défis aux acteurs de l’intégrité. Si les citoyens perçoivent les actions et les décisions des pouvoirs publics comme peu transparentes, notamment parce qu’elles reposent sur des algorithmes en « boîte noire » — dont les résultats manquent d’explicabilité et de transparence —, ils risquent de se montrer méfiants ou de s’opposer à l’utilisation de l’IA (OCDE, 2024[93]). Dans le domaine de l’audit en particulier, l’utilisation de l’IA pour produire des analyses susceptibles d’être utilisées comme éléments de preuve demeure controversée (Mpofu, 2023[104]). Elle soulève des interrogations quant au caractère raisonnable, à la fiabilité et à la conformité de ces éléments aux normes professionnelles et réglementaires (telles que les Normes internationales d’audit), qui n’ont pas encore été mises à jour pour tenir compte des évolutions technologiques récentes.

L’utilisation des technologies d’IA par les institutions chargées de l’intégrité suscite de vives préoccupations en matière de responsabilité, d’éthique et de protection des données, notamment les données à caractère personnel. Les risques d’utilisation abusive des données, comme la fusion inappropriée de données ou la divulgation publique d’informations confidentielles, soulèvent de graves problèmes sur les plans éthique et juridique. La protection des informations sensibles, telles que les déclarations d’intérêts, représente un enjeu majeur. Il est donc essentiel que les institutions veillent à respecter les règles de protection des données, ainsi que les normes et cadres éthiques, lorsqu’elles déploient des solutions d’IA. Par ailleurs, les organismes spécialisés en matière d’intégrité devraient se doter des cadres de gouvernance des données robustes, et mettent en œuvre toutes les mesures de protection des données nécessaires afin d’atténuer les risques d’atteinte à la vie privée (audits réguliers, techniques de chiffrement avancées, promotion d’une culture fondée sur l’utilisation éthique des données au sein de leurs organisations (voir au chapitre 4, la section intitulée « Créer un socle de données solide »).

Défis de mise en œuvre

• Déficits de compétences

• Manque de données de qualité et incapacité à les partager

• Absence de cadres pratiques et d’orientations exhaustives

• Aversion au risque

• Coûts élevés de l’adoption et du déploiement à grande échelle de l’IA

Les travaux de l’OCDE (2024[89]) ont mis en évidence que l’un des principaux freins à l’intégration de l’IA dans les politiques d’intégrité publique et les dispositifs de contrôle réside dans la pénurie de compétences et d’expériences adaptées. Il s’agit notamment de compétences techniques (expertise numérique avancée et montée en compétences du personnel), ainsi que de compétences en matière de gestion du changement, de gouvernance des données et de leadership.

L’accès à des données complètes et fiables est une condition préalable à une utilisation efficace de l’IA par toute institution. Or, les acteurs de l’intégrité ne disposent pas la plupart du temps de l’autonomie nécessaire en la matière. Si certains sont « propriétaires » des données qu’ils utilisent (par exemple, les bases de données relatives aux déclarations d’intérêts), beaucoup — y compris les agences de lutte contre la corruption et les institutions supérieures de contrôle — sont souvent tributaires de données produites par des tiers, sur lesquelles ils n’ont que peu ou pas de contrôle du tout. L’acquisition des données nécessaires à leurs activités est encadrée par des règles et des dispositions nationales, des pratiques établies ou encore des protocoles d’accord conclus avec d’autres institutions. Cela occasionne souvent des retards dans l’accès aux données, pénalisant l’analyse en temps réel et la réactivité dans la prise de décision.

Des données incohérentes et de mauvaise qualité peuvent également constituer un obstacle majeur au développement et à l’efficacité des outils d’IA et compliquer la création de systèmes fiables et robustes. Or, dans la mesure où les organes chargés de l’intégrité s’appuient souvent sur des données provenant de sources externes, la disponibilité et la fiabilité de ces données sont des conditions essentielles à une mise en œuvre efficace. La qualité des données externes est la plupart du temps incertaine ou difficilement maîtrisable avant leur réception, ce qui peut entraîner des erreurs et des incohérences susceptibles de freiner ou de compliquer le développement de l’IA et l’entraînement des systèmes. Étant donné que la qualité des données est un élément essentiel pour concevoir et utiliser efficacement les systèmes d’IA, les cadres réglementaires doivent faciliter leur partage, ainsi que la collaboration entre les organismes publics et entre les secteurs, en tant que de besoin et dans le respect des règles de protection des données et de la vie privée. Des stratégies et des systèmes doivent également être mis en place pour garantir la qualité et l’exhaustivité des données utilisées.

L’interopérabilité des données constitue également un obstacle au partage ou à la combinaison de données. La capacité à croiser des données et à analyser les relations qu’elles font apparaître est essentielle pour détecter certains problèmes tels que les conflits d’intérêts. Or, à l’heure actuelle, la maturité des plateformes de données de la plupart des administrations publiques rend ces recoupements extrêmement difficiles, voire impossibles. Les contraintes réglementaires — pour des raisons de sécurité ou de protection des données — peuvent également freiner l’intégration de sources de données multiples, limitant ainsi les possibilités d’une surveillance globale et efficace.

Peut-être en raison de la nature de leur mission, les institutions d’intégrité sont souvent réfractaires au risque. De nombreux acteurs de l’intégrité souhaitent recourir à des technologies de pointe, mais ne savent pas par où commencer ni comment procéder. Cette appréhension est renforcée par la crainte de commettre des erreurs dans le processus d’adoption. Les lignes directrices officielles insistent souvent sur la nécessité d’une approche mesurée, en mettant l’accent davantage sur ce qu’il ne faut pas faire, plutôt que sur les mesures concrètes à mettre en œuvre pour une utilisation efficace de l’IA. Faute de recommandations pratiques et applicables, de nombreux organes chargés de l’intégrité peinent à définir une feuille de route claire, ce qui freine les progrès et l’innovation. L’élaboration d’orientations détaillées et de cadres pratiques, souvent inexistants, pourrait s’avérer utile pour garantir une utilisation fiable de l’IA par les acteurs de l’intégrité.

Enfin, le coût de mise en œuvre et de maintenance des outils d’IA représente un défi de taille, notamment pour les institutions disposant de budgets et d’une expertise technique limités. La complexité liée à la mise en œuvre de dispositifs efficaces permettant d’atténuer les cyberrisques vient encore assombrir le tableau. Face à cette situation, la collaboration interinstitutionnelle devient essentielle. En utilisant des ressources centralisées, comme des bacs à sable relatifs à l’IA pilotés par les pouvoirs publics ou des outils partagés, les organismes chargés de l’intégrité peuvent accéder à des technologies avancées, tout en réduisant les coûts.

Potentiel inexploité et perspectives

À l’avenir, les systèmes d’apprentissage adaptatif pourraient affiner leurs prédictions en temps réel en intégrant de nouvelles données ; ces systèmes peuvent jouer un rôle important dans la mise à jour dynamique des évaluations des risques, permettant ainsi aux organes chargés de l’intégrité de conserver une longueur d’avance sur l’évolution possible des menaces. L’IA – en particulier sa capacité à repérer et analyser des schémas dans des données non numériques – pourrait également ouvrir la voie à de nouvelles avancées dans la lutte contre la corruption. Combinée à des capteurs et à des technologies d’imagerie (satellites, drones, aéronefs capturant des images ou d’autres données, telles que des relevés thermiques ou des signaux radar), l’IA ouvre de nouvelles possibilités pour suivre et effectuer une analyse à grande échelle des schémas, permettant de comprendre les activités et les dynamiques liées à la corruption (Zinnbauer, 2025[105]).

À terme, la modélisation multi-agents, en simulant les interactions entre différentes entités (fonctionnaires, entreprises, etc.), pourrait aider à anticiper l’évolution des comportements de corruption et des mécanismes d’influence dans différents contextes (U4, 2025[106]). Cela permettrait de tester l’impact des politiques, lois et stratégies de lutte contre la corruption ou en faveur de l’intégrité avant leur mise en œuvre.

L’analyse des réseaux fondée sur l’IA pourrait également aider à obtenir une cartographie plus fine et plus complète des relations entre lobbyistes, responsables politiques, entreprises et d’autres acteurs, en mettant en évidence les modèles d’influence, les conflits d’intérêts ou les pratiques de « pantouflage ». L’intégration des technologies d’IA dans les politiques d’intégrité publique et de lutte contre la corruption est très prometteuse. Toutefois, pour s’assurer qu’elles seront utilisées de manière efficace et éthique, il convient de veiller avec la plus grande attention aux principales considérations relatives aux politiques publiques favorisant une adoption digne de confiance. Des travaux récents de l’OCDE (2024[89]) formulent trois recommandations à destination des acteurs de l’intégrité qui envisagent d’utiliser l’IA :

• Commencer par intégrer l’IA générative dans des domaines ou processus à faible risque. Cette approche permet de renforcer les capacités dans des domaines où les conséquences d’erreurs éventuelles sont plus limitées — tant sur le plan financier que sur celui de la conformité — avant d’étendre son application à des tâches plus complexes et plus analytiques, nécessitant davantage de moyens financiers.

• Anticiper les besoins informatiques, tant pour le pilotage que pour le déploiement à grande échelle. Réfléchir aux ressources de calcul, de stockage et de gestion des données qui pourraient être nécessaires et s’assurer que les décisions prises à un stade précoce ne compliquent pas excessivement les projets.

• S’appuyer sur des données ouvertes ou produites en interne afin de mettre en évidence la valeur de l’IA et d’obtenir des résultats rapidement. Cette démarche, peu coûteuse, permet de démontrer plus rapidement les cas d’utilisation.

À mesure que les pouvoirs publics poursuivent leur exploration de l’IA, ils doivent mettre en place des mécanismes solides de transparence et de redevabilité afin de garantir que les décisions fondées sur l’IA sont non seulement exactes, mais aussi compréhensibles et dûment documentées. Par exemple, même si les systèmes d’IA peuvent fournir des éclairages précieux à partir de volumes massifs de données et que leur autonomie est amenée à croître à l’avenir, les décisions sensibles doivent continuer de relever de la responsabilité des êtres humains, afin de préserver l’équité, le jugement professionnel (ou le scepticisme) et, en définitive, la confiance du public. Les organes chargés de l’intégrité publique devraient veiller à ce que : le raisonnement qui sous-tend les décisions soit compréhensible à la fois par les experts et les profanes ; des mécanismes de recours et de contestation soient en place ; et, dans la mesure du possible, les processus d’IA soient explicables. Les éléments produits par l’IA doivent satisfaire à des exigences de documentation afin de garantir une piste d’audit fiable. Cela suppose notamment de se conformer aux normes en vigueur permettant de démontrer comment ces éléments ont été obtenus et évalués.

Le partage de connaissances est également un facteur clé de réussite pour la mise en œuvre et le déploiement à grande échelle des technologies d’IA dans les fonctions liées à l’intégrité publique. Les institutions devraient participer à la création de plateformes de partage des bonnes pratiques, des stratégies, des retours d’expériences, mais aussi des modèles, codes et données. Le partage de connaissances contribue à une meilleure compréhension de l’apport de l’IA dans ces fonctions et à l’élaboration de pratiques exemplaires pouvant être largement adoptées. On citera à cet égard des initiatives comme la communauté de pratique spécialisée dans les technologies et l’analytique de la Division de l’OCDE de lutte contre la corruption dans l’administration ou Tech Connect for Integrity4. Ces forums réunissent des professionnels des secteurs public et privé pour débattre des enjeux, explorer des solutions innovantes et élaborer des stratégies collectives destinées à encourager l’adoption de l’IA et d’autres technologies. Ils favorisent une meilleure circulation de l’information, la mutualisation des ressources, un apprentissage accéléré, ainsi qu’une élaboration et une mise en œuvre plus rapides des méthodologies et des solutions.

En s’appuyant sur les orientations existantes concernant l’utilisation éthique et responsable de l’IA, les pouvoirs publics gagneraient à aller au-delà des déclarations générales en fournissant des orientations et des cadres pratiques plus précis facilitant la mise en œuvre des technologies d’IA. Celles-ci pourraient prendre la forme d’instructions détaillées, d’études de cas ou de modèles adaptables selon les besoins spécifiques des institutions. Ces orientations pourraient aussi porter sur l’identification et l’atténuation des biais dans les données, l’utilisation de techniques d’IA explicables, la transparence des processus décisionnels et l’accès à des voies de recours.

Une base de données unifiée et interopérable est essentielle à une utilisation efficace de l’IA. Les pouvoirs publics doivent rationaliser la gestion de leurs données afin de garantir l’interopérabilité et l’intégration transparentes des bases de données et des systèmes. Cela passe par la création de formats de données normalisés, la mise en place de cadres de gouvernance des données robustes et des investissements dans des infrastructures favorisant l’interopérabilité des données. En encourageant la normalisation et l’intégration des données, ainsi que des politiques en faveur d’un partage et d’un croisement sécurisés des données, les pouvoirs publics peuvent renforcer la capacité des systèmes d’IA à analyser les données de manière exhaustive, à repérer des schémas et à fournir des informations exploitables à l’appui de l’intégrité publique.

Notes

← 1.  Voir également dans ce chapitre la section consacrée à l’utilisation de l’IA dans la passation des marchés publics.

← 2.  Entretien des agents de la Cour des comptes néerlandaise.

← 3.  Informations fournies par les agents de la Cour des comptes européenne.

← 4.  Voir https://www.oecd.org/en/about/projects/tech-connect-for-integrity.html.