Au cours des dernières décennies, la gestion des finances publiques (GFP) n’a cessé d’intégrer de nouvelles technologies, notamment en adoptant des systèmes d’information sur la gestion financière (SIGF) de plus en plus sophistiqués. Avec les progrès de la technologie et l’amélioration de la qualité des données, les organismes de GFP se tournent vers de nouvelles solutions technologiques, telles que l’analytique de données, les outils d’informatique décisionnelle et l’automatisation robotisée des processus (ARP). Ces solutions forment les soubassements de l’application de l’IA, qui est généralement utilisée pour renforcer et approfondir les capacités existantes, les systèmes d’IA et les approches correspondantes étant intégrés dans les produits et processus existants. En matière de GFP, l’IA est jusqu’à présent le prolongement de l’évolution technologique dans ce domaine plutôt qu’une révolution technologique.
Gouverner avec l’intelligence artificielle
État des lieux
Les usages actuels et envisagés de l’IA pour la GFP se rattachent principalement à l’amélioration de processus existants plutôt qu’à leur refonte (en supprimant toute intervention humaine, par exemple) ou qu’à la création de processus entièrement nouveaux. À l’heure actuelle, l’IA joue un rôle d’assistant qui, à très grande vitesse et pour un faible coût de transaction, automatise des tâches mineures souvent répétitives pour les fonctionnaires, ou de conseiller qui analyse des données historiques ou en temps réel afin de prévoir des événements ou des comportements futurs à l’appui des propres analyses menées par les fonctionnaires.
Dans ce contexte, les approches de l’IA, surtout l’apprentissage automatique, trouvent des applications liées à la GFP pour la prévision macroéconomique et macrobudgétaire1 et l’aide aux décisions de dépenses ; la planification et le suivi budgétaires ; la gestion, l’information et la surveillance financières ; et le dialogue avec les parties prenantes externes.
Améliorer les prévisions
L’IA peut aider à résoudre des difficultés posées par les méthodes traditionnelles de prévision économique et financière en améliorant l’exactitude et l’actualité des prévisions, les systèmes d’IA s’avérant plus performants que les modèles de prévision économique traditionnels (Jung, Patnam et Ter-Martirosyan, 2018[5]).
Les capacités prédictives de l’IA sont également considérées comme une occasion de développer la prévision immédiate – le fait de repérer des changements en temps quasi réel et d’extrapoler des évolutions potentielles à court terme. La prévision immédiate prend en compte le passé très récent et le présent pour prévoir l’état futur très proche d’indicateurs économiques qui sont généralement déterminés avec un certain délai et qui sont ensuite révisés, tels que le produit intérieur brut (PIB) ou l’inflation. Les banques centrales de différents pays étudient actuellement l’adoption de systèmes d’IA pour réaliser des prédictions plus précises et plus rapides que les modèles traditionnels fondés sur des séries temporelles, même avec l’utilisation de données non structurées, comme la Nouvelle‑Zélande (Richardson, van Florenstein Mulder et Vehbi, 2019[6]), la France (Blanchet et Coueffe, 2020[7]) et le Pérou (Tenorio et Perez, 2023[8]).
L’autorité nationale suédoise de gestion financière (ESV) a mis au point une application novatrice de prévision du PIB qui exploite les systèmes d’apprentissage automatique explicables pour accroître l’exactitude et la transparence des prévisions économiques. Ce modèle est plus performant que les prévisions officielles établies par la Suède avant la pandémie, et remédie à l’une des principales lacunes de la prévision traditionnelle fondée sur l’IA - son opacité - en visualisant l’impact de variables au fil du temps. Cet outil permet aux responsables publics, aux chercheurs et au grand public de générer des prévisions fiables sans compromettre l’interprétabilité, favorisant une prise de décision étayée par des données. Cette initiative illustre comment l’IA peut être intégrée dans la prévision macroéconomique tout en garantissant la redevabilité et la confiance.
Faciliter les décisions de dépenses
Pour faciliter la prise de décision en matière de GFP, l’IA s’appuie sur des avancées technologiques qui sont aujourd’hui largement diffusées. Citons notamment les données massives pour l’analyse de grandes quantités d’informations provenant de multiples sources, les outils d’analytique de données pour explorer des catégories financières et des bénéficiaires spécifiques et mesurer l’efficacité des dépenses sur la base de tendances et de constantes, et les visualisations de données pour permettre la communication efficace d’informations complexes.
L’IA peut aller plus loin en identifiant des tendances et des constantes et en regroupant les points de données en fonction de caractéristiques identiques ou similaires. S’agissant des décisions de dépenses, l’IA peut analyser les données historiques relatives à l’exécution des budgets afin de cerner des caractéristiques de sous-utilisation ou de dépassement, prévoir les besoins de dépenses futurs en fonction de paramètres clés (évolution démographique, par exemple) et évaluer l’efficacité des programmes en rapprochant les données de dépenses et les indicateurs de résultats. Elle offre la possibilité d’accélérer et d’améliorer l’analyse en automatisant ou en augmentant le travail humain. Les techniques d’apprentissage automatique qui exploitent des données non structurées offrent des possibilités de combiner des ensembles de données qui n’étaient jusqu’alors pas utilisées pour ces exercices (Encadré 5.8).
En 2022, la Corée du Sud a développé et déployé dBrain+, un système avancé d’information sur la gestion financière exploitant l’IA pour analyser les données économiques, fiscales et financières en temps réel, afin d’optimiser l’évaluation des risques et les processus décisionnels touchant aux finances publiques. Ses principaux modules, le système d’information budgétaire (KFIS) et le module d’évaluation des risques et d’analyse prospective (KORAHS), utilisent l’analytique pilotée par l’IA pour déceler les risques financiers et favoriser des décisions fondées sur des données. En centralisant toutes les opérations financières nationales — depuis la budgétisation et la gestion des fonds jusqu’à la surveillance de la dette et l’évaluation des performances — dBrain+ accroît l’efficience, la transparence et la prévisibilité au sein de l’administration centrale et des collectivités locales.
L’un des principaux atouts de dBrain+ est son intégration avec 63 systèmes de 46 organismes, y compris le Service national des impôts, le Service des marchés publics et la Banque de Corée, permettant une coordination fluide des fonctions de gestion des contrats, de recouvrement de l’impôt et de transferts de fonds. L’analyse pilotée par l’IA de ces données en temps réel améliore l’exécution du budget, accélère la communication d’informations financières et soutient l’identification des risques, ce qui permet une meilleure prise de décision dans le domaine des politiques budgétaires et des dépenses publiques. En adaptant les outils aux besoins des différents utilisateurs — y compris les fonctionnaires, les chercheurs et les parties prenantes externes —, dBrain+ renforce la redevabilité et modernise l’approche de la gouvernance budgétaire pilotée par l’IA suivie par la Corée du Sud.
Faciliter la planification et le suivi budgétaires
L’IA a la capacité de soutenir la planification et le suivi budgétaires en fournissant des éléments qui facilitent la formulation de critères de référence en matière de dépenses et le chiffrage de nouvelles mesures. Par exemple, le Département des anciens combattants d’Australie a mis au point des systèmes et des outils prédictifs destinés à simuler l’impact financier futur de décisions des pouvoirs publics. Ils simulent notamment les dépenses budgétaires annuelles pour chaque bénéficiaire ainsi que la durée moyenne de perception des prestations, qui servent au calcul des coûts, aux estimations budgétaires et à l’évaluation des politiques (Gouvernement australien, 2020[10]).
Un autre domaine d’application prometteur de l’IA est l’identification, le suivi et l’atténuation des risques budgétaires au moyen de l’analyse de grands ensembles de données. Les risques budgétaires pour l’État peuvent avoir diverses causes, dont des niveaux de dépenses ou d’investissements non viables, qui doivent être identifiées à un stade précoce avant d’agir préventivement. L’IA peut faciliter l’identification de tels risques, comme l’explique l’Encadré 5.9. Dans un autre exemple, l’Indonésie utilise un système baptisé Conseiller financier IA (AIFA) pour traiter des données financières et de performance non structurées afin d’analyser en temps réel les performances financières des administrations infranationales (Wisesa, 2023[11]).
Depuis plusieurs années, l’administration fiscale française (DGFiP) emploie un « système d’alerte » fondé sur l’IA qui vise à repérer les communes en difficulté financière, à leur fournir des conseils financiers et à anticiper la mise en œuvre de mesures correctives.
Ce système d’alerte était à l’origine basé sur un algorithme qui notait les communes à partir de données fiscales et financières historiques. Plus récemment, la DGFiP a mis au point un système d’IA prédictif conçu pour identifier les difficultés financières des communes à un stade plus précoce. Ce système a été entraîné à partir de données sur quatre ans afin de prévoir les résultats pour la cinquième année. Le système prédictif recourt également à des techniques de constitution de grappes pour classer les communes ayant des caractéristiques financières similaires sans exemples de résultats prédéfinis.
En 2022, une expérimentation du système a porté sur 2 500 communes, dont environ 40 % ont été identifiées comme étant confrontées à des difficultés financières. 17 % d’entre elles n’avaient pas été détectées par l’ancien algorithme. En outre, le système a conclu qu’environ 35 % des communes avaient des difficultés temporaires et non structurelles, attestant de sa capacité à faire la distinction entre des problèmes financiers permanents et transitoires.
Automatiser les activités de gestion, d’information et de surveillance
Les activités de GFP et de communication d’informations font intervenir des tâches importantes mais parfois répétitives qui se prêtent particulièrement bien à l’automatisation. Les techniques d’IA telles que le traitement automatique du langage naturel (TALN) peuvent servir à analyser des images numériques afin d’extraire des informations de documents (ex. informations des fournisseurs), d’identifier et de classer des documents (ex. factures), de comparer des documents (ex. comparaison de données de factures et d’informations des fournisseurs) ou de cerner des tendances et des constantes (ex. contrôles internes de demandes de paiement).
En France, par exemple, l’administration fiscale (DGFiP) (2024[13]) a élaboré un outil fondé sur l’IA dans le cadre des processus de contrôle interne réguliers qui « automatise la sélection des demandes de paiement à contrôler [et] optimise la charge de travail et la qualité des contrôles effectués ». En Finlande, le Centre de services partagés de l’État pour les finances et les ressources humaines (Palkeet) a mis en place un centre d’excellence pour l’automatisation robotisée des processus (ARP). Il s’emploie à élaborer et déployer des solutions ARP couvrant diverses activités financières et de gestion des ressources humaines — comme la gestion des informations sur les fournisseurs, le rapprochement des données comptables et le traitement de transactions financières —, ainsi qu’à intégrer l’IA dans les processus d’automatisation nécessitant des tâches complexes de prise de décision ou de traitement de données (Palkeet, 2024[14]).
Au Brésil, le Trésor national (STN) utilise l’IA pour améliorer la transparence budgétaire en classant les dépenses des administrations infranationales selon la norme internationale COFOG. Alors que cette tâche était jusqu’alors manuelle et mobilisait beaucoup de ressources, l’adoption de l’IA — fondée sur des modèles d’apprentissage automatique au moyen de réseaux neuronaux convolutifs et récurrents — a réduit le temps de classification de 1 000 heures de travail humain à seulement 8 heures, avec une exactitude supérieure à 97 %. Cette innovation a conduit à la publication des dépenses annuelles des administrations publiques par fonction en 2024, une avancée majeure pour les statistiques budgétaires du Brésil.
Fort de ce succès, le STN étend désormais les applications de l’IA à de nouveaux domaines, notamment la classification des dépenses liées au climat. En collaboration avec la Banque interaméricaine de développement (BID), le Brésil renforce sa capacité à évaluer les conséquences budgétaires du changement climatique. En jouant un rôle de pionnier pour la gestion des finances publiques pilotée par l’IA, le Brésil donne l’exemple à d’autres pays qui cherchent à moderniser leurs statistiques budgétaires et à améliorer la transparence dans un paysage économique de plus en plus complexe.
Outre une meilleure communication de l’information, la mise au point de vérifications ciblées pour repérer les erreurs (paiements indus, par exemple) et les fraudes (vols, par exemple) est devenue un objectif primordial de nombreux États. C’est d’autant plus vrai dans le sillage de la pandémie de COVID‑19, qui a mis au jour des faiblesses dans les systèmes de paiement de plusieurs pays. La capacité de l’IA de repérer des tendances et des constantes peut être utile à cet égard. Par exemple, pendant la pandémie, l’’Autorité danoise chargée des entreprises a mis au point des contrôles fondés sur l’IA pour analyser les demandes d’aide émanant d’entreprises au titre de divers dispositifs de soutien (van Noordt et Tangi, 2023[15]).
Faciliter l’engagement avec les parties prenantes et les usagers
Comme ce chapitre l’explique et comme le résume le chapitre 2, les robots conversationnels pilotés par TALN et par des modèles de langage sont de plus en plus employés dans l’administration pour offrir directement des services. S’agissant de la GFP, les Émirats arabes unis (EAU) ont mis au point U-Ask, un robot conversationnel unifié alimenté par l’IA pour les services publics qui peut aussi répondre à des questions simples sur les rapports budgétaires2. Au Mexique, le gouvernement a lancé un outil d’assistance virtuelle fondé sur l’IA dans le cadre de sa plateforme de soutien intelligent, conçu pour aider les usagers à s’y retrouver dans les programmes et dispositifs de soutien proposés par l’État (2023[16]). Cet outil renseigne sur les prestations, les conditions d’éligibilité et les procédures de demande applicables aux personnes physiques, aux entreprises et aux autorités locales, au moyen d’une recherche simple par mot-clé ou de questionnaires personnalisés pour adapter l’information au profil de l’utilisateur.
Gérer les risques et les défis
Risques associés
Manque de transparence et d’explicabilité
Données inappropriées ou biaisées dans les systèmes d’IA
Du fait de leur nature de « boîte noire », les systèmes fondés sur l’IA qui possèdent les meilleures capacités prédictives représentent à la fois un progrès en matière d’exactitude et un recul en matière de transparence budgétaire (Jung, Patnam et Ter-Martirosyan, 2018[5]). Ce manque de transparence complique la tâche des pouvoirs publics amenés à vérifier les processus de prise de décision de ces modèles, aspect essentiel pour la redevabilité et le respect de la réglementation. Pour remédier à cette lacune, les États donnent la priorité à des systèmes d’IA plus simples capables d’améliorer la modélisation humaine et l’analyse de sensibilité.
Bien que les pouvoirs publics et les organismes de GFP maîtrisent de mieux en mieux le repérage des risques et des défis liés à l’IA, beaucoup s’emploient encore à élaborer des cadres complets et des approches pratiques pour gérer ces risques. Ils s’efforcent de mettre en place des structures de gouvernance, de renforcer leurs capacités techniques et de créer des protocoles clairs pour le déploiement de l’IA dans les systèmes financiers publics.
Les pouvoirs publics s’attachent aussi à inventer des méthodes pour « démystifier » les systèmes d’IA et rendre leur raisonnement plus transparent, explicable et interprétable - autant de conditions importantes pour utiliser ces systèmes à des fins de GFP. Par exemple, comme mentionné ci-avant (Encadré 5.7), l’Autorité nationale suédoise de gestion financière (ESV) a mis au point une application permettant d’analyser l’impact de chaque variable de données sur les prévisions des « modèles de boîte noire », dans le cadre d’un programme de travail plus vaste visant à intégrer l’IA dans la gestion financière du gouvernement suédois (Boström et al., 2020[17]).
Tous les cas d’utilisation de l’IA montrent que les risques éthiques tels que des données incomplètes ou insuffisantes et des algorithmes biaisés peuvent être importants dans le domaine de la GFP. L’IA peut amplifier les inégalités présentes dans les données financières, conduisant à l’exclusion financière de personnes perçues comme à haut risque (Crisanto et al., 2024[18]). Ce phénomène s’observe dans le secteur bancaire, où une distribution biaisée du crédit peut perpétuer des pratiques discriminatoires en matière d’octroi de prêts (Bailey, 2023[19] ; Klein, 2020[20]). Dans la sphère de la gestion des finances publiques, des algorithmes biaisés peuvent tout autant fausser la répartition des fonds publics, des prestations sociales et l’accès aux programmes gouvernementaux, perpétuant ainsi les inégalités existantes et nuisant à l’équité. Même s’il s’apparente davantage à un système de prise de décision automatisé qu’à une IA véritable, le mécanisme Robodebt mis en place par l’Australie illustre les problèmes qui peuvent résulter d’erreurs algorithmiques si elles ne sont pas repérées et corrigées par des humains (Encadré 5.11).
Le mécanisme Robodebt mis en place par l’Australie en 2016 était un programme de recouvrement de créances automatisé destiné à identifier et récupérer des trop-perçus d’allocations. Il remplaçait un processus manuel par un algorithme de croisement de données qui comparait les données bimensuelles sur les revenus communiquées à Centrelink, l’agence responsable des paiements de sécurité sociale, avec les chiffres de revenu annuels moyens produits par l’administration fiscale australienne (ATO). Les divergences étaient signalées en tant que trop-perçus, et des demandes de remboursement étaient automatiquement émises sans vérification humaine. Cette méthode de calcul d’une « moyenne de revenus » ne tenait pas compte des fluctuations des revenus réels, générant souvent de fausses notifications de dette. En outre, le système inversait la charge de la preuve, imposant aux bénéficiaires de fournir des historiques de fiches de paie pour contester une demande de remboursement - une tâche fastidieuse pour beaucoup. Pendant sa durée de vie, ce dispositif a émis 470 000 demandes de remboursement indues pour un total de 775 millions EUR, provoquant une détresse et des difficultés financières à grande échelle.
Les calculs effectués par Robodebt ont été déclarés illégaux en 2019. Une commission royale a été mise en place en 2022 pour enquêter sur la création, la conception et la mise en œuvre du dispositif Robodebt ; le recours à des organismes externes de recouvrement de créances ; les problèmes entraînés par le déploiement du système Robodebt ; et les résultats recherchés ou réels du système. La commission royale a publié un rapport en 2023 qui analyse l’impact du système sur les bénéficiaires, y compris les prélèvements et saisies sur salaires, les effets émotionnels et psychologiques et la perte de confiance dans l’État. Robodebt illustre les risques d’automatiser des systèmes sociaux complexes sans supervision humaine suffisante ou test rigoureux. Le système a entraîné d’importants règlements en justice et des appels en faveur d’un durcissement des règles d’utilisation des algorithmes dans la sphère publique. Même si les conclusions de la commission royale n’étaient pas nécessairement représentatives du point de vue du gouvernement australien, le gouvernement a accepté, officiellement ou sur le principe, 56 des 57 recommandations de la commission.
Le système Robodebt — qui recourait au croisement de données automatisé, à la moyennisation des revenus et au calcul de trop-perçus — peut être qualifié de système de prise de décision automatisée. Même s’il n’était pas fondé sur l’IA, il illustre les problèmes de gouvernance, les enjeux de la surveillance humaine et les dérives des systèmes algorithmiques.
Défis de mise en œuvre
Inadéquation avec les solutions d’IA
Cadres juridiques et réglementaires rigides ou obsolètes
Systèmes de technologie de l’information obsolètes
Manque de données de qualité et incapacité à les partager
Déficits de compétences
Absence des cadres et d’orientations concrètement applicables sur l’utilisation de l’IA.
Une difficulté consiste à mettre en adéquation les besoins de GFP et les technologies d’IA. La plupart des ministères des Finances qui ont déjà mis en œuvre des projets d’IA dédiés à la GFP soulignent l’importance de cartographier les processus et les activités afin de repérer les domaines d’inefficience et les gains d’efficience potentiels comme condition préalable au déploiement de l’IA3. Une fois la phase initiale achevée, l’étape suivante consiste à évaluer le bien-fondé de la technologie fondée sur l’IA ou d’autres technologies et à appréhender les difficultés d’intégration.
Malgré la capacité de l’IA de résumer ou de rédiger un texte au moyen de modèles de langage, les ministères des Finances sont réticents à déployer de nouvelles technologies pour l’établissement de rapports budgétaires (production automatique de rapports budgétaires). Cette réticence peut s’expliquer par des préoccupations concernant l’exactitude ou le respect par l’IA de la réglementation actuelle. On peut aussi s’interroger sur la responsabilité en cas d’utilisation de l’IA, et sur ce que son utilisation implique pour les personnes occupant un poste à responsabilité, telles que les auditeurs externes, et les utilisateurs des rapports, comme les législateurs.
Les systèmes de technologies de l’information (TI) sont essentiels pour permettre aux ministères des Finances de mettre à profit les opportunités offertes par l’IA. Pourtant, de nombreux pays de l’OCDE déclarent être prisonniers de technologies héritées du passé qui sont très fragmentées, souvent obsolètes et dépourvues de l’infrastructure et de la compatibilité nécessaires pour intégrer des fonctionnalités avancées d’IA. Par exemple, les systèmes SIGF à contrôle centralisé datent de plus de 10 ans dans la plupart des pays de l’OCDE (OCDE, 2024[21]). Ces technologies ne sont pas propres aux pays de l’OCDE et freinent l’utilisation de l’IA pour la GFP dans le monde entier (Rivero del Paso et al., 2023[22]).
Comme tout système de TI, la qualité des résultats générés par un système d’IA dépend de la qualité des données de départ. Les ministères des Finances signalent également que la fragmentation des données, doublée de restrictions au partage des données, empêche souvent le lancement de projets d’IA (voir la section du chapitre 4 intitulée « Créer un socle de données solide »)9. Ces défis soulignent la nécessité d’améliorer les règles et les pratiques de gestion des données de manière à faciliter l’accès aux données et leur partage. Aussi, divers pays de l’OCDE prévoient d’entreprendre des mises à niveau de grande ampleur de leurs systèmes SIGF, également au vu de la nécessité de créer une infrastructure de données plus solide (Graphique 5.2).
Note : Concerne uniquement les pays qui engagent une modernisation radicale ou un remplacement de leur système SIGF central (18 pays). Les notations correspondent au niveau moyen d’importance attribué à chaque objectif sur une échelle de 0 à 4 par tous les répondants. Les données concernant le Chili, la Colombie, les États-Unis, Israël, le Mexique et la Slovénie ne sont pas disponibles.
Source : (OCDE, 2022[23]), question 24.
La GFP étant un domaine hautement technique, la mise en œuvre de systèmes d’IA doit s’accompagner d’un effort substantiel de formation qui implique une intervention et une supervision humaines (et un retour d’information) assurées par des experts. Bien que les organismes de GFP soient en mesure de cerner les risques liés à l’IA, beaucoup d’entre eux ne disposent pas des agents spécialisés et des capacités institutionnelles nécessaires pour élaborer et déployer les cadres de gestion des risques requis. En outre, il est tentant de surestimer les capacités de l’IA. Les systèmes d’IA produisent des résultats fondés sur des probabilités, ce sorte qu’ils sont par nature incertains. Ils peuvent générer des résultats erronés ou des textes qui semblent faire autorité mais qui sont incorrects (« hallucinations »). Aussi, quel que soit le degré d’entraînement des systèmes, les experts de la GFP doivent être en mesure d’exercer leur esprit critique lorsqu’ils utilisent les résultats produits. Pour exercer ce contrôle, les spécialistes doivent posséder les compétences techniques en GFP et une compréhension élémentaire du fonctionnement de l’IA.
Garantir la transparence et l’explicabilité des décisions assistées par l’IA passe par l’existence de cadres et de normes solides qui régissent et supervisent les processus d’IA, y compris la traçabilité et l’accessibilité des données d’entraînement (ex. origine des données, registres de données) et, si possible, la connaissance du code source des algorithmes d’IA. Toutefois, ces cadres et normes faisaient jusqu’à présent défaut dans de nombreux pays de l’OCDE. Les organes de surveillance traditionnels, comme les institutions supérieures de contrôle des finances publiques (ISC) et les institutions budgétaires indépendantes, commencent à adapter leurs méthodes et à développer des compétences nouvelles pour superviser efficacement les processus budgétaires pilotés par l’IA (encadré 4.8). En outre, il est crucial de définir et de mettre en place des garde-fous pour prévenir tout risque d’utilisation abusive ou de recours excessif à l’IA pour la gouvernance budgétaire à mesure que les systèmes d’IA occupent une place de plus en plus grande dans les processus de prise de décision. Les experts de la GFP doivent traiter ces problèmes afin d’élaborer un nouveau cadre de gouvernance budgétaire qui exploite le potentiel de l’IA tout en préservant la transparence, la redevabilité et l’intégrité.
Potentiel inexploité et perspectives
Les ministères des Finances adoptent actuellement une approche prudente vis-à-vis de l’IA, privilégiant l’automatisation des tâches et les applications prédictives plutôt que les usages plus prescriptifs. Alors que l’IA prédictive se contente de prévoir des résultats, l’IA prescriptive va plus loin en suggérant des mesures à prendre pour atteindre les objectifs souhaités ou atténuer les risques. Toutefois, l’application systématique de l’IA prescriptive pourrait avoir des répercussions profondes sur les fonctions et les responsabilités au sein des systèmes de GFP, pouvant aller jusqu’à modifier le travail des acteurs des processus budgétaires et des organes de surveillance.
Tout passage d’un jugement humain à des résultats basés sur des systèmes dans les décisions budgétaires nécessite une réévaluation de la responsabilité fondée sur les risques, ainsi qu’une réaffectation des rôles et des responsabilités dans un environnement de plus en plus automatisé. Cela implique aussi d’examiner comment l’IA pourrait modifier la lettre et l’esprit des institutions et des processus de GFP, et comment elle pourrait remodeler les fonctions des acteurs budgétaires, y compris des organes de surveillance externes tels que les ISC et les institutions budgétaires indépendantes. Dans ce contexte, il convient de répondre à des questions sur l’avenir de la transparence et de la redevabilité.
Quels sont les mécanismes nécessaires pour garantir la transparence des décisions automatisées sur la GFP ? Sachant que les prévisions, la planification et le suivi budgétaires pourraient être de plus en plus assurés par l’IA, il convient de mettre en place des cadres solides afin de garantir la transparence et l’explicabilité de l’utilisation des systèmes d’IA par les pouvoirs publics et des données qui les sous-tendent. Cela implique de créer et de mettre en œuvre des normes régissant l’utilisation et la surveillance de l’IA.
Comment les fonctions des organes de surveillance traditionnels évolueront-elles avec l’adoption de l’IA ? Les ISC et les institutions budgétaires indépendantes devront adapter leurs méthodes pour superviser et vérifier efficacement les processus budgétaires pilotés par l’IA. Cela pourrait impliquer de dispenser une formation à la science des données et à l’IA aux membres du personnel ou de mettre à niveau les processus d’audit pour tenir compte de facteurs propres à l’IA, comme l’intégrité et l’exhaustivité des données.
Quels nouveaux garde-fous faudra-t-il mettre en place pour se prémunir contre toute utilisation abusive de l’IA dans les mécanismes de gouvernance budgétaire ? À mesure que les systèmes d’IA jouent un rôle plus important dans la prise de décisions budgétaires, il devient primordial d’identifier les types d’utilisations abusives intentionnelles ou fortuites possibles et de s’en prémunir.
En traitant ces questions, les spécialistes de la GFP peuvent contribuer à l’élaboration d’un nouveau cadre de gouvernance budgétaire qui tire pleinement parti du potentiel innovant de l’IA, tout en préservant les principes fondamentaux de la GFP.
Les efforts des ministères des Finances en matière d’IA doivent être coordonnés et intégrer les enseignements tirés d’autres projets menés dans le secteur public. Les risques d’échec et les difficultés de mise en œuvre pourraient s’en trouver grandement minimisés, alors que la qualité des résultats s’améliorerait. Par exemple, une communauté de pratique sur les projets d’IA peut contribuer à prévenir les erreurs communes et évitables et à atténuer les risques induits par des projets d’IA intrinsèquement complexes. Ces risques proviennent, par exemple, de la participation de nombreux acteurs ayant des intérêts divers ou ne maîtrisant pas les technologies et les systèmes.
De nombreux organismes de gestion financière estiment que l’IA peut être source de gains de productivité à grande échelle, mais les études publiques sur la faisabilité et les coûts sont rares et les évaluations des résultats et des incidences restent insuffisantes. Soit les données relatives aux coûts et aux incidences ne sont pas collectées, soit elles ne sont pas publiquement disponibles en raison du caractère provisoire de projets toujours en phase d’expérimentation ou à l’étude.
Dans l’idéal, les résultats et l’impact de l’utilisation de l’IA pour la GFP devraient être mesurés en utilisant des cadres d’évaluation permettant de suivre les coûts des projets et les indicateurs clés de performance de projets achevés, y compris les économies réalisées, les gains d’efficacité et d’efficience, la réduction des erreurs et l’amélioration du respect des règles. Cela impliquerait entre autres de suivre tous les coûts des projets, de comparer des indicateurs avant et après la mise en œuvre de l’IA, de mener des enquêtes de satisfaction auprès des parties prenantes, et d’analyser les données pour déterminer en quoi les résultats de l’IA cadrent avec les objectifs de la politique budgétaire.
Faute de données d’impact, les organes de contrôle externes ont récemment appelé de leurs vœux un renforcement de la transparence des projets d’IA à l’échelle de l’administration ; ils jugent nécessaire de renforcer la surveillance et la collecte de données probantes ainsi que d’accroître les investissements (voir le chapitre 4, sections intitulées « Réaliser des investissements ciblés » et « Donner aux organismes de contrôle et aux organes consultatifs les moyens de promouvoir une IA responsable »).
Il est impératif de mettre en place des cadres solides de sélection et d’évaluation des projets dans les ministères des Finances. Ces cadres devraient être alignés sur ceux employés à l’échelle de l’ensemble de l’administration. Ils devraient suivre non seulement les indicateurs de coûts et de performance, mais aussi les effets qualitatifs de l’IA, comme la réduction des erreurs et l’amélioration du respect des règles. C’est d’autant plus nécessaire que de nombreux projets entreront probablement en concurrence à l’avenir pour capter des investissements limités.
Pour monter en régime de manière progressive et sûre, les ministères des Finances pourraient adopter une approche séquentielle pour l’introduction des technologies d’IA. C’est ce qu’illustre bien l’exemple du Centre de services partagés de l’État pour les finances et les ressources humaines (Palkeet) en Finlande, qui a démarré avec une utilisation à petite échelle des technologies d’ARP pour passer désormais à une automatisation très poussée au moyen de l’apprentissage automatique. Selon Palkeet, le fait de débuter la transformation numérique modestement a aussi contribué à accroître l’acceptabilité des technologies d’IA plus sophistiquées par les fonctionnaires (Palkeet, 2024[14]).
← 1. La prévision macrobudgétaire désigne le processus de prédiction des principaux indicateurs économiques et financiers des administrations publiques, y compris la croissance du PIB, l’inflation, les recettes fiscales, les dépenses publiques et les niveaux de la dette. Ces prévisions aident les pouvoirs publics à établir des budgets, définir une politique budgétaire et gérer les finances publiques sur un horizon de plusieurs années.
← 3. Sur la base des discussions tenues à l’OCDE et des réunions de groupes de travail avec des responsables de la GFP.