Gouverner avec l’intelligence artificielle

L’IA dans l’administration fiscale

Depuis de nombreuses années, les administrations fiscales utilisent l’IA pour faciliter tout l’éventail de leurs activités opérationnelles, et analysent activement son potentiel pour accroître l’efficacité de leurs opérations, améliorer les services aux contribuables, favoriser la discipline fiscale et prévenir la fraude. Elles sont bien placées pour le faire : recueillir et analyser des données est au cœur de nombreux processus des administrations fiscales, ce qui a facilité l’adoption précoce de systèmes d’IA fondés sur des règles. Ces systèmes ont permis aux administrations fiscales d’analyser et de tirer des enseignements de grands volumes de données, accélérant le repérage des infractions et facilitant un ciblage plus précis des ressources limitées sur les dossiers à haut risque.

C’est en se fondant sur cette expérience que les administrations fiscales cherchent à déterminer comment déployer des techniques plus avancées. Bien que les avancées technologiques de l’IA offrent d’importantes possibilités d’améliorer et de transformer les services, elles peuvent aussi accroître les risques liés au traitement de données sensibles et générer de nouvelles préoccupations. Aussi, les administrations fiscales doivent mettre résolument l’accent sur le respect de la vie privée, la sécurité et l’application digne de confiance de l’IA.

État des lieux

Depuis 2022, l’Inventaire des initiatives sur l’utilisation de la technologie à des fins fiscales (ITTI) réalisé par l’OCDE livre des enseignements sur l’application de l’IA dans les administrations fiscales du monde entier. La dernière enquête montre que les principaux champs d’application dans les pays de l’OCDE sont la détection de la fraude fiscale, l’aide à la prise de décision et l’amélioration des services aux contribuables (Graphique 5.1).

Graphique 5.1. Déploiement de l’IA dans les pays membres de l’OCDE qui utilisent l’IA dans l’administration fiscale

Note : 29 des 38 pays membres de l’OCDE déclarent utiliser l’IA dans l’administration fiscale en réponse à l’enquête ITTI 2024. Source : Explorateur des données de l’OCDE - Inventaire des initiatives sur l’utilisation de la technologie à des fins fiscales 2024 (https://oe.cd/dx/ITTI2024).

Améliorer la discipline et la détection des fraudes

Pour améliorer la discipline et mieux détecter la fraude, l’IA est souvent utilisée pour mettre au jour des schémas de comportement cachés ou de nouveaux liens entre des transactions, des actifs ou des contribuables dans les sources de données qu’une administration fiscale peut déjà avoir en sa possession. Avec l’amélioration des capacités technologiques et de l’expertise interne, les techniques fondées sur l’IA sont désormais employées pour analyser des jeux de données non structurés, comme le texte de documents manuscrits et les informations provenant de posts publics sur les réseaux sociaux, afin d’ajouter de la profondeur à l’analyse et de déceler les liens avec des activités susceptibles de constituer une fraude ou une infraction fiscale. Ces techniques servent également à détecter ou prévenir les attaques criminelles à l’encontre du système fiscal qui peuvent employer l’IA pour créer des demandes injustifiées de remboursement à une échelle qui peut être considérable. À titre d’exemple, l’Autorité indépendante chargée des recettes publiques de la Grèce (IAPR) met à profit l’IA pour lutter contre la fraude fiscale en détectant les infractions, automatisant les procédures complexes et permettant aux vérificateurs de réagir en temps réel1.

Parmi les utilisations plus récentes, citons l’application des capacités de détection de constantes intégrées dans les systèmes d’IA des administrations fiscales aux données provenant de systèmes d’imagerie pour permettre l’analyse de cartes et d’images satellites. En comparant les images satellites dans la durée, l’IA permet par exemple d’identifier des travaux de transformation de biens immobiliers, de nouvelles constructions ou des actifs imposables qui n’ont pas été déclarés à l’administration fiscale (Encadré 5.1). La Grèce a également mis au point un modèle d’IA permettant de géolocaliser les piscines qui n’ont pas été déclarées à l’administration fiscale2.

Encadré 5.1. Détecter les constructions ou aménagements non déclarés en France

Afin d’optimiser le processus de détection des constructions ou aménagements non déclarés, l’administration fiscale française (DGFiP) recourt, dans le cadre du projet « Foncier innovant », à l’intelligence artificielle et à la valorisation des données à partir des prises de vue aériennes de l’Institut national de l’information géographique et forestière (IGN).

Les algorithmes permettent d’extraire des images aériennes publiques de l’IGN, consultables par tous sur le site internet geoportail.gouv.fr, les contours des immeubles bâtis ainsi que des piscines.

Un traitement informatique vérifie ensuite, à partir des déclarations des propriétaires effectuées auprès de l’administration fiscale, si les éléments ainsi détectés sur les images sont correctement assujettis aux impôts directs locaux (taxe foncière notamment). Un agent de l’administration fiscale vérifie ensuite systématiquement chaque anomalie détectée avant toute opération de relance du propriétaire du bien et in fine de taxation.

Source : (OCDE, 2022[1]).

Faciliter les processus administratifs de prise de décision

Pour accroître l’efficience des processus internes, les administrations fiscales déploient l’IA en vue d’automatiser leurs procédures, par exemple le classement et l’attribution de dossiers ou de tâches similaires. Dans la même veine, l’IA est couramment utilisée pour distinguer les dossiers simples et normalisés, qui peuvent être traités automatiquement, des dossiers complexes, comme les litiges fiscaux, pour lesquels l’expertise et le jugement d’agents de l’administration fiscale sont nécessaires. Cette application garantit un usage plus efficient des ressources humaines et technologiques (Encadré 5.2).

Encadré 5.2. Améliorer la prise de décision au Brésil

Au Brésil, quelque 140 milliards USD d’impôts sont en attente d’une décision à la suite de recours en matière fiscale introduits devant les tribunaux administratifs. Il faut environ six ans pour qu’une décision en appel soit rendue. Dans le cadre du projet de règlement des litiges fondé sur l’IA, le Brésil a eu recours à l’apprentissage automatique supervisé pour attribuer des lots de dossiers comparables aux mêmes agents, dans le but d’accélérer le traitement des dossiers et la prise de décision. Les premiers essais, menés sur un échantillon de 2 000 dossiers sélectionnés manuellement, ont montré que les algorithmes supervisés peuvent atteindre une sensibilité et une spécificité de plus de 80 %.

En outre, le Brésil a utilisé des algorithmes de regroupement pour compléter les dossiers en totalité ou en partie. Une application web d’aide à la rédaction de rapports est aussi en cours d’élaboration afin de faciliter l’analyse des agents et de les aider à réutiliser des blocs de texte. Cette application permet notamment de visualiser des groupes de fichiers et de paragraphes suggérés, et de mettre en évidence des phrases qui se sont avérées importantes pour le processus de regroupement. Les agents peuvent baliser les fichiers et les paragraphes, et ces informations seront utilisées pour améliorer les suggestions futures.

Source : (OCDE, 2022[1]).

Améliorer les processus d’évaluation des risques

L’un des principaux facteurs qui incitent les administrations fiscales à adopter l’IA est sa capacité à analyser les données afin d’évaluer et de hiérarchiser les risques. Grâce à l’IA, les administrations fiscales peuvent traiter de grands volumes de données sur les contribuables — depuis l’historique des déclarations fiscales jusqu’aux enregistrements de transactions et aux informations sur les paiements numériques — afin d’élaborer des modèles de risque sophistiqués, puis d’attribuer des notes de risque à des types de comportements ou de transactions spécifiques. Ces modèles aident les administrations fiscales à repérer rapidement les infractions potentielles et à y consacrer des ressources. Grâce à l’amélioration des capacités prédictives de ces systèmes, les administrations fiscales peuvent désormais cerner les problèmes potentiels plus rapidement, empêcher qu’ils ne s’aggravent et mieux aider les contribuables à remplir correctement leurs déclarations. Pour que ces modèles de risque soient fiables, il est indispensable que les données d’entraînement soient exactes. L’Encadré 5.3 donne un exemple concernant l’Autriche. À titre d’exemple supplémentaire, sur le marché grec des carburants, l’IARP a mis au point un système d’analyse qui utilise des données provenant de diverses sources pour établir plus de 100 critères différents d’analyse des risques3.

Encadré 5.3. Améliorer les contrôles de conformité grâce à l’analyse prédictive en Autriche

Depuis 2014, l’administration fiscale autrichienne fait appel au Centre de compétences en analyse prédictive (PACC), une unité spécialisée au sein du ministère fédéral des Finances, pour utiliser des algorithmes d’apprentissage automatique. Chargé de moderniser la gestion des risques, le PACC s’emploie à améliorer le recouvrement des impôts, la vérification et la détection des fraudes. Organisé en quatre domaines thématiques (analyse prédictive, analytique avancée, analytique fiscale et analytique douanière), le PACC traite un large éventail de sujets fiscaux.

En 2023, ses modèles de risque ont analysé quelque 6.5 millions de dossiers dans les domaines de l’impôt sur le revenu, l’impôt sur les bénéfices des sociétés et la taxe sur la valeur ajoutée, ainsi que des transactions douanières. Ces analyses ont permis de déceler des irrégularités dans les déclarations de salariés et de mettre au jour des activités frauduleuses, aboutissant à des recettes fiscales supplémentaires d’environ 185 millions EUR. Près de 27.5 millions de dossiers ont également fait l’objet d’un contrôle de conformité, et 375 000 d’entre eux ont été sélectionnés pour un examen plus approfondi en raison de profils de risque peu plausibles. Des techniques sophistiquées, y compris des arbres de décision, des modèles de régression et d’exploration de texte, permettent à la fois les vérifications rétrospectives et en temps réel, et des projets en cours visent à étoffer les capacités d’analyse pour inclure, entre autres, des modèles génératifs.

Source : https://www.bmf.gv.at/en/press/press-releases/2024--New/August-2024/BMF-generated-around-EUR-185-million-in-tax-income-from-AI-in-2023-.html.

Améliorer le service aux contribuables

Aider les contribuables à s’acquitter de leurs obligations est une activité traditionnelle des administrations fiscales qui utilise souvent des méthodes de prestation de services à forte intensité de main-d’œuvre, telles que des centres d’appels ou des visites dans les locaux du centre des impôts. Pour les contribuables qui ont des questions simples et pour libérer des ressources, les administrations fiscales optent depuis de nombreuses années pour une technologie d’assistants virtuels fondée sur l’IA. Les assistants les plus sophistiqués utilisent des techniques fondées sur des règles qui orientent les contribuables vers les bonnes informations, leur permettent de procéder à des paiements ou de vérifier leur statut. Selon des données récentes de l’ITTI, les assistants virtuels qui appliquent un ensemble de règles préalablement programmées dans leurs interactions avec les contribuables constituent un cas d’usage très fréquent de l’IA4. Plus récemment, les administrations fiscales se sont mises à utiliser des techniques d’IA plus avancées, telles que les grands modèles de langage (LLM), afin d’améliorer et de personnaliser les interactions avec les contribuables. L’exemple de l’Encadré 5.4 illustre l’éventail de services possibles, et le degré croissant de sophistication qui autorise des réponses plus personnalisées. Dans un autre exemple, l’IARP en Grèce met actuellement au point un assistant numérique piloté par LLM afin de fournir des conseils aux contribuables en répondant à leurs questions pendant la période de soumission des déclarations au titre de l’impôt sur le revenu5.

Encadré 5.4. Amélioration des services aux contribuables à Singapour

L’administration fiscale de Singapour (IRAS) a tiré parti de l’automatisation pour l’utilisateur final (outils qui simplifient les processus pour les usagers), des données et des outils de l’IA afin d’offrir aux contribuables des services intégrés et personnalisés. En 2021, l’IRAS a lancé un robot conversationnel dans le but de mieux traiter des demandes courantes de renseignements concernant l’impôt sur le revenu des personnes physiques, l’impôt sur les sociétés, la taxe sur les biens et les services, la taxe foncière, les droits de timbre, les retenues à la source et les impôts à la charge des employeurs. Le robot conversationnel repose sur la plateforme de l’assistant conversationnel virtuel intelligent (VICA) de l’administration singapourienne.

Le robot conversationnel VICA offre à l’usager une expérience numérique plus humanisée et comporte des éléments interactifs de type carrousels et infographie. En 2023, le robot a été mis à jour avec l’intégration d’un moteur de grand modèle de langage (LLM), qui améliore sensiblement sa capacité à comprendre l’objet des demandes des contribuables.

Au-delà des réponses aux questions, le robot donne également accès à des services sécurisés. Les contribuables peuvent vérifier facilement leur impôt restant dû, consulter leurs échéanciers de paiement, vérifier l’état des paiements, annuler ou rétablir les échéanciers et régler un impôt via des terminaux de paiement en libre-service et des canaux mobiles. Ces transactions par robot conversationnel font économiser au contribuable environ 10 minutes par transaction par rapport aux canaux de services numériques classiques. Durant l’exercice 2024, le robot VICA de l’IRAS a traité environ 70 000 demandes de transaction, ce qui aurait permis aux contribuables de gagner 11 666 heures.

Source : (OCDE, 2022[1]), https://www.iras.gov.sg/digital-services/others/iras-bot, https://www.tech.gov.sg/products-and-services/for-government-agencies/productivity-and-marketing/vica, agents de l’administration de Singapour.

Aider les contribuables à remplir leur déclaration

En outre, l’IA facilite le préremplissage à grande échelle des déclarations de revenu ; des algorithmes et d’autres outils analysent les ensembles de données des administrations fiscales et placent les données dans les bonnes cases de la déclaration. Ce processus peut améliorer l’exactitude des déclarations et simplifier le processus déclaratif, en réduisant le temps que les contribuables consacrent à l’établissement de leur déclaration. Dans les cas où les contribuables complètent leur déclaration, les administrations fiscales déploient des techniques de détection de constantes à même de déceler les anomalies et les erreurs et d’inviter les contribuables à procéder à une double vérification.

Encadré 5.5. Éviter les erreurs dans les déclarations de revenu en Australie

L’administration fiscale australienne (ATO) emploie des technologies de pointe pour améliorer l’exactitude et l’efficience de l’établissement des déclarations de revenu. Elles incluent l’analytique de données en temps réel, les formulaires préremplis et les systèmes de détection des anomalies pour aider les contribuables à honorer leurs obligations et limiter les erreurs.

Dans le cadre de ces efforts, l’ATO propose un service de préremplissage qui renseigne automatiquement les déclarations de revenu avec des données provenant des employeurs, des banques, des organismes publics et d’autres tiers. Les informations concernées englobent les données sur les salaires, les intérêts et dividendes et l’assurance maladie privée. Les contribuables sont tenus de passer en revue et de confirmer les données préremplies avant soumission. Non seulement ce système allège les contraintes administratives, mais il améliore aussi l’exactitude en réduisant les risques d’erreurs de saisie manuelle.

En outre, l’ATO envoie des messages en temps réel pendant le processus de soumission pour traiter les anomalies potentielles. Si, par exemple, les chiffres déclarés par un contribuable sont signalés comme anormaux, le système génère un message l’invitant à vérifier la valeur saisie. Le message peut indiquer, par exemple : «  Vous n'avez déclaré aucun revenu d'intérêts. Veuillez vérifier et vous assurer que tous les intérêts perçus ont été déclarés. » En 2023-24, plus de 636 000 messages ont été envoyés à des particuliers, contribuant à sécuriser environ 78.9 millions AUD de recettes fiscales.

Source : (OCDE, 2022[1]), https://aws.amazon.com/institute/future_of_tax_technology_ai_ml_cloud_security, https://www.austlii.edu.au/au/journals/JCULawRw/2024/5.pdf, https://www.ato.gov.au/individuals-and-families/your-tax-return/how-to-lodge-your-tax-return/lodge-your-tax-return-online-with-mytax/pre-filling-your-online-tax-return.

Gérer les risques et les défis

Même si tous les cas de déploiement de l’IA dans la fonction publique ne vont généralement pas sans difficultés, l’administration fiscale constitue un environnement particulièrement exigeant pour l’intégration de l’IA en raison de trois facteurs critiques :

1. Garantir la protection des données et de la vie privée : les administrations fiscales ont aujourd’hui accès à de grandes quantités de données sensibles sur les contribuables et ont l’obligation de protéger la confidentialité de ces données. Aussi, il convient d’adapter les cadres de gouvernance et juridique pour tenir compte de l’utilisation de l’IA.

2. Sauvegarder les droits des contribuables : parce que les contribuables peuvent contester les décisions prises par les autorités fiscales, toute prise de décision fondée sur des systèmes d’IA et sur des processus administratifs connexes doit être explicable, transparente et justifiable.

3. Maintenir la confiance : les administrations fiscales sont largement tributaires de la discipline volontaire des contribuables, qui suppose d’avoir confiance dans l’impartialité et l’équité des processus administratifs. Les contribuables doivent pouvoir se fier à l’utilisation que l’administration fait de l’IA, rester convaincus que les systèmes fiscaux sont justes et être toujours disposés à se plier à leurs obligations fiscales.

Risques associés

• Données insuffisantes ou biaisées dans les systèmes d’IA

• Manque de transparence et d’explicabilité

Si les systèmes d’IA se basent sur des données insuffisantes ou biaisées, cela peut conduire à des résultats inexacts ou défavorables pour certaines personnes ou certains groupes. Dans le contexte de l’administration fiscale, cela peut entraîner une évaluation inexacte des risques et le ciblage incorrect de certaines personnes ou de certains groupes à des fins de contrôle (vérifications, par exemple). Voir un exemple dans l’Encadré 5.6.

Lors du déploiement de l’IA dans une administration fiscale, des données inexactes et de mauvaise qualité compromettent sérieusement l’efficacité des résultats, risquant de saper la confiance du public. Pour qu’un système d’IA génère des résultats fiables et dignes de confiance, les données de départ doivent être exactes, complètes et bien structurées. Les divergences dans les formats de données, les enregistrements incomplets ou mal saisis, les données obsolètes sur les contribuables ou les données dépourvues du contexte nécessaire peuvent entraîner des prévisions inexactes, des modèles de risque erronés et des résultats biaisés. Certains systèmes d’apprentissage automatique ne nécessitent pas que les données soient aussi bien structurées, mais la qualité et l’exactitude restent néanmoins essentielles. Des données de départ incorrectes peuvent réduire l’efficience des systèmes, éroder la confiance des citoyens à l’égard des administrations publiques et avoir des conséquences négatives pour les contribuables.

Encadré 5.6. Conséquences d’erreurs algorithmiques dans le contexte de l’administration fiscale

L’affaire « Toeslagen » est un scandale impliquant des allocations familiales aux Pays‑Bas. Entre 2005 et 2019, l’administration fiscale et douanière des Pays-Bas (Belastingdienst) a accusé à tort environ 26 000 familles d’avoir réclamé frauduleusement des allocations familiales en raison de l’utilisation de données erronées et d’un algorithme biaisé. Bon nombre de ces familles ont fait l’objet d’un signalement sur la base d’erreurs administratives, telles que des signatures manquantes, et ce sont surtout des familles ayant une double nationalité ou issues de l’immigration qui ont été ciblées. Ces familles ont été contraintes de rembourser des dizaines de milliers d’euros d’allocations, ce qui les a plongées dans de graves difficultés financières, certaines ayant perdu leur logement, leur emploi et leur mariage. Dans les cas extrêmes, des enfants ont été soustraits à leurs parents. Le scandale qui en a résulté a entraîné la chute du gouvernement.

Après l’affaire Toeslagen, le ministère néerlandais de l’Intérieur et des Relations au sein du Royaume a chargé des chercheurs de l’Université d’Utrecht d’élaborer une évaluation d’impact algorithmique et des droits fondamentaux. En 2022, la Chambre des représentants a approuvé une motion visant à « rendre obligatoire la réalisation de cette évaluation d’impact avant toute utilisation d’algorithmes lorsque ceux-ci sont employés pour procéder à des évaluations ou prendre des décisions concernant des personnes ».

Source : (OCDE, 2023[2]).

Les problèmes de transparence, d’explicabilité et d’interprétabilité de systèmes d’IA complexes peuvent menacer l’état de droit et inciter les contribuables à exercer un recours en justice. L’aptitude à contester des décisions est une composante essentielle de tous les processus mis en œuvre par une administration fiscale. La nature de « boîte noire » de l’IA pour de nombreux systèmes d’apprentissage automatique peut entraîner un manque de transparence, d’explicabilité et d’interprétabilité qui peut se répercuter sur le droit des contribuables de comprendre comment les décisions fiscales sont prises, ce qui peut à son tour limiter leur droit de contester une décision.

Pour atténuer ces risques, les autorités fiscales doivent investir dans des cadres de gouvernance. Ces cadres doivent garantir que l’IA est déployée en respectant l’équilibre entre les pouvoirs de recouvrement de l’impôt dévolus à l’administration et les droits des contribuables. Aussi, les systèmes d’IA et les processus opérationnels connexes au sein des administrations fiscales doivent être suffisamment transparents et explicables, et être complétés par des mécanismes de contrôle et de redevabilité adaptés. Il peut notamment s’agir de mécanismes de gouvernance des données (voir le chapitre 4, section intitulée « Créer un socle de données solide »), y compris en matière de nettoyage de données, de processus de validation et de mises à jour régulières pour maintenir l’intégrité et la crédibilité des données utilisées pour éclairer la prise de décision pilotée par l’IA. C’est à la seule condition de disposer de données fiables et de qualité que l’IA peut véritablement faciliter l’administration de l’impôt en améliorant l’exactitude, le respect des règles et l’efficacité opérationnelle.

Défis de mise en œuvre

• Déficits de compétences

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

• Cadres juridiques et réglementaires rigides ou obsolètes

Pour tirer profit de tout l’éventail des avantages que l’IA peut procurer à une administration fiscale, il faut surmonter trois grandes difficultés.

Premièrement, les administrations fiscales se livrent une concurrence féroce pour recruter les experts en mesure d’élaborer et de déployer ces technologies. À ceci s’ajoute la nécessité de former les nombreux agents en exercice à l’utilisation de cette nouvelle technologie et de gérer les transformations qui l’accompagnent.

Deuxièmement, le déploiement de cette technologie s’accompagne souvent de coûts d’investissement élevés. Obtenir les budgets nécessaires peut être difficile, car le retour sur investissement peut être incertain ou à long terme. Cet investissement est nécessaire non seulement pour offrir de nouveaux services aux contribuables, mais aussi pour protéger le système fiscal contre les attaques criminelles.

Enfin, l’IA a le potentiel de bouleverser les cadres juridiques existants qui sous-tendent de nombreux processus de l’administration fiscale. Il convient d’envisager d’adapter ces cadres parallèlement à l’élaboration de directives garantissant la conception et le déploiement efficaces de l’IA. Il faut également noter que, même si les pays se sont dotés d’orientations générales pour le déploiement de l’IA, celles-ci ne sont souvent pas adaptées aux besoins uniques et aux complexités propres à l’administration fiscale, qui appellent une réflexion plus poussée.

Potentiel inexploité et perspectives

Les administrations fiscales du monde entier ont déjà commencé à mettre à profit le potentiel de l’IA, en la déployant dans une large gamme d’activités en vue d’améliorer l’efficience de leurs opérations. L’IA peut non seulement optimiser les modèles opérationnels existants des administrations fiscales, mais aussi les transformer. Le cadre de l’Administration fiscale 3.0 (2024[3]) de l’OCDE expose une vision de la transformation numérique dans laquelle la technologie numérique sert à créer des écosystèmes fiscaux intégrés et contextuels. Ces écosystèmes permettent d’incorporer le recouvrement de l’impôt et la déclaration des revenus directement dans les systèmes naturels des contribuables, particuliers et professionnels.

Pour concrétiser le potentiel de transformation de l’IA, les administrations fiscales devraient adopter une approche systémique de son application. L’IA n’est pas un outil fonctionnant en circuit fermé ; elle doit être employée en tant que partie intégrante d’un écosystème fiscal au sens large, qui englobe des cadres réglementaires, des structures d’organisation, des infrastructures techniques existantes et une expertise humaine. Il est essentiel que les administrations fiscales prennent en compte la nécessité de repenser le processus décisionnel. Par exemple, si elles décident d’appliquer le codage des règles, les administrations fiscales peuvent coder les lois et règlements fiscaux en formats lisibles par une machine, ce qui permet aux systèmes d’IA d’interpréter et d’appliquer des règles avec une exactitude et une cohérence accrues (Mohun et Roberts, 2020[4])6.

La confiance des contribuables étant un volet essentiel d’une administration fiscale performante, les administrations fiscales devraient également s’assurer que l’IA est déployée de façon digne de confiance, transparente et responsable. Pour les accompagner dans cet effort, le Forum de l’OCDE sur l’administration fiscale expérimente actuellement un cadre destiné à les aider à déployer des systèmes d’IA. Basé sur les principes de l’OCDE pour une IA digne de confiance, ce cadre expose les principales considérations à prendre en compte à chaque étape du cycle de vie de l’IA, et décrit les enseignements et le retour d’expérience tirés d’un échantillon d’administrations qui l’ont mise en œuvre. Grâce à cette coopération, les administrations fiscales peuvent suivre une approche structurée et fondée sur les risques pour développer l’utilisation de l’IA, qui peut aussi s’adapter au contexte plus large en mutation. Le Forum sur l’administration fiscale envisage de publier les conclusions de ces travaux en 2026.

Notes

← 1.  https://www.aade.gr/sites/default/files/2024-12/dt_.11.12.24.pdf.

← 2.  https://www.tovima.gr/2023/05/29/finance/aade-pos-i-texniti-noimosyni-apokalyptei-tis-adilotes-pisines.

← 3.  https://www.aade.gr/sites/default/files/2024-12.

← 4.  https://www.oecd.org/en/data/datasets/inventory-of-tax-technology-initiatives.html

← 5.  https://www.mononews.gr/oikonomia/aade-sta-skaria-chatbox-gia-tis-forologikes-diloseis.

← 6.  Le codage des règles désigne la pratique qui consiste à convertir des règles juridiques et des réglementations en un format lisible par une machine (Mohun et Roberts, 2020[4]). Cette approche facilite le contrôle automatisé du respect des obligations et encourage la prise de décision fondée sur un cadre juridique prédéfini. Dans le contexte des administrations fiscales, le codage des règles peut contribuer à faire en sorte que le processus de décision reposant sur l’IA soit transparent, cohérent d’un cas à l’autre et respectueux de la législation. Le codage des règles peut donc renforcer la confiance du public et la redevabilité dans l’application de l’IA.