Audits plus malins : comment Palantir pourrait guider l’IRS

Un nouvel outil à l’épreuve des services fiscaux

Des documents récents indiquent que l’administration fiscale teste un outil développé par Palantir pour identifier les « cibles à haute valeur » pour des contrôles et des enquêtes, à partir d’un ensemble disparate de systèmes hérités. Par exemple, l’outil peut croiser des déclarations de revenus anciennes avec des flux bancaires et des données de tiers pour détecter des écarts significatifs.

• Objectif : prioriser les dossiers susceptibles de rapporter le plus ou présentant le plus grand risque de fraude.
• Contexte : intégration de bases de données fragmentées issues de systèmes anciens.
• Exemple : associer des factures, relevés bancaires et déclarations pour repérer des revenus non déclarés.

Pourquoi s’attaquer aux systèmes hérités?

Les systèmes hérités créent des silots de données qui rendent difficile la détection d’anomalies à grande échelle : une même information peut être fragmentée entre services et formats. Par exemple, une entreprise qui déclare ses chiffres dans un ancien ERP peut laisser des traces contradictoires dans des registres fiscaux et des fichiers bancaires.

• Problème : données non normalisées et difficilement interrogeables.
• Conséquence : perte d’efficacité et dossiers non priorisés.
• Exemple : un contribuable multi-activités dont les revenus apparaissent différemment selon les bases consultées.

Comment l’outil repère les « cibles à haute valeur »

L’approche combine plusieurs techniques analytiques pour produire un score de priorité : détection d’anomalies, analyse de réseau, corrélation multi-source et scoring basé sur le risque. Concrètement, l’outil peut relever des incohérences telles que des facturations élevées sans contrepartie bancaire ou des flux entre sociétés liées non déclarés.

• Techniques : machine learning supervisé, détection d’anomalies, link analysis.
• Output : liste classée selon un score de « valeur » et de risque.
• Exemple : un score élevé pour un contribuable avec revenus déclarés faibles mais mouvements bancaires importants.

Avantages opérationnels attendus

Les bénéfices potentiels pour l’administration incluent une priorisation plus efficace des contrôles, une réduction des coûts d’enquête et une augmentation des recouvrements. Par exemple, cibler 5 % des dossiers les plus à risque pourrait permettre de récupérer une part disproportionnée des sommes dues.

• Efficacité : moins de temps perdu sur des dossiers peu productifs.
• Impact : augmentation probable des redressements.
• Exemple : audits ciblés sur secteurs présentant des schémas de fraude reconnus (marché noir, sous-déclaration de TVA).

Risques, biais et enjeux de transparence

L’usage d’algorithmes dans le contrôle fiscal soulève des questions de biais, de vie privée et de transparence. Les modèles peuvent produire des faux positifs affectant des particuliers ou PME, ou renforcer des inégalités si les données d’entraînement sont partiales. Par exemple, une ville ou un secteur surreprésenté dans les données historiques pourrait être ciblé de façon disproportionnée.

• Risque : discrimination et erreurs de ciblage.
• Vie privée : étendue des croisements de données personnelles.
• Exemple : une petite entreprise faussement identifiée comme fraudeuse en raison d’un schéma de transactions atypique mais légitime.

Garanties nécessaires et bonnes pratiques

Pour limiter les dérives, il est essentiel d’instaurer des garde-fous : audits indépendants des algorithmes, supervision humaine systématique, traçabilité des décisions et mécanismes de recours pour les contribuables. Des tests en aveugle et des revues régulières des performances peuvent réduire les biais.

• Recommandations : audits externes, transparence sur les critères, formation des agents.
• Mesures techniques : anonymisation, contrôle des jeux de données d’entraînement.
• Exemple : mise en place d’un comité d’éthique qui valide les règles de scoring et publie des rapports publics anonymisés.