En Occident, les administrations publiques tendent à se numériser et, à mesure que l'IA offre de nouvelles possibilités, son usage est progressivement intégré. [...] L'administration fiscale est elle aussi impactée par l'intégration des outils basés sur l'IA et, au-delà du secteur public, dans le privé, les professionnels de la fiscalité se voient aussi progressivement dotés de nouveaux outils pour réaliser leur travail. Comme nous le verrons au cours de ce mémoire, pour l'heure, aucun appareil technologique n'est en mesure de remplacer un travailleur humain. En revanche, les outils basés sur l'IA peuvent aider les professionnels à effectuer certaines tâches, en les aidant à gagner en rapidité, en précision et en exhaustivité.
Sommaire
Intelligence artificielle
Histoire
Définition
Catégories d'intelligence artificielle
Machine Learning et Deep Learning
Techniques d'apprentissage automatique
Intelligence artificielle et fiscalité
Importance croissante de l'IA dans divers secteurs, y compris la fiscalité
Impacts de l'IA sur les métiers de la fiscalité
Comment la situation évolue-t-elle à l'étranger ?
Les défis
Intelligence artificielle
Histoire
Définition
Catégories d'intelligence artificielle
Machine Learning et Deep Learning
Techniques d'apprentissage automatique
Intelligence artificielle et fiscalité
Importance croissante de l'IA dans divers secteurs, y compris la fiscalité
Impacts de l'IA sur les métiers de la fiscalité
Comment la situation évolue-t-elle à l'étranger ?
Les défis
Accédez gratuitement au plan de ce document en vous connectant.
Extraits
[...] Ce tour d'horizon des pratiques fiscales mobilisant l'IA dans plusieurs pays étrangers a permis de montrer leur importance croissante, notamment en matière de lutte contre la fraude fiscale. Plus encore, le cas du Pays-Bas a permis de mettre en exergue que, au-delà de ses opportunités, l'usage de l'IA induit aussi des défis. 2.4. Les défis L'utilisation de l'IA dans le secteur fiscal génère de nombreux défis qu'il reste aujourd'hui encore à relever. En premier lieu, comme nous l'avons vu avec l'exemple des Pays-Bas, l'usage de l'IA ne garantit pas l'impartialité et l'équité du traitement des données. [...]
[...] Progressivement, l'IA va développer des stratégies de jeu pour gagner le plus de pièces adverses possible et pour éviter de perdre ses pièces. Le même principe est transférable à d'autres usages. Par exemple, pour un aspirateur intelligent, les récompenses peuvent correspondre aux grains de poussière aspirés. Dès lors, il va élaborer des stratégies pour « gagner » le plus de grains de poussière possible. Cela va par exemple le conduire à se rendre plus souvent dans les endroits de la maison où la poussière se dépose le plus rapidement43. [...]
[...] Toutes les applications de l'IA qui viennent d'être citées relèvent du datamining - terme qui peut se traduire par « forage de données » ou encore par « exploitation de données »59. Elles s'appuient sur la rapidité et l'exhaustivité avec lesquelles une machine peut analyser un grand nombre de données. Notons néanmoins qu'il n'est possible ni juridiquement, ni techniquement de réaliser la totalité des contrôles par des machines. Le rôle de ces dernières est d'aider les agents à contrôler les contribuables les plus susceptibles de frauder. L'IA permet aussi l'automatisation de certaines tâches répétitives et/ou élémentaires, de sorte que les agents peuvent se concentrer sur les tâches plus complexes. [...]
[...] Le potentiel de ce dernier dépasse celui de la méthode supervisée. D'une part, grâce à lui, il est également possible de demander à l'IA d'identifier des relations et des corrélations entre les données (par exemple, d'identifier des données qui apparaissent fréquemment ensemble lors d'un même événement). L'IA peut alors potentiellement identifier des liens entre les données qui n'avaient pas été envisagés par les humains. D'autre part, une IA ainsi entrainée a aussi la capacité de livrer un échantillon de données réduit et représentatif à partir d'un très grand nombre de données qui lui ont été fournies au départ. [...]
[...] Il recoupe les données en matière de déclarations de taxe, de revenus, de dossiers de propriété, de comptes bancaires et de paiements électroniques afin de déceler les incohérences. En 2023, il a identifié plus d'un million de cas à risque de fraude. Chaque contribuable concerné reçoit une lettre lui demandant d'expliquer les incohérences constatées73. 2.3.2. France La France utilise le datamining pour lutter contre la fraude depuis 2013. Cette pratique a visé les professionnels, avant d'être étendue aux particuliers. En des entreprises ciblées pour des contrôles étaient identifiées grâce à l'IA. [...]
