Le nouveau Rapport sur le développement dans le monde de la Banque mondiale soutient que l’administration fiscale est l’un des premiers domaines où les gouvernements pourraient plausiblement utiliser l’IA de manière efficace. Pourtant, l’IA au service du développement s’est jusqu’ici largement concentrée sur des domaines comme la santé, l’agriculture et l’éducation, et bien moins sur son potentiel de transformation de la gouvernance.
Les administrations fiscales des pays à revenu faible et intermédiaire font néanmoins figure de pionnières en matière d’utilisations innovantes de l’IA. Certaines applications sont opérationnelles, d’autres encore au stade pilote ou de la conception. Le débat a toutefois tendance à partir de l’outil lui-même. Que peut faire l’IA ? Où pourrait-on l’introduire ensuite ? Quel modèle une administration devrait-elle utiliser ? Il part moins souvent de ce dont ces outils ont besoin pour fonctionner, ou de la manière dont ils affectent les droits des contribuables.
Lors du Forum sur l’avenir de la réforme fiscale, organisé en juillet à Lusaka par l’International Centre for Tax and Development (ICTD) en partenariat avec la Zambia Revenue Authority, nous avons réuni un groupe de travail d’experts pour déterminer quels systèmes sont nécessaires à une utilisation efficace et responsable de l’IA dans les administrations fiscales. Le groupe comprenait des représentants d’administrations fiscales africaines, d’institutions universitaires, d’organisations de la société civile et de partenaires de développement. Ils ont examiné les données, l’infrastructure numérique, les capacités et la gouvernance dont les administrations fiscales ont besoin pour utiliser l’IA de manière efficace et responsable. Quatre messages se sont dégagés :
Leçon 1 : l’IA dépend de bonnes données et des systèmes déjà en place
Le commentaire d’un membre du groupe de travail a résumé un enjeu crucial :
« Si les résultats de votre IA ne sont pas bons, ce sont vos données qu’il faut incriminer. »
L’IA travaille avec les données dont elle dispose. Dans l’administration fiscale, il s’agit de l’immatriculation des contribuables, des déclarations, des paiements, des déclarations en douane, des factures, des contrôles ou des données de tiers. Lorsque les registres sont incomplets, en double ou obsolètes, les résultats reflètent ces faiblesses. Le même problème se pose lorsque les systèmes de déclaration, de paiement et de douane ne peuvent pas communiquer entre eux, ou lorsque différents organismes enregistrent un même contribuable sous des identifiants différents. Le travail nécessaire pour résoudre ces problèmes intervient souvent bien avant l’introduction d’un outil d’IA. Il consiste notamment à assainir les registres des contribuables, à connecter les bases de données, à améliorer la qualité des archives et à convenir de normes communes pour l’échange d’informations.
Les plateformes numériques ne suffisent toutefois pas à régler le problème des données. Une administration fiscale peut proposer la déclaration et le paiement en ligne alors que ses registres de contribuables restent fragmentés, ou que l’accès aux informations détenues ailleurs au sein de l’État reste limité. Les infrastructures publiques numériques (IPN) constituent donc un élément clé des fondations nécessaires à la mise en œuvre de l’IA. L’identité numérique permet de relier les personnes et les entreprises d’un système public à l’autre ; les paiements numériques créent des traces des transactions et des comportements de paiement ; et l’échange sécurisé de données permet aux administrations fiscales de relier leurs informations à l’immatriculation des entreprises, aux douanes, à la sécurité sociale, aux marchés publics et à d’autres systèmes de l’État.
En outre, l’IA et les IPN nécessitent des conditions préalables fondamentales en matière de connectivité, de culture et de compétences numériques, tant pour les gouvernements que pour les citoyens. La fracture numérique persiste, et neuf personnes sur dix en Afrique subsaharienne ne sont pas couvertes par un réseau 5G. L’écart est aussi lié au genre : environ 280 millions d’hommes de plus que de femmes utilisaient internet en 2025. Il ne s’agit pas seulement d’un problème d’accès. Les contribuables qui restent en dehors des systèmes numériques sont peu représentés dans les données dont les outils d’IA tirent leur apprentissage, et sont les moins susceptibles de bénéficier des services appuyés par l’IA.
Leçon 2 : identifier les problèmes administratifs avant d’adopter l’IA
Les cas présentés à Lusaka ont montré à quel point l’utilisation de l’IA dans l’administration fiscale s’est diversifiée :
- Kenya : un chatbot accessible sur WhatsApp aide les contribuables à accomplir des démarches courantes et à trouver des informations sur une plateforme qu’ils utilisent déjà. Il illustre une formule entendue à plusieurs reprises au sein du groupe de travail : « aller à la rencontre des contribuables là où ils se trouvent ».
- Zambie : un système d’incitations comportementales s’appuie sur l’historique déclaratif des contribuables et envoie des messages différents à ceux qui déclarent dans les délais, à ceux qui déclarent en retard et à ceux qui ne déclarent pas, remplaçant les rappels généraux par une communication mieux adaptée à la situation de chaque contribuable.
- Ghana : Publican AI facilite le profilage des risques des déclarations d’importation, aidant les agents des douanes à repérer les envois qui méritent une attention particulière. Il répond à des problèmes anciens tels que la sous-évaluation, les erreurs de classification et les fausses déclarations.
- Pakistan : Digital Eye utilise des caméras et l’IA pour estimer la production dans le secteur manufacturier ; il a été conçu pour répondre à la sous-déclaration et aux limites de l’inspection physique continue.
Ces exemples répondent à des problèmes administratifs différents et reposent sur des combinaisons différentes de données, de systèmes numériques, de capacités du personnel et de contrôle. Ils montrent aussi que l’IA ne devrait pas être le point de départ. Les administrations fiscales doivent d’abord identifier le problème qu’elles veulent résoudre, puis évaluer si l’IA est l’outil le plus approprié.
Comme l’a dit un participant :
« Au lieu de demander si une administration fiscale utilise l’IA, demandons-nous quel problème elle cherche à résoudre. »
La réponse détermine les informations nécessaires et si l’IA apporte quelque chose de plus que les outils existants. Certains problèmes peuvent être résolus par des procédures plus claires, de meilleures données ou une automatisation relativement simple. D’autres tâches peuvent tirer parti de l’apprentissage automatique, de la reconnaissance d’images ou de systèmes fondés sur le langage. Le choix doit découler du besoin administratif.
Il n’existe pas non plus de voie unique vers l’adoption de l’IA. Certaines administrations fiscales améliorent leurs systèmes de données de base et leur interopérabilité, d’autres ont commencé par des chatbots ou des projets pilotes ciblés, et la Zambie a créé une unité d’IA au sein de son département Innovation et gestion de projets. Chaque voie soulève des questions différentes en matière de coût, de capacités, de maintenance et d’appropriation.
Leçon 3 : les limites de l’utilisation de l’IA, en particulier pour les décisions complexes et non routinières
La discussion est devenue plus prudente lorsqu’elle est passée des services courants aux décisions touchant les contribuables individuellement.
Un participant a demandé :
« L’IA est-elle le premier contact que nous voulons offrir à nos usagers ? »
Pour les demandes simples, un premier contact automatisé peut être utile. Un contribuable qui cherche une date limite de déclaration, une référence de paiement ou des conseils sur l’immatriculation peut apprécier une réponse rapide à toute heure. La situation change dès qu’un système contribue à un contrôle, à une décision de remboursement ou à une mesure d’exécution. Un contribuable sélectionné pour un contrôle doit pouvoir comprendre le fondement de cette décision. Une personne dont le remboursement est retardé doit recevoir une explication. Lorsqu’un système signale une entreprise comme présentant un risque élevé, les agents ont besoin de suffisamment d’informations pour juger si le résultat est cohérent. Les contribuables ont également besoin d’une voie pour contester les décisions qui les concernent, et les instances qui examinent ces recours doivent avoir la capacité d’interroger des décisions qu’un algorithme a contribué à façonner.
C’est là une limite de l’utilisation de l’IA. Certains modèles avancés produisent des prédictions exactes sans expliquer clairement comment ils sont parvenus à chaque résultat. Cela peut être acceptable pour une tâche interne à faible enjeu, mais devient bien plus problématique lorsque le résultat affecte les droits, l’argent ou les obligations légales d’un contribuable.
Le niveau d’explication et d’intervention humaine devrait donc varier selon la tâche. Un chatbot qui répond à des questions standard ne présente pas les mêmes risques qu’un modèle susceptible d’entraîner le blocage d’un remboursement. Certains outils peuvent, une fois testés, fonctionner avec un contrôle humain quotidien limité ; d’autres doivent rester de simples outils d’aide à la décision, un agent assumant la responsabilité de la décision finale. L’IA peut appuyer le jugement humain, mais la responsabilité juridique reste celle de l’administration fiscale.
Leçon 4 : la gouvernance et la redevabilité doivent être claires dès le départ lorsqu’on utilise des outils d’IA
La gouvernance a été abordée à travers des questions pratiques auxquelles les administrations ont tendance à se confronter plus tard qu’elles ne le devraient. À qui appartient une application d’IA une fois en service ? Qui vérifie que les données restent fiables ? Qui répond lorsqu’un contribuable conteste une décision ? Ces questions deviennent plus difficiles lorsque les responsabilités sont réparties entre les services métiers, les équipes informatiques, les data scientists, les fournisseurs et la direction. Les séances consacrées à l’institutionnalisation de l’IA ont souligné la nécessité d’une appropriation claire : les services opérationnels définissent le problème et restent responsables de l’utilisation des résultats, les équipes techniques construisent et maintiennent les systèmes, et la direction veille à ce que les projets restent alignés sur les objectifs généraux.
La responsabilité ne s’arrête pas à la phase de conception. Un modèle performant peut tout de même échouer si les agents ne lui font pas confiance ou si ses résultats ne s’intègrent pas aux méthodes de travail existantes, et un projet pilote peut devenir inutilisable faute de budget prévu pour la maintenance. Le suivi doit donc se poursuivre après le déploiement, avec des procédures pour corriger les erreurs et retirer les systèmes qui ne donnent plus satisfaction. La dépendance à l’égard de prestataires externes devient préoccupante lorsque l’administration ne peut pas examiner, adapter ou maintenir le système elle-même ; les contrats doivent donc traiter de l’accès aux données, de la propriété des modèles et du transfert de connaissances.
La gouvernance couvre aussi l’usage quotidien de l’IA générative par le personnel, qui rédige peut-être déjà des courriers ou résume des documents à l’aide d’outils grand public. Attendre un grand projet d’IA pour fixer des règles sur ce qu’il est permis d’y saisir laisse une lacune immédiate.
L’édition 2026 du Global Index on Responsible AI montre que seuls 26 % des pays disposent de cadres pour des marchés publics d’IA équitables et responsables, et que seuls 18 % exigent la publication des systèmes algorithmiques utilisés par l’État. Toutes les garanties évoquées ici, de la contestation d’une décision à l’audit d’un modèle pour détecter les biais, supposent que l’on puisse d’abord savoir qu’un système d’IA est intervenu ; or, en Afrique subsaharienne, cette condition préalable n’est remplie presque nulle part.
La divulgation de l’usage de l’IA n’est pas seulement une question de droits des contribuables, mais aussi d’intérêt propre de l’administration. Le civisme fiscal dépend de l’équité perçue, de sorte que toute érosion de la confiance dans des mesures d’exécution influencées par l’IA a des effets de second ordre sur les recettes.
Il en découle six priorités pratiques pour les administrations fiscales, les gouvernements et les partenaires de développement :
- Se préparer à l’IA avant d’acquérir des outils d’IA, en renforçant la qualité des données, l’interopérabilité, les cadres juridiques et les capacités internes.
- Investir dans une identification fiable des contribuables et dans un rapprochement licite des données entre les systèmes fiscaux, douaniers, d’immatriculation des entreprises, de paiement et de tiers.
- Mettre en place des dispositifs d’échange de données sécurisés et responsables, notamment des accords clairs de partage des données, des pistes d’audit et des garanties de confidentialité.
- Maintenir l’humain dans la boucle, afin que l’IA appuie le jugement professionnel au lieu de le remplacer.
- Commencer par des cas d’usage ciblés à forte valeur ajoutée et évaluer les outils d’IA avant de les déployer à plus grande échelle.
- Faire preuve de transparence sur l’usage de l’IA. La transparence comporte trois volets : l’ouverture, c’est-à-dire les informations partagées sur l’IA ; l’intelligibilité, c’est-à-dire la capacité du destinataire à les comprendre ; et l’explicabilité, c’est-à-dire les raisons pour lesquelles une décision influencée par l’IA a été prise.
Des données administratives fiables, des infrastructures publiques numériques, les capacités du personnel et les dispositifs de gouvernance déterminent tous ce que l’IA peut accomplir. Dans la plupart des administrations fiscales africaines, l’adoption en est encore à un stade suffisamment précoce pour bâtir ces fondations en parallèle des outils.
