L’exploitation stratégique de la science des données, en particulier de l’Intelligence Artificielle (IA), permettrait de renforcer les mécanismes de détection, de prévention des risques de fraude, de détournement et d’abus concernant les programmes d’aides et de subventions. Grâce à sa capacité à traiter et à interpréter des quantités massives d’informations, l’IA est considérée comme une solution prometteuse pour aider des institutions publiques à détecter les irrégularités, prévenir et évaluer les pertes financières associées.
Illustration du rôle de l’IA dans l’optimisation des contrôles relatifs aux subventions de la PAC
Des subventions de la PAC sont attribuées sur la base de critères complexes à vérifier. « L’interdiction de brûler les chaumes » après récolte, une mesure qui s’inscrit dans le cadre des « bonnes conditions agricoles et environnementales », est une condition à l’obtention de certaines subventions. Bien que les contrôles sur place soient efficaces, ils nécessitent une visite de l’exploitation pour analyser les sols et vérifier l’absence de traces de brûlage.
Néanmoins, les données en « open data » sont suffisamment larges pour effectuer ces contrôles à distance. Il serait possible, par exemple, d’exploiter les images satellites fournies par l’Agence Spatiale Européenne ou via le SIPA (Système d’Identification des Parcelles Agricoles). Ces images peuvent permettre à une IA d’analyser leur séquence temporelle pour retracer précisément l’utilisation des terres, identifier les périodes de récoltes, détecter la nature de la parcelle et identifier les terres soumises au brûlage. Ainsi, cette information permettrait de mieux identifier les erreurs lors de l’étape déclarative ou de mieux cibler les contrôles là où l’IA identifierait les plus grandes discordances.
Placer l’IA au cœur des dispositifs de lutte contre la fraude des Départements ?
L’approche reste sensiblement similaire pour tout autre type de risque de fraude, interne ou externe. Cette démarche implique principalement quatre étapes clés :
– dresser une cartographie exhaustive du risque de fraude, en prenant en compte l’ensemble des processus opérationnels.
– déchiffrer les différentes facettes de ce risque, identifier les données pertinentes pour le mesurer, interne ou externe, et s’appuyer sur les bases de données existantes, tout en encourageant un échange d’informations entre administrations (DGFiP, Cnaf, Cnav et Urssaf).
– former une IA à reconnaître et à évaluer ces risques, ou à mettre en œuvre les contrôles adéquats.
– maintenir un processus d’apprentissage pour l’IA, en l’alimentant régulièrement avec de nouveaux cas de fraude et des données actualisées.
Pour les aides sociales, par exemple, l’intégration de l’IA permettrait non seulement de fournir des renseignements précis pouvant limiter le risque d’erreur (robots conversationnels dit chatbots) mais aussi d’automatiser les contrôles anti-fraude et rediriger les efforts des agents vers l’anticipation de nouveaux risques et contrôles mieux ciblés.
Ainsi, avec une IA publique de confiance, les Départements peuvent passer d’une position réactive à une approche proactive. Un pivot essentiel pour non seulement lutter contre la fraude sociale sous toutes ses formes, mais aussi contre son pendant qu’est le non-recours aux prestations sociales dans un double objectif de justice et d’efficacité.
