Corrigé contrôleur des finances publiques interne 2025 : intelligence artificielle

Cette proposition de correction non officielle traite l’ensemble du sujet de la session 2025, voie interne. Elle s’appuie sur les données et les documents fournis dans cette épreuve.

Le sujet officiel comporte 24 pages. Retrouvez les autres épreuves dans le catalogue du concours.

Question 1 — Intelligence artificielle : risques et avantages pour l’administration

I. Une technologie qui transforme les tâches, avec des risques pour l’emploi et la fiabilité

A. Définir l’IA et distinguer ses usages. L’intelligence artificielle désigne ici des systèmes informatiques capables, pour un objectif défini par des humains, de produire des prédictions, des recommandations, des décisions ou des contenus. Ils peuvent s’appuyer sur des règles explicites, des méthodes statistiques ou l’apprentissage à partir de données. L’IA générative produit notamment du texte, de l’image, de l’audio ou du code à partir d’une consigne. Ce dernier usage ne résume pas l’ensemble de l’IA : classer des dossiers, détecter des anomalies dans de grands volumes de données et suggérer une réponse à un usager sont des tâches différentes, qui réclament des contrôles adaptés. Le dossier rappelle que la stratégie nationale française lancée en 2018 a soutenu la recherche, puis la formation, l’innovation et une IA de confiance ; il ne démontre pas pour autant l’efficacité de chaque application administrative (documents 1 et 2, p. 5–10).

B. Des emplois et des compétences redistribués. L’automatisation peut réduire le temps consacré aux opérations répétitives : rédaction de courriers courants, préparation de comptes rendus, recherche et classement d’informations. Elle expose donc particulièrement certaines tâches administratives, comptables et de bureau. L’étude du cabinet Roland Berger citée dans le dossier chiffre à 800 000 les emplois français potentiellement menacés à l’horizon de la décennie, dont 199 000 emplois administratifs et 140 000 dans les services comptables. Ce sont des estimations de risque par métier, pas des suppressions déjà constatées. Le même document estime à 1,4 million les emplois dont les tâches pourraient être améliorées par l’IA. Accueil, appréciation d’une situation particulière, responsabilité de la décision et relation humaine ne se déduisent pas automatiquement d’un texte généré. Les effets dépendent donc de la réorganisation du travail, de la formation et de la capacité à préserver les compétences des agents. France Stratégie envisage dans le dossier une montée en qualification pour certains, mais aussi une perte de savoir-faire ou un isolement pour d’autres (documents 2 et 5, p. 8 et 15–16).

C. Une réponse rapide n’est pas nécessairement une réponse juste. Un système peut être trompé par des données erronées, insuffisantes ou biaisées ; un modèle génératif peut produire une formulation convaincante mais fausse. Le classement automatique d’un dossier peut aussi reproduire des discriminations présentes dans ses données d’entraînement. Une administration doit pouvoir expliquer sur quels éléments elle fonde une décision, protéger les données personnelles et préserver la possibilité d’un examen humain, spécialement lorsque la réponse affecte les droits d’un usager. La dépendance à quelques grandes plateformes privées peut fragiliser la maîtrise des données et des outils. La fiabilité concerne également la sécurité : le document 4 décrit la personnalisation d’hameçonnages, de faux messages et de contenus audio trompeurs par des acteurs malveillants. L’IA peut aider à détecter des fraudes, mais elle rend simultanément certaines attaques plus crédibles. Le dossier fait enfin apparaître un coût environnemental et la nécessité de développer des systèmes sobres (documents 1, 2 et 4, p. 6–14).

II. Des gains possibles pour les services publics, sous contrôle humain

A. Traiter davantage d’informations sans sacrifier le suivi des dossiers. Les administrations accumulent textes, demandes et données que les agents ne peuvent pas parcourir manuellement à la même vitesse. Une IA peut repérer des pièces, rapprocher des informations, orienter une demande vers le bon service ou proposer un premier résumé. Le gain est utile lorsque les volumes ou les délais sont contraints : à la DGFiP, l’outil LLaMandement a servi à classer et résumer des milliers d’amendements au projet de loi de finances ; les agents gardent le temps d’instruire le fond et de préparer la réponse politique. Dans le contrôle fiscal, les croisements de données peuvent aider à sélectionner des dossiers méritant une vérification. Ces exemples montrent un appui au travail humain, et non une délégation automatique de la décision finale (documents 8 et 9, p. 19–22).

B. Améliorer la relation avec l’usager. L’IA peut aider un agent à chercher une règle, à reformuler une réponse ou à traiter plus vite les avis reçus. Dans l’expérimentation Services Publics+ citée au document 6, environ 1 000 agents volontaires utilisent l’outil pour préparer des réponses aux commentaires en ligne. Dans les services testés, une réponse sur deux a été facilitée et le délai moyen annoncé est passé de sept à trois jours ; 70 % des agents interrogés expriment un ressenti positif et 74 % des usagers se disent satisfaits. Ces chiffres proviennent d’une expérimentation limitée à ses premiers mois, et ne prouvent pas à eux seuls une amélioration générale de tous les services. Le programme Services Publics+ donne par ailleurs une place aux retours des usagers et à la transparence des résultats : l’IA peut aider à exploiter ces retours si les agents en vérifient le sens et répondent à la personne, pas seulement à une catégorie statistique (documents 6 et 7, p. 17–18).

C. Installer les conditions d’une IA publique fiable. Le dossier reprend les principes proposés par le Conseil d’État : primauté humaine, performance, équité, transparence, sûreté, soutenabilité environnementale et autonomie stratégique. Concrètement, il faut choisir des usages proportionnés, documenter la qualité des données, mesurer les erreurs, contrôler les résultats et donner aux agents les moyens de les contester ou de les corriger. La formation est indispensable pour que l’outil augmente la capacité de jugement au lieu de l’affaiblir. L’ouverture du code et des méthodes peut faciliter l’évaluation extérieure, sans remplacer la protection des données ni l’audit des résultats. La stratégie nationale, les travaux de la DINUM et l’expérimentation d’outils publics comme Albert fournissent un cadre de développement ; leur réussite se jugera sur des bénéfices effectivement mesurés et sur le respect des droits des usagers (documents 1, 2, 6 et 8, p. 5–10, 17 et 20).

Ainsi, la question pour l’administration n’est pas de confier ses décisions à un logiciel. Elle est de déterminer les tâches où l’IA réduit réellement les délais ou les erreurs, puis de vérifier ce résultat et de maintenir un agent responsable de la réponse rendue.

Question 2 — Deux usages de l’IA à la DGFiP et leur bilan

Le premier exemple est LLaMandement, conçu par la DGFiP pour la préparation du travail parlementaire. À partir d’amendements transmis aux administrations, cet outil d’IA générative propose un résumé et attribue chaque texte au service chargé de l’instruire. Il peut aussi aider à préparer les fiches de banc des ministres et à retrouver une réponse donnée à un amendement voisin. Il a été utilisé pour la première fois lors de l’examen du projet de loi de finances pour 2024, avec plus de 10 000 amendements classés et synthétisés. Sur les 5 367 amendements de première lecture à l’Assemblée nationale, le responsable cité dans le document 8 annonce 94 % d’attributions jugées efficaces en dix minutes, avec 5 à 10 % d’erreurs ; le résumé de l’ensemble de cette lecture aurait pris quinze minutes. Le bilan est donc un gain de temps réel dans un exercice soumis à l’urgence parlementaire, mais pas une fiabilité totale. Les services doivent relire les classements et les résumés, surtout lorsque le sens juridique ou fiscal d’un amendement est subtil. L’ouverture du code et des données spécialisées rend l’outil vérifiable et réutilisable, sans prouver qu’il convient à tous les textes (document 8, p. 19–20).

Le second exemple est le ciblage des contrôles fiscaux par la mission « Ciblage de la fraude et valorisation des requêtes ». La DGFiP croise de grands volumes de données pour faire ressortir des risques d’irrégularités, puis proposer des dossiers aux services de contrôle. Selon le rapport de la Cour des comptes cité au document 9, ces traitements ont produit en 2022 environ 155 000 propositions de contrôles de particuliers sur quelque 730 000 contrôles, soit trois fois plus de propositions qu’en 2018. Le dispositif modernise le repérage et a déjà produit des économies de personnel par la suppression de centaines d’emplois, selon le bilan rapporté au document 9. Ce gain de moyens doit être distingué de l’efficacité fiscale supplémentaire, que le dossier ne démontre pas : les systèmes suivent surtout les contrôles et les montants redressés, sans relier suffisamment le motif initial du ciblage au résultat. La proportion des contrôles suivis d’un redressement est restée stable depuis 2018. Il serait donc incorrect de présenter les 155 000 propositions comme autant de fraudes décelées ou de contrôles fructueux. La Cour appelle à mieux mesurer la pertinence des sélections, à décloisonner les données et à expliquer aux contribuables les critères et garanties du contrôle. Ces précautions sont nécessaires pour allier efficacité et confiance dans l’administration fiscale (document 9, p. 21–22).