Human-in-the-Loop Tax Auditing: Optimal Triage Between AI and Human Inspectors
Cet article présente un modèle économique formel et des expériences synthétiques à grande échelle démontrant que le triage optimal du contrôle fiscal alloue la capacité limitée d'inspection humaine en fonction de la valeur incrémentielle combinée de la génération de preuves et de procédures de recouvrement supérieures, générant ainsi des gains de bien-être nettement plus élevés que les stratégies d'allocation fondées uniquement sur le risque ou sur l'incertitude, tout en tenant compte de facteurs complexes tels que la dépendance aux erreurs et la dissuasion comportementale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les autorités fiscales sont confrontées à un problème aussi ancien que le concept même de la fiscalité : il y a bien plus de déclarations d'impôts à vérifier qu'il n'y a de personnes pour les contrôler. Les gouvernements ont toujours dû décider quelles déclarations méritent un examen plus approfondi et lesquelles peuvent être laissées de côté. Par le passé, cette décision reposait sur l'intuition humaine ou sur des règles simples concernant ceux qui étaient les plus susceptibles de tricher. Aujourd'hui, cependant, les agences fiscales disposent de puissants systèmes d'intelligence artificielle capables de scanner des millions de déclarations en quelques secondes, signalant celles qui semblent suspectes. Mais ces machines ne peuvent pas tout faire. Elles peuvent repérer des schémas, mais elles ne peuvent souvent pas rassembler les preuves physiques nécessaires pour prouver un crime, ni naviguer dans les étapes juridiques complexes requises pour recouvrer l'argent auprès d'un contribuable récalcitrant. La question cruciale pour les gouvernements modernes n'est plus seulement de savoir comment trouver les mauvais acteurs, mais de savoir quand cesser de faire confiance à la machine pour commencer à faire confiance à un inspecteur humain.
C'est ce casse-tête spécifique que traite Kun Huang, économiste à l'Université de Wuhan. La recherche ne demande pas si l'intelligence artificielle est meilleure que les humains, un débat qui domine souvent les gros titres. Au lieu de cela, elle pose une question plus pratique : une fois qu'un ordinateur a déjà effectué son filtrage, quelle est la manière la plus précieuse d'utiliser le nombre limité d'inspecteurs humains restants ? L'étude construit un modèle économique formel pour simuler la manière dont une autorité fiscale devrait trier les cas. Elle compare trois voies : laisser un cas sans suite, le soumettre à un contrôle automatisé à faible coût, ou l'envoyer à un enquêteur humain. Le modèle ne considère pas l'enquête humaine comme une baguette magique qui règle tout, mais comme un outil spécifique offrant deux avantages distincts. Premièrement, un humain peut trouver de nouvelles preuves que l'ordinateur a manquées. Deuxièmement, même si l'ordinateur sait déjà qu'un contribuable doit de l'argent, un enquêteur humain pourrait être plus efficace pour réellement recouvrer cet argent grâce à de meilleures compétences de négociation ou des procédures juridiques.
Pour tester ces idées, le chercheur n'a pas examiné de véritables registres fiscaux, ce qui serait impossible à utiliser pour ce type d'expérience contrôlée. Au lieu de cela, l'étude a créé un monde synthétique massif de 100 000 faux cas fiscaux. Dans ce laboratoire numérique, chaque détail était connu : quels contribuables étaient réellement non conformes, combien ils devaient, quelle était la complexité de leurs déclarations, et quelle était la probabilité que l'ordinateur et l'inspecteur humain commettent des erreurs. L'ordinateur a été programmé pour être assez précis, tandis que l'inspecteur humain a été programmé pour être légèrement meilleur pour trouver des preuves, mais aussi plus coûteux à employer. La simulation a ensuite tourné des milliers de fois, testant différentes stratégies pour attribuer les créneaux humains limités. Certaines stratégies envoyaient les cas les plus suspects aux humains, tandis que d'autres envoyaient les cas les plus déroutants, ou choisissaient simplement des cas au hasard.
Les résultats ont révélé que l'intuition la plus courante est souvent erronée. Beaucoup de gens supposent que la meilleure stratégie consiste à envoyer les cas présentant la plus haute probabilité de non-conformité aux inspecteurs humains. La simulation a montré que cette approche fondée uniquement sur le « risque » est inefficace. Un cas peut être très probablement un mensonge, mais si l'ordinateur peut déjà le résoudre facilement en faisant correspondre les documents, envoyer un inspecteur humain là est une perte de temps. Inversement, un cas qui semble seulement modérément suspect peut valoir l'attention d'un humain si l'ordinateur est susceptible d'échouer lors du recouvrement de l'argent, même s'il identifie correctement le problème. L'étude a découvert que la stratégie optimale consiste à envoyer un humain sur un cas uniquement lorsque la valeur supplémentaire qu'il apporte — soit de nouvelles preuves, soit un meilleur recouvrement — dépasse la valeur de la meilleure alternative que l'ordinateur pourrait fournir. Cela crée une carte complexe de prise de décision où les meilleurs cas pour les humains ne sont pas toujours les plus risqués, ni les plus incertains.
La recherche a également mis au jour des comportements surprenants lorsque la relation entre l'ordinateur et l'humain change. Si l'inspecteur humain commet exactement les mêmes erreurs que l'ordinateur, l'humain n'apporte aucune valeur en termes de recherche de nouvelles informations. Cependant, l'étude a montré que même dans ce scénario, l'humain pourrait rester précieux s'il est meilleur à l'étape finale du recouvrement de l'impôt. De plus, l'étude a démontré qu'à mesure que l'intelligence artificielle devient plus intelligente, le nombre de cas envoyés aux humains ne diminue pas nécessairement de manière linéaire. Parfois, un meilleur ordinateur aide en réalité à identifier un sous-ensemble spécifique de cas difficiles où les compétences uniques d'un humain deviennent encore plus critiques, créant une situation où la technologie et le travail humain se complètent plutôt que de se remplacer.
L'une des conclusions les plus significatives concerne la différence entre ce qui est bon pour le budget du gouvernement et ce qui est bon pour la société dans son ensemble. Une stratégie qui maximise le montant des impôts collectés pourrait également imposer des charges lourdes aux contribuables honnêtes, comme les forcer à passer des heures à préparer des documents pour une fausse alerte. L'étude a montré que lorsque ces coûts cachés sont comptabilisés, la « meilleure » stratégie change. Une politique qui ressemble à une victoire financière pour le trésor public peut en réalité être une perte nette pour la société si elle harcèle trop de citoyens conformes. La recherche a également exploré comment la menace d'un audit modifie le comportement des contribuables. Lorsque les contribuables savent qu'un humain pourrait les enquêter, ils sont plus enclins à payer volontairement avant même que l'audit n'ait lieu. Cet effet de « dissuasion » peut parfois inverser le classement des cas les plus importants à enquêter, suggérant que la valeur d'un inspecteur humain inclut la peur qu'il instaure, et non seulement les preuves qu'il trouve.
L'étude conclut qu'il n'existe pas de règle universelle pour savoir quand faire appel à un humain. La meilleure décision dépend entièrement des détails spécifiques de la situation : la qualité de l'ordinateur, le coût de l'embauche d'un inspecteur, la difficulté du recouvrement de l'argent et la charge que le processus impose au contribuable. La recherche fournit un cadre clair pour réfléchir à ces compromis, montrant que la valeur d'un inspecteur humain n'est pas un chiffre fixe mais un calcul dynamique. Elle suggère que les autorités fiscales devraient cesser de classer les cas selon un score unique de « risque » et plutôt calculer le gain économique spécifique de l'envoi d'un humain sur ce cas particulier. Ce faisant, elles peuvent s'assurer que leurs ressources humaines rares sont utilisées là où elles font réellement la différence, plutôt que de simplement remplir des créneaux avec les cibles les plus évidentes.
Ce travail reste une simulation, une expérience soigneusement construite dans un monde numérique plutôt qu'un rapport provenant d'un véritable bureau fiscal. Les chiffres générés ne sont pas des estimations de ce qui se passera dans un pays spécifique, mais plutôt une démonstration de la manière dont différentes forces économiques interagissent. L'étude ne prétend pas avoir résolu le problème de l'application de l'impôt, ni elle n'offre un progiciel prêt à l'emploi que les gouvernements pourraient acheter. Elle propose plutôt une façon rigoureuse de penser au problème, en éliminant les hypothèses pour révéler la mécanique sous-jacente de la collaboration entre humains et machines. Elle montre que l'avenir de l'audit fiscal ne consiste pas à choisir entre l'intelligence artificielle et le jugement humain, mais à trouver le point précis, souvent contre-intuitif, où les deux doivent se rencontrer pour créer la plus grande valeur pour tous.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.