(Investir au Cameroun) – Une équipe de chercheurs affiliés aux universités de Ngaoundéré et de Dschang ainsi qu’à l’ESSCA School of Management, en France, affirme avoir développé un système d’intelligence artificielle capable de détecter la fraude fiscale au Cameroun avec une précision de 97,2 %. Selon les auteurs, le dispositif a été évalué sur 3,2 millions de transactions, puis expérimenté dans trois centres fiscaux, où il aurait réduit de 67 % le temps de traitement et généré des recettes supplémentaires.

Le montant de ces recettes n’est toutefois pas communiqué. Le résumé public ne précise pas davantage l’identité des centres, la durée du pilote ou le nombre de dossiers effectivement contrôlés. Au 25 août 2026, aucun document public de la Direction générale des impôts (DGI) retrouvé lors de cette vérification ne permet de corroborer cette expérimentation précise.

Les résultats sont présentés par Moïse Demlegue Frina, Jean Robert Kala Kamdjoug et Donald Richie Kuete Menou dans le chapitre de conférenceOptimizing Tax Revenue Through Machine Learning-Driven Fraud Detection: An Explainable Approach for Cameroon. Publié en ligne le 2 août 2026 par Springer Nature, le texte occupe les pages 252 à 266 des actes de WorldCIST 2026. La référence bibliographique de l’éditeur porte néanmoins le millésime 2027, celui du volume des actes.

97,2 % ne constitue pas un taux global de réussite du contrôle fiscal

D’après le résumé, les chercheurs ont exploité 3,2 millions d’enregistrements qualifiés de transactions fiscales, bancaires et douanières, collectés entre mai et novembre 2025. Ils combinent des modèles supervisés — XGBoost, Random Forest et machines à vecteurs de support — à des méthodes non supervisées, notamment Isolation Forest et des autoencodeurs. Une optimisation bayésienne sert à régler les modèles.

Le meilleur modèle d’ensemble aurait atteint une précision de 97,2 %, un rappel de 94,8 % et un score F1 de 96 %. Ces valeurs sont arithmétiquement cohérentes : la moyenne harmonique de la précision et du rappel ressort à 95,985 %, soit 96 % après arrondi.

Dans la définition usuelle d’une classification binaire, la précision mesure la proportion de fraudes parmi les opérations signalées par le système. Une précision de 97,2 % correspondrait donc à 2,8 % de fausses alertes parmi les alertes émises. Le rappel mesure la part des fraudes présentes dans l’échantillon que le modèle est parvenu à retrouver.

Ces résultats ne peuvent cependant pas être assimilés à un taux global de réussite du contrôle fiscal. Leur portée dépend notamment de la prévalence de la fraude, de la méthode d’étiquetage des cas, du seuil de déclenchement des alertes et de la séparation entre données d’entraînement et données de test.

Or, le résumé public ne fournit ni matrice de confusion, ni taux de fraude dans l’échantillon, ni description d’un test sur une période ou des contribuables totalement nouveaux. Le chapitre complet étant accessible sous abonnement, il convient d’attribuer ces lacunes au contenu public disponible, et non d’affirmer qu’elles sont absentes de l’étude intégrale.

Le taux de précision de 97,2 % ne peut pas non plus être opposé mécaniquement au taux de faux positifs de 34 % que les auteurs attribuent aux procédures existantes de la DGI. Si ces expressions sont utilisées dans leur sens statistique, elles reposent sur des dénominateurs différents. Une comparaison exige la matrice de confusion complète et la proportion de fraudes dans chaque dispositif.

Les chercheurs indiquent par ailleurs que leur chaîne informatique traite plus de 10 000 transactions par seconde, avec une latence inférieure à 100 millisecondes et la production d’un score de risque en moins de deux secondes. Le résumé ne décrit toutefois ni l’infrastructure utilisée ni les conditions du test. Il affirme également que les explications produites grâce aux méthodes SHAP et LIME ont accru de 67 % l’acceptation du système, sans préciser l’effectif interrogé, la valeur de départ ou le protocole d’évaluation.

Un pilote déclaré, mais aucun rendement budgétaire démontré

Le passage le plus sensible concerne l’expérimentation opérationnelle. Les auteurs affirment que le déploiement dans trois centres fiscaux a réduit de 67 % le temps de traitement et« generated additional revenue ». Mais le résumé ne donne ni le nom des centres, ni les dates du pilote, ni le nombre de dossiers examinés, ni les montants des rappels notifiés et encaissés. La base de comparaison utilisée pour calculer la baisse du temps de traitement n’est pas davantage indiquée.

Ces omissions empêchent d’évaluer le rendement économique du dispositif. Un bilan crédible devrait rapprocher les recettes effectivement recouvrées des coûts d’infrastructure, d’intégration des bases, de sécurisation, de formation, de maintenance et de traitement des contestations. Il faudrait aussi distinguer les redressements notifiés des sommes encaissées après recours.

Le projet répond néanmoins à un besoin officiellement identifié. Dans son Plan triennal de modernisation du système fiscal 2023-2025, la DGI constatait qu’elle ne disposait pas d’un outil centralisé de recoupement à grande échelle. Elle prévoyait d’acquérir l’infrastructure nécessaire, de former des ressources humaines au Big Data et d’interfacer un outil de recoupement avec FUSION pour l’analyse des risques et la programmation des contrôles.

Le Plan stratégique 2026-2028 montre qu’au 15 décembre 2025, 45 % de la programmation des contrôles était effectuée dans FUSION, contre une cible de 90 %. La DGI signalait encore l’absence d’un outil centralisé de recoupement à grande échelle, l’optimisation attendue de FUSION et le développement en cours d’un lac de données.

Le même document cite pourtant les recoupements automatisés à grande échelle parmi les points forts relevés par l’évaluation TADAT 2025. L’absence d’une architecture centralisée ne signifie donc pas que toute automatisation était inexistante. Elle ne réfute pas non plus, à elle seule, l’existence d’un pilote local. Elle montre plutôt que l’intégration recherchée à l’échelle de l’administration restait inachevée.

Pour 2026-2028, la DGI prévoit l’utilisation effective de l’intelligence artificielle, de la Business Intelligence et d’un système prédictif, ainsi que la création d’une unité chargée des recoupements massifs de données internes et externes. Ces orientations sont compatibles avec le système présenté par les chercheurs, mais elles ne confirment pas l’expérimentation décrite.

Baudouin Enama