Pourquoi cette mesure ?
La commande publique produit des données structurées sur les acheteurs, titulaires, montants, dates, objets et procédures. Ces données rendent possible une détection statistique à grande échelle : concentration inhabituelle des attributions, fractionnement de contrats, prix unitaires atypiques, modifications répétées, entreprises liées ou séquences temporelles anormales. Mais un score d’anomalie n’est jamais une preuve de fraude. La mesure 9.14 crée un système de tri et d’alerte destiné aux contrôleurs et acheteurs, pas un automate de sanction.
État des lieux en 2026 : partir de ce qui existe vraiment
Les données essentielles de la commande publique sont déjà centralisées et diffusées sous forme de jeux consolidés. Cette infrastructure est un actif : il n’est pas nécessaire de créer une collecte parallèle pour entraîner ou faire fonctionner un détecteur. Le projet doit commencer par la qualité des données, les référentiels d’entreprises, les liens entre marchés et avenants et la normalisation des objets. Les anomalies doivent ensuite être évaluées sur des historiques connus afin de mesurer le taux de faux positifs.
Source au point d’usage : Plan IA de l’État 2026 ↗
Concevoir, financer et sécuriser la mise en œuvre
Architecture, fonctionnement et conditions techniques
Le système combine règles simples et modèles statistiques. Les règles détectent par exemple le fractionnement autour d’un seuil ou une succession d’avenants. Les modèles apprennent des distributions de prix et comportements comparables. Les alertes sont accompagnées des éléments ayant déclenché le signal. Un contrôleur peut les classer : anomalie justifiée, erreur de donnée, risque à examiner ou irrégularité. Ces retours servent à améliorer le système sans créer une boucle où les décisions historiques sont supposées toujours correctes.
Démonstration financière : séparer coût, capacité et économie
Le chiffre financier doit suivre l’action réelle. Une alerte qui conduit à renégocier un prix peut produire un coût évité, attribué à la mesure de marché public concernée. Une fraude détectée et recouvrée produit une recette seulement à hauteur des sommes réellement encaissées. Une procédure annulée peut éviter un engagement, mais il faut retirer le coût de la nouvelle procédure. Le système 9.14 lui-même ne comptabilise donc pas la valeur totale des marchés « signalés ». Cette discipline évite les milliards fictifs obtenus en additionnant tous les contrats atypiques.
Droit applicable et limites à ne pas franchir
La commande publique est encadrée par des principes de liberté d’accès, égalité de traitement et transparence. Un score d’anomalie ne doit pas devenir un critère secret excluant automatiquement une entreprise. Les traitements de données et éventuels profils d’entreprises doivent être qualifiés juridiquement. Lorsqu’une alerte déclenche un contrôle, l’autorité compétente conserve l’instruction et la décision. Les modèles utilisés par les acheteurs doivent être documentés suffisamment pour comprendre les signaux et corriger les erreurs de données.
Plans A, B et C : l’objectif survit au blocage d’une voie
pilotes sur quelques familles d’achats disposant de données comparables, puis extension après mesure des faux positifs.
si les modèles complexes sont trop opaques, conserver un moteur de règles et de statistiques descriptives qui produit déjà de la valeur.
si la qualité des données empêche le scoring, investir d’abord dans les référentiels et contrôles de saisie. Le projet ne dépend donc pas d’un « super modèle IA » : l’amélioration de la donnée publique est elle-même un résultat.
Risques, objections et garde-fous
Le risque principal est le soupçon automatisé : une entreprise fréquemment attributaire peut être parfaitement légitime sur un marché spécialisé. Les contrôleurs doivent donc disposer du contexte. Autre risque : les fournisseurs adaptent leur comportement aux règles connues ; les indicateurs doivent évoluer sans devenir secrets au point d’empêcher la contestation. Enfin, les erreurs de données peuvent générer des alertes ; l’amélioration des données fait partie du projet et doit être mesurée séparément.
Indicateurs, audit et preuve de réussite
Indicateurs : alertes par type ; taux de faux positifs ; contrôles ouverts ; irrégularités confirmées ; montants réellement évités ou recouvrés ; délai de traitement ; qualité des données ; concentration fournisseurs ; avenants ; recours ; taux d’alertes expliquées aux contrôleurs. Les résultats financiers sont rapprochés des décisions finales, pas du score initial.
Construire un référentiel de comparaison avant tout modèle complexe
La détection d’anomalies exige de comparer des objets comparables. Un prix de prestation informatique ne peut pas être confronté directement au prix d’un marché de travaux. Il faut donc normaliser les catégories d’achat, unités, zones géographiques, dates, volumes, contraintes et caractéristiques des fournisseurs. Les avenants doivent être reliés au marché initial.
Les identifiants d’entreprises et d’acheteurs sont fiabilisés. Ce travail de donnée peut produire plus de valeur au début qu’un algorithme sophistiqué. Il révèle déjà des doublons, erreurs de saisie et concentrations. Le modèle vient ensuite enrichir ce référentiel. Cette séquence réduit les faux positifs et empêche de présenter une différence de contexte comme une suspicion de fraude ou de surfacturation.
Séparer règles explicites, statistiques et modèles d’apprentissage
Le système peut comporter trois étages. Les règles explicites détectent des situations définies : fractionnements proches de seuils, avenants répétés, absence d’un champ obligatoire. Les statistiques comparent prix, délais et concentration à des distributions de référence.
Les modèles d’apprentissage cherchent des combinaisons plus complexes. Chaque alerte doit indiquer son origine afin que le contrôleur sache si elle provient d’une règle juridique, d’un écart statistique ou d’un modèle. Cette séparation facilite l’audit et permet de conserver une fonction utile même si un modèle complexe est suspendu. Elle constitue également un vrai Plan B technique : la réforme ne dépend pas d’une promesse d’IA magique pour améliorer le contrôle de la commande publique.
Mesurer les faux positifs et le coût de contrôle
Une alerte a un coût : un contrôleur doit l’examiner, demander éventuellement des pièces et documenter la conclusion. Un système qui signale la moitié des marchés peut être inutilisable même s’il détecte toutes les irrégularités connues. Le pilote doit donc mesurer précision, rappel, temps d’examen et coût par anomalie confirmée.
Les seuils peuvent varier selon le risque et le montant. Les alertes à faible enjeu peuvent alimenter une analyse statistique sans contrôle individuel. Cette mesure évite un double échec : surcharger les services avec des milliers de faux positifs et ensuite annoncer malgré tout que l’outil a « détecté » des milliards d’euros. Seules les suites réelles — renégociation, correction, recouvrement — peuvent alimenter les résultats financiers.
Protéger l’égalité de traitement des entreprises
Une entreprise ne doit pas être défavorisée automatiquement parce qu’elle appartient à une catégorie statistiquement atypique ou parce qu’elle a déjà été contrôlée. Les décisions de rejet, sanction ou transmission suivent les procédures juridiques ordinaires et reposent sur des faits vérifiés. Les modèles sont testés pour détecter des biais liés à la taille, au secteur ou à la fréquence de participation.
Les fournisseurs doivent pouvoir corriger des données factuelles erronées selon les voies prévues. Les acheteurs, de leur côté, doivent comprendre que le score sert à prioriser un examen, non à remplacer leur jugement. Cette séparation protège la commande publique contre un système de réputation algorithmique opaque et réduit le risque de contentieux.
Relier les économies aux décisions finales et éviter tout double compte
Lorsqu’une alerte conduit à une renégociation, le gain est la différence réellement obtenue, corrigée des coûts supplémentaires et attribuée une seule fois à la mesure concernée. Lorsqu’un marché est annulé puis relancé, il faut retirer le coût du nouveau marché : la valeur du contrat annulé n’est pas une économie. Lorsqu’une fraude est recouvrée, seule la somme encaissée constitue une recette.
Si le même résultat est déjà compté dans une réforme des marchés publics 8.04, il ne doit pas être additionné sous 9.14. Le tableau financier doit donc contenir un identifiant de résultat et une règle de déduplication. Cette discipline permet d’utiliser l’IA comme outil de contrôle sans fabriquer un second total budgétaire sur la même dépense.
Approfondissement opérationnel et conditions de réussite
Croiser les acheteurs sans fabriquer une liste noire automatique de fournisseurs
Les anomalies deviennent plus informatives lorsqu’elles sont observées sur plusieurs acheteurs publics : mêmes montants proches d’un seuil, configurations répétées d’offres, avenants inhabituels ou concentrations anormales. Mais un motif statistique ne constitue ni une fraude ni une preuve d’entente. Le système génère donc un signal documenté qui peut être analysé par des agents compétents et, le cas échéant, transmis selon les procédures légales. Les fournisseurs ne sont pas automatiquement pénalisés à partir d’un score opaque. Cette séparation entre détection et décision protège les droits tout en donnant aux acheteurs une vision qu’ils ne pourraient pas obtenir en observant leurs seuls marchés.
Améliorer d’abord la qualité des données de commande publique
Une détection sophistiquée appliquée à des données incomplètes produit des alertes trompeuses. Le programme commence par mesurer le taux de champs manquants, les identifiants incohérents, les doublons, les avenants mal reliés et les changements de nomenclature. Les données essentielles de la commande publique doivent être normalisées avant de comparer les acheteurs. Un score de confiance accompagne les signaux lorsque la qualité des données est imparfaite. Le coût de cette remise en qualité est distingué du coût du modèle. Cette étape peut paraître moins spectaculaire que l’intelligence artificielle, mais elle conditionne directement la fiabilité des contrôles et produit aussi des bénéfices pour la transparence, l’achat et l’évaluation des politiques publiques.
Mesurer la performance par les enquêtes utiles, pas par le nombre d’alertes
Un système qui génère beaucoup d’alertes n’est pas nécessairement efficace. Le tableau de bord suit le taux de signaux effectivement analysés, la proportion qui conduit à une vérification utile, le temps d’enquête, les faux positifs, les montants réellement sécurisés ou récupérés et les décisions finalement confirmées. Les économies éventuelles sont comptées seulement lorsqu’un prix, une dépense ou un paiement évité peut être attribué au dispositif. Une alerte sans suite n’est pas une économie. Cette discipline empêche de récompenser un modèle simplement parce qu’il produit davantage de suspicion et encourage au contraire une meilleure précision, une meilleure priorisation et une utilisation proportionnée du temps des agents.
Nettoyer et relier les données de marchés avant toute détection avancée
Les données issues de différents acheteurs peuvent utiliser des identifiants, nomenclatures ou formats imparfaitement cohérents. Le chantier commence donc par dédoublonner, relier avis et contrats, associer les avenants, normaliser les montants et identifier les fournisseurs de manière fiable. Les taux de complétude sont publiés. Une anomalie issue d’un champ incertain reçoit un niveau de confiance réduit. Cette remise en qualité permet déjà des contrôles simples et améliore l’open data de la commande publique. Elle constitue une dépense de fondation à distinguer du coût du modèle. Sans elle, une intelligence artificielle sophistiquée risquerait surtout de signaler les différences de saisie entre administrations et de gaspiller le temps des contrôleurs.
Combiner règles explicites, statistiques et modèles avec une explication accessible
Certaines anomalies sont faciles à exprimer : fractionnement proche d’un seuil, croissance inhabituelle des avenants, concentration chez un fournisseur ou calendriers atypiques. D’autres nécessitent des comparaisons statistiques entre marchés similaires. Les modèles plus complexes ne sont ajoutés que lorsqu’ils améliorent la détection. Pour chaque signal, le contrôleur voit les facteurs principaux : comparaison, historique, règle déclenchée ou écart observé. Il ne reçoit pas seulement un score opaque. Cette architecture graduée facilite la validation, réduit les faux positifs et permet de conserver une partie du dispositif si un modèle doit être suspendu. Elle est également plus défendable lorsqu’un signal conduit à demander des explications à un acheteur ou à un fournisseur.
Organiser le travail du contrôleur de l’alerte à la décision sans automatiser la sanction
Les alertes sont priorisées mais restent des invitations à examiner. Le contrôleur accède aux pièces pertinentes, peut documenter son analyse, fermer le signal avec motif, demander une information complémentaire ou transmettre le dossier selon les procédures existantes. Les décisions de sanction ou de récupération suivent les règles juridiques ordinaires et ne sont jamais prises automatiquement par le score. Les motifs de clôture alimentent le retour d’expérience pour améliorer la précision du dispositif. Les performances sont analysées par type de signal afin de supprimer les règles peu utiles. Cette boucle permet de réduire progressivement le bruit et de concentrer les agents sur les anomalies réellement informatives plutôt que de maximiser artificiellement le nombre d’alertes produites.
Mesurer les économies uniquement lorsqu’une dépense ou un paiement est réellement évité
Une détection peut conduire à renégocier un prix, empêcher un paiement indu, récupérer une somme ou simplement améliorer une procédure future. Ces effets ne sont pas additionnés de la même manière. Le registre financier conserve le montant brut concerné, le résultat final, la part attribuable au dispositif et le coût du contrôle. Un signal sans action n’est pas une économie ; un marché contrôlé mais finalement régulier ne produit aucune recette. Les mêmes montants ne doivent pas être recompter dans une mesure générale de réduction des achats et dans 9.14. Cette méthode anti-double-compte est indispensable car la commande publique représente des volumes élevés où un faible pourcentage théorique pourrait produire artificiellement plusieurs milliards d’euros sans preuve de matérialisation.
Rendement financier : mesurer l’incrémental, pas le montant des marchés
La détection d’anomalies sur les marchés publics n’économise pas la valeur totale des contrats examinés. Le calcul doit comparer une situation de référence — contrôles déjà existants, rejets, récupérations et contentieux — au dispositif renforcé. Le gain brut correspond seulement aux paiements indus évités ou récupérés grâce au nouveau système au-delà de cette référence. Sont retranchés développement, données, licences éventuelles, exploitation, expertise humaine, faux positifs et coûts contentieux. Les montants signalés par un score ne sont jamais comptés comme fraude ni comme économie. Le rendement net incrémental est publié séparément de la valeur des marchés surveillés et du volume d’anomalies détectées.
Sources primaires et institutionnelles
Les affirmations de droit ou d’état de l’art ci-dessus sont rattachées à des sources publiques. Les hypothèses propres au Plan Delta-Sierra sont signalées comme propositions et ne sont pas présentées comme des chiffres officiels.
Date de vérification : 12 août 2026. Le cadre de l’IA évolue rapidement ; les dates d’application du règlement européen sont vérifiées contre le règlement (UE) 2026/1744.