Peut-on faire confiance à l'IA pour la conformité fiscale ? Pas encore.

Le problème

Lorsque Veriprajna a audité ChatGPT, Claude et Gemini sur une question fiscale précise concernant la nouvelle déduction des intérêts d'emprunt automobile, tous les modèles se sont trompés. Pas de temps en temps. À chaque fois sans exception. Chaque IA a affirmé avec assurance aux utilisateurs que la nouvelle déduction prévue par le One Big Beautiful Bill Act (OBBBA) réduirait leur revenu brut ajusté (Adjusted Gross Income, AGI). Cette réponse est juridiquement inexacte. La déduction réduit le revenu imposable (Taxable Income), et non l'AGI. Ce sont deux notions très différentes dans le code des impôts.

Il ne s'agissait pas d'un bug aléatoire. C'était un échec prévisible, intrinsèque à la manière dont ces systèmes d'IA apprennent. Ils ont ingéré des milliers d'articles de blog et d'articles optimisés pour le SEO qui simplifiaient à l'excès la loi. Le texte législatif réel n'apparaissait peut-être qu'une ou deux fois dans leurs données d'entraînement. Les blogs apparaissaient des milliers de fois. L'IA a donc appris la version populaire — et erronée — de la règle.

Le livre blanc appelle cela le « Consensus Error » (l'erreur de consensus). Ce n'est pas que l'IA manquait d'informations. C'est que l'IA a choisi la réponse de la foule plutôt que celle de la loi. Lorsque votre équipe financière s'appuie sur cette IA, votre entreprise hérite de l'erreur collective. Et l'IRS n'accepte pas « probablement correct » comme ligne de défense.

Pourquoi cela concerne votre entreprise

Il ne s'agissait pas d'un problème d'IA abstrait. Il impacte directement vos résultats financiers, votre exposition aux audits et vos obligations de conformité.

La déduction OBBBA pour prêt automobile est plafonnée à 10 000 $ par an et s'éteint progressivement à des niveaux de revenus précis. La déduction diminue de 200 $ pour chaque tranche de 1 000 $ de revenus qu'un déclarant célibataire perçoit au-dessus de 100 000 $, pour disparaître totalement à 150 000 $. Pour les déclarations conjointes, l'extinction progressive commence à 200 000 $ et se termine à 250 000 $. Lorsque l'IA confond la distinction entre l'AGI et le revenu imposable, les dommages en cascade se multiplient :

• Sous-paiement de l'impôt fédéral. Si vos systèmes classent cela comme une déduction au-dessus de la ligne (above-the-line), vous déclarerez un AGI inférieur à ce qu'attend l'IRS. C'est la voie directe vers des pénalités financières.
• Risque d'audit au niveau des États. Des États comme l'Arizona couplent leurs calculs fiscaux à l'AGI fédéral. Un AGI erroné entraîne des impôts d'État erronés dans chaque État couplé à l'AGI.
• Erreurs sur les primes Medicare. Les retraités qui se fient aux conseils de l'IA pourraient faire face à des surcharges IRMAA imprévues, parce que l'IA leur a promis des primes réduites qui ne se concrétisent jamais.
• Rejet des déductions pour frais médicaux. Le seuil d'admissibilité des déductions pour frais médicaux dépend de l'AGI. Un AGI artificiellement abaissé conduit à réclamer des déductions auxquelles vous n'avez pas droit.
• Manquements aux obligations déclaratives des prêteurs. L'OBBBA a créé la Section 6050AA, exigeant des prêteurs qu'ils déposent des déclarations d'information pour tout prêt générant 600 $ ou plus d'intérêts admissibles. Les systèmes d'IA qui se concentrent uniquement sur l'avantage de l'emprunteur ignorent systématiquement l'obligation déclarative du prêteur. Il s'agit d'une faille de conformité systématique en vertu des sections 6721/6722 de l'IRC.

Votre conseil d'administration ne souhaite pas découvrir ces erreurs par un avis de redressement de l'IRS.

Ce qui se passe réellement sous le capot

Pour comprendre pourquoi cela se reproduit constamment, examinez la manière dont les modèles d'IA fonctionnent réellement. Un LLM ne « connaît » pas le droit fiscal comme le ferait votre expert-comptable (CPA). Il prédit le mot suivant dans une phrase en se basant sur des régularités absorbées lors de son entraînement. C'est un moteur d'autocomplétion extrêmement sophistiqué.

Voici l'analogie : imaginez que vous posiez une question fiscale à une salle de 1 000 personnes. Neuf cents d'entre elles ont lu le même article de blog vulgarisateur. Cent d'entre elles ont réellement lu le texte de loi. Lors du vote, la mauvaise réponse l'emporte par 900 contre 100. C'est exactement ce qui se produit à l'intérieur d'un LLM. Le modèle accorde un poids supérieur à la réponse populaire par rapport à la réponse exacte, car il a rencontré la version populaire beaucoup plus fréquemment.

C'est le mode de défaillance que les recherches de Veriprajna nomment « Consensus Error ». Si la blogosphère a tort à 90 % sur une subtilité fiscale précise — ce qui est courant pour les nouvelles législations —, le modèle est mathématiquement voué à fournir la mauvaise réponse. Aucune ingénierie d'invite astucieuse ne peut corriger cela. Les mathématiques jouent contre vous.

Même la génération augmentée par récupération (RAG) — une méthode consistant à fournir à l'IA les documents sources réels — montre ici ses limites. Lors des tests, des modèles disposant du texte intégral de l'OBBBA ont tout de même donné la mauvaise réponse. Pourquoi ? La loi énonce que « la section 163(h) est modifiée par l'insertion de... ». Elle ne se lit pas comme un billet de blog. L'IA doit toujours l'interpréter. Et lorsque ses poids internes sont entraînés sur des millions d'exemples erronés, elle lit le bon document et en tire la mauvaise conclusion. Elle se comporte comme un lecteur biaisé, confirmant ce qu'elle « croit » déjà.

Pire encore, vous ne pouvez pas voir le raisonnement. Un système RAG vous montre quel document il a extrait. Il ne vous montre pas le cheminement logique menant de ce document à la réponse. Votre équipe de conformité peut vérifier la source, mais pas le raisonnement. C'est une boîte noire là où devrait se trouver votre piste d'audit.

Ce qui fonctionne (et ce qui ne fonctionne pas)

Commençons par ce que votre équipe essaie peut-être déjà — et pourquoi cela ne suffit pas.

Ingénierie d'invite : Demander à l'IA de « réfléchir étape par étape » ou d'« agir en tant qu'auditeur fiscal principal » n'ajoute pas de capacités de raisonnement absentes du modèle. Il fonctionne avec les mêmes poids biaisés, quelle que soit la formulation de votre question.

Modèles plus volumineux ou fenêtres de contexte élargies : Un modèle plus grand entraîné sur le même Internet absorbe davantage de ces mêmes contenus erronés. Une quantité supérieure de données ne corrige pas le ratio entre sources fausses et sources exactes.

Pipelines RAG standards : Fournir des documents officiels à l'IA facilite la récupération, mais le modèle doit toujours raisonner sur ce qu'il lit. La recherche vectorielle repère des paragraphes sur les prêts automobiles, mais peut ne jamais extraire la définition de l'AGI de la section 62 — car cette section ne mentionne pas les prêts automobiles. En droit fiscal, ce que la loi omet compte autant que ce qu'elle contient. La recherche vectorielle ne peut pas trouver une absence.

Ce qui fonctionne réellement, c'est une architecture neuro-symbolique — un système qui dissocie la compréhension du langage du raisonnement juridique. Voici comment cela fonctionne en trois étapes :

1. L'IA lit votre entrée (couche neuronale). Vous téléversez une facture, un contrat de prêt ou posez une question. L'IA extrait des faits structurés : type de véhicule, date d'achat, lieu d'assemblage, montant du prêt. Elle gère les données complexes du monde réel. Mais elle ne décide jamais de la validité de la déduction.

2. Un moteur logique applique la loi (couche symbolique). Les faits structurés sont transmis à un moteur de règles fondé sur le texte de loi réellement encodé. Ce moteur utilise des langages comme Catala — spécialement conçu pour traduire la législation en code exécutable — et exécute des contrôles déterministes. Le véhicule est-il assemblé aux États-Unis ? Le revenu est-il inférieur au seuil d'extinction progressive ? Cette couche n'a aucun accès aux articles de blog. Elle ne connaît la loi que sous forme de code.

3. L'IA explique le résultat (couche neuronale). Le moteur logique rend un verdict : AUTORISÉ ou REFUSÉ, accompagné de la référence réglementaire précise. L'IA traduit ensuite cela en une explication claire et intelligible pour votre équipe.

La différence fondamentale : l'IA ne tranche jamais la question juridique. Elle traduit le langage humain en données structurées et retraduit les résultats logiques en langage naturel. La loi elle-même s'exécute sous la forme d'un code déterministe.

Cela vous apporte ce qu'aucun agent conversationnel ne peut fournir : une piste d'audit déterministe. Lorsque votre auditeur demande « Pourquoi le système a-t-il autorisé cette déduction ? », la réponse n'est pas « parce que les probabilités l'ont indiqué ». C'est un cheminement traçable : date du prêt vérifiée, type de véhicule confirmé, lieu d'assemblage confirmé, revenu inférieur au seuil de 100 000 $ vérifié, référence réglementaire IRC § 163(h)(4). Cette piste peut être transmise directement à un inspecteur de l'IRS ou à votre comité d'audit interne. Elle transforme votre IA d'une boîte noire en ce que la recherche appelle une « Glass Box » (boîte de verre).