Un modèle de langage, mais pas seul
Au cœur d'une IA fiscale, il y a un grand modèle de langage (LLM) : le même type de technologie que ChatGPT, capable de comprendre une question posée en français courant et d'y répondre de façon argumentée.
Mais utilisé seul, un LLM répond uniquement à partir de ce qu'il a mémorisé pendant son entraînement — d'où le risque d'erreurs sur des chiffres précis. Une IA fiscale ajoute une couche déterminante : la connexion aux sources officielles au moment de répondre.
La connexion en temps réel aux sources officielles
Plutôt que de se fier à sa mémoire, l'IA fiscale interroge en direct les bases de référence : le Code général des impôts, le Bulletin officiel des finances publiques (BOFiP), Légifrance, les jeux de données de data.gouv.fr et impôts.gouv.fr.
Techniquement, cela passe souvent par un protocole comme le MCP (Model Context Protocol), qui permet au modèle d'appeler des outils externes — ici, des recherches dans les bases fiscales — et de récupérer le texte exact en vigueur. Le modèle raisonne alors sur la donnée réelle, et non sur un souvenir d'entraînement.
Le mécanisme anti-hallucination
« Halluciner », pour une IA, c'est produire une affirmation plausible mais fausse. En fiscalité, cela peut être un article du CGI inventé ou un taux périmé.
Une IA fiscale réduit ce risque par construction : elle n'affirme que ce qu'elle peut rattacher à une source récupérée, affiche cette source avec sa date, et signale les cas où la règle est incertaine plutôt que de combler le vide. La consigne est inversée par rapport à un chatbot : pas de réponse sans preuve.
Citation des sources et vérifiabilité
La citation systématique n'est pas un détail cosmétique : c'est ce qui rend la réponse vérifiable et donc utilisable pour une décision. L'utilisateur peut cliquer sur la référence (article du CGI, paragraphe du BOFiP, jeu de données) et contrôler lui-même.
Cette traçabilité est aussi ce qui permet aux moteurs de recherche et aux IA tierces de faire confiance au contenu, et aux professionnels (experts-comptables, avocats fiscalistes) de gagner du temps tout en gardant la main sur la validation finale.
Au-delà des réponses : documents et simulations
Une IA fiscale moderne ne se limite pas au texte. Elle peut analyser des documents (factures, avis d'imposition, liasses fiscales, relevés), en extraire les éléments fiscaux pertinents, puis produire des simulations chiffrées (IR vs IS, dividendes vs salaire, micro vs réel) et des exports exploitables.
Elle s'appuie sur le même socle : comprendre la demande, aller chercher la règle applicable et la donnée, calculer, puis restituer en citant ce sur quoi le résultat repose.
Le trajet d'une question, étape par étape
Regardons ce qui se passe réellement entre le moment où vous tapez « quel taux de TVA sur une prestation de formation » et celui où la réponse s'affiche.
La question est d'abord analysée pour en extraire ce qui compte fiscalement : la nature de l'opération, le régime probable, l'année concernée. C'est cette étape qui distingue « je suis freelance » de « je suis dirigeant de SASU » alors que la question posée est la même.
L'agent décide ensuite s'il sait déjà ou s'il doit aller chercher. Sur une notion stable — la définition du quotient familial — la connaissance du modèle suffit. Sur un chiffre — un taux, un seuil, un plafond — il interroge les bases officielles, parce qu'un chiffre est précisément ce qu'un modèle mémorise mal et qui change le plus souvent.
Les documents renvoyés sont lus et confrontés à la question. C'est là que se joue la qualité : un texte applicable mais obsolète, ou applicable à un régime voisin, produit une réponse fausse malgré une source réelle. L'agent doit vérifier la date d'effet et le champ d'application, pas seulement la pertinence apparente.
La réponse est enfin rédigée avec les références qui la fondent. Une bonne réponse fiscale mentionne l'article, la date de la version utilisée, et signale explicitement quand la règle dépend d'un élément que vous n'avez pas précisé.
Ce que le RAG fiscal a de particulier
La recherche augmentée par récupération — le RAG — consiste à chercher des documents avant de répondre. Appliquée au droit fiscal français, elle pose trois difficultés qu'on ne rencontre pas ailleurs.
La première est la temporalité. Un texte fiscal existe en plusieurs versions successives, et la version applicable dépend de l'année d'imposition, pas de la date du jour. Répondre sur les revenus 2025 déclarés en 2026 suppose de retenir l'état du droit au titre de 2025 — une confusion très fréquente lorsque la recherche ramène simplement « la version en vigueur ».
La deuxième est la hiérarchie des sources. La loi, le décret, la doctrine administrative et la jurisprudence n'ont pas la même portée. Le BOFiP est opposable à l'administration mais ne fait pas la loi ; une réponse qui s'appuie sur la doctrine sans le dire expose à une mauvaise surprise si la doctrine change.
La troisième est la granularité. Un article du CGI renvoie à d'autres articles, qui posent des exceptions et des seuils. Récupérer l'article principal sans ses renvois produit une réponse exacte sur le principe et fausse sur le cas particulier — le pire type d'erreur, parce qu'il inspire confiance.
MCP : pourquoi la connexion aux données publiques compte
Le Model Context Protocol est un standard ouvert qui permet à un modèle d'appeler des sources de données externes de façon normalisée, plutôt que via une intégration bricolée par outil.
Son intérêt ici est concret : l'État français publie des données fiscales et économiques sur data.gouv.fr, et un serveur MCP officiel les rend interrogeables. L'agent ne se contente donc pas de lire des pages web ; il interroge des jeux de données structurés, ce qui change la fiabilité d'un chiffre.
La conséquence pratique la plus utile est la traçabilité. Quand la réponse vient d'un appel identifié à une source identifiée, on peut afficher d'où elle sort et à quelle date. Une réponse « de mémoire » ne peut pas offrir cela, même si elle est juste.
Comment évaluer une IA fiscale en dix minutes
Le marché compte assez d'outils pour qu'un test rapide soit utile. Voici celui que nous appliquerions à n'importe quel produit, y compris au nôtre.
Posez d'abord une question dont vous connaissez la réponse à jour, sur une règle modifiée récemment. Le prélèvement forfaitaire unique à 31,4 % depuis 2026 est un bon révélateur : beaucoup d'outils répondent encore 30 %.
Demandez ensuite la source et ouvrez-la. Vérifiez qu'elle existe, qu'elle traite bien du sujet, et qu'elle est datée.
Posez la même question en changeant un seul paramètre de votre situation — passer de salarié à indépendant, de location nue à location meublée. Un bon agent change de réponse ; un mauvais répond la même chose.
Demandez enfin explicitement ce qui manque : « de quelles informations aurais-tu besoin pour être sûr ? ». Un agent fiable liste ce qu'il ignore ; un agent complaisant affirme. En fiscalité, savoir dire « cela dépend, et voici de quoi » vaut mieux qu'une réponse nette et fausse.