Il y a deux ans, l'IRS gérait environ 10 projets d'IA actifs. Aujourd'hui, elle en compte 126 — et six fois par an, un ensemble de modèles d'apprentissage automatique examine chaque déclaration de revenus des petites entreprises et des indépendants déposée, à la recherche de schémas qu'un examinateur humain mettrait des semaines à repérer. Le 10 février 2026, l'agence a officialisé cette pratique en la codifiant dans le Manuel interne de l'IRS sous la référence IRM 10.24.1, sa première politique formelle régissant la manière dont l'IA sélectionne les déclarations en vue d'un audit.
Si vous dirigez une entreprise et déposez une annexe C, un formulaire 1120-S ou une déclaration de société de personnes, ce n'est pas un bruit de fond. Il s'agit d'un véritable changement dans la détermination de qui fait l'objet d'un second examen par l'IRS, et pour quelles raisons. Voici ce qui a changé, ce que les algorithmes recherchent réellement, et comment vous assurer que vos livres comptables ne leur donnent jamais de raison de vous signaler.
Ce que dit réellement l'IRM 10.24.1
La nouvelle section du manuel fait trois choses concrètes :
- Définit ce que l'IA est autorisée à faire dans le processus d'examen — y compris, explicitement, les systèmes qui « informent ou influencent si un contribuable fera l'objet d'un audit, ou quels aspects d'une déclaration feront l'objet d'un audit ». L'IRS qualifie cela d'utilisation « présumée à fort impact » de l'IA, la plaçant dans la même catégorie de risque que les systèmes qui touchent aux droits civils ou aux infrastructures critiques.
- Exige un examen humain obligatoire avant qu'une recommandation générée par l'IA ne devienne un audit effectif. Un modèle peut signaler une déclaration, mais une personne doit approuver avant que cela ne se transforme en avis.
- Établit des exigences de documentation pour la sélection de cas assistée par l'IA, de sorte que les examinateurs doivent être capables d'expliquer, par écrit, pourquoi un dossier a été choisi.
La politique crée également une structure de gouvernance : un responsable principal des données et de l'analyse sert d'« agent responsable de l'IA » de l'IRS, et un conseil appelé Conseil stratégique d'intégration des données et de l'analyse approuve tout nouveau cas d'utilisation de l'IA à fort impact avant sa mise en œuvre.
En termes simples : l'IRS ne cache pas le fait que des algorithmes effectuent un premier tri sur votre déclaration. Elle établit désormais les règles écrites de la manière dont ce tri fonctionne — ce qui signifie également que les examinateurs doivent pouvoir le justifier par la suite.
Comment les modèles sélectionnent réellement votre déclaration
Deux des modèles d'IA de l'IRS ciblent spécifiquement les contribuables indépendants et les propriétaires de petites entreprises, pour une raison simple : les revenus non déclarés du travail indépendant constituent la plus grande composante individuelle de l'écart fiscal des particuliers. Ces modèles n'examinent pas votre déclaration isolément — ils la comparent à votre propre historique de déclaration et à ceux de milliers d'entreprises similaires dans votre secteur. Quelques éléments augmentent de manière fiable le score :
- Écarts d'une année sur l'autre. Une entreprise de conseil qui a déclaré 180 000 cette année, sans explication évidente, se démarque immédiatement.
- Ratios de déductions en dehors des normes du secteur. L'IRS dispose de profils statistiques des ratios typiques dépenses/revenus par secteur. Si votre entreprise déclare 65 à 70 % des recettes brutes sous forme de déductions alors que la norme pour votre code NAICS se situe entre 35 et 45 %, cet écart est signalé — même si chaque déduction est légitime.
- Chiffres ronds. Une annexe indiquant des fournitures de bureau à exactement 5 000 et des repas à 2 000 et 2 963,82 $, et non des multiples nets de cinq.
- Discordances d'informations. L'IRS recoupe les formulaires W-2, 1099 et K-1 qu'elle reçoit directement des payeurs. Si un formulaire 1099-NEC de 42 000 $ n'apparaît nulle part sur votre déclaration, il s'agit d'une discordance automatique et quasi instantanée — aucune IA n'est nécessaire pour la détecter, mais l'IA aide désormais à prioriser les discordances les plus importantes.
- Valeurs aberrantes de kilométrage et de dépenses. Des demandes comme plus de 40 000 miles professionnels par an pour une entreprise à un seul véhicule, ou des frais de repas et de divertissement supérieurs à 10 % du chiffre d'affaires, sont des valeurs statistiquement aberrantes qui sont fortement pondérées.
Rien de tout cela n'est nouveau en soi — le système de score par fonction discriminante (DIF) de l'IRS compare les déclarations aux normes statistiques depuis des décennies. Ce qui est nouveau, c'est l'échelle et la rapidité : au lieu d'une formule statique révisée périodiquement, vous avez désormais des modèles qui s'exécutent six fois par an et deviennent meilleurs pour repérer les schémas à chaque cycle.
La partie qui devrait vous inquiéter davantage : le délai de réponse, pas la détection
Voici l'asymétrie à laquelle les propriétaires de petites entreprises sont réellement confrontés en 2026 : le signalement assisté par l'IA est rapide, mais le côté humain de la résolution d'un signalement n'a pas suivi le rythme. Les avis automatisés sont envoyés rapidement. Obtenir un interlocuteur en direct au téléphone, ou une réponse écrite substantielle à un avis, prend désormais beaucoup plus de temps qu'il y a deux ans. Un signalement qui aurait donné lieu à un appel téléphonique de cinq minutes en 2023 peut maintenant rester non résolu pendant des mois, tandis que les pénalités et les intérêts s'accumulent.
Cela signifie que le coût réel d'une déclaration désordonnée n'est pas seulement le risque d'audit — c'est le temps et le stress de démêler un signalement une fois qu'il est soulevé, avec un soutien humain plus lent de l'autre côté. La meilleure défense est de ne pas donner à l'algorithme une raison de vous signaler en premier lieu.
Pourquoi l'IRS a dû rédiger cette politique
La structure de gouvernance de l'IRM 10.24.1 n'est pas qu'une simple paperasse bureaucratique — c'est une réponse directe à un véritable problème de sélection algorithmique des audits. Des recherches indépendantes et des examens du Government Accountability Office ont montré que certains groupes de contribuables, notamment les contribuables noirs demandant le crédit d'impôt sur les revenus du travail (EITC), ont été audités à des taux trois à cinq fois plus élevés que d'autres déclarants ayant des déclarations similaires. La théorie de travail du GAO est qu'il ne s'agit pas d'un ciblage intentionnel mais d'un biais algorithmique involontaire — les modèles formés sur des données d'audit historiques peuvent finir par reproduire les schémas de sélection qui existaient dans le passé, même si personne ne les conçoit pour cela.
C'est précisément pourquoi la nouvelle politique exige des évaluations d'impact, une surveillance continue et une validation humaine obligatoire avant qu'une recommandation d'un modèle ne devienne un audit effectif : un système d'apprentissage automatique optimisé uniquement pour « détecter les revenus non déclarés » n'a aucun contrôle intégré sur les revenus de qui il signale de manière disproportionnée. Les propriétaires de petites entreprises devraient y voir une raison d'être prudemment optimistes plutôt qu'une action en justice en préparation — l'exigence d'examen humain est un véritable filet de sécurité — mais cela confirme également que le score de premier passage de l'IA n'est pas infaillible. Si vous êtes signalé, cela ne signifie pas que l'algorithme a trouvé quelque chose de réel ; cela signifie qu'un chercheur de schémas a trouvé quelque chose de statistiquement inhabituel, que vos propres dossiers peuvent très bien expliquer.
Si vous êtes effectivement signalé
Recevoir un avis ne signifie pas que vous avez fait quelque chose de mal — cela signifie généralement qu'un chiffre, quelque part, ne correspondait pas à l'attente du modèle pour une entreprise comme la vôtre. Quelques éléments font la différence entre une résolution rapide et une résolution longue :
- Répondez par écrit, et répondez vite. Compte tenu des délais d'attente plus longs pour l'examen humain décrits ci-dessus, une réponse écrite précoce et complète a plus de chances d'être résolue dès le premier passage qu'un appel téléphonique qui vous remet dans une file d'attente.
- Commencez par le rapprochement, pas par l'explication. Montrez les transactions sous-jacentes qui ont produit le chiffre en question avant d'expliquer pourquoi elles sont légitimes. Les examinateurs avancent plus rapidement lorsque les calculs sont déjà faits pour eux.
- Ne laissez pas une année signalée en devenir trois. Un signalement non résolu sur la déclaration de cette année est exactement le type d'anomalie qui pousse un modèle de suivi à examiner également les déclarations de l'année dernière et de l'année prochaine. Clôturez-le complètement plutôt que de le laisser traîner.
- Faites appel à un CPA ou à un agent inscrit si l'avis mentionne une portée élargie. Un signalement sur une seule ligne est gérable à répondre soi-même ; une demande de justificatifs pour plusieurs années mérite une aide professionnelle.
Ce qui réduit réellement votre risque
Rien de tout cela ne signifie que vous devez sous-déclarer des déductions légitimes — l'objectif est d'avoir une déclaration précise et bien étayée, pas plus petite.
Conservez des registres contemporains, pas reconstitués. Une documentation créée au moment de la dépense — un reçu enregistré la semaine où vous l'avez acheté — a beaucoup plus de poids qu'un tableur assemblé la veille de l'échéance de votre déclaration. C'est aussi plus simple : reconstituer six mois de dépenses de mémoire en avril est la façon dont les déductions légitimes sont oubliées ou mal déclarées.
Utilisez un plan comptable qui reflète le fonctionnement réel de votre entreprise. Des catégories larges et vagues comme « Divers » ou « Autres dépenses » sont exactement les postes les plus difficiles à défendre et les plus faciles à signaler comme bruit par un modèle. Si vos livres ne peuvent pas expliquer un chiffre, vous non plus.
Rapprochez les revenus de chaque formulaire 1099 et K-1 avant de déposer. Étant donné que l'IRS possède déjà ces formulaires, toute discordance est presque garantie d'être signalée. Une vérification croisée rapide avec vos livres avant le dépôt permet de détecter cela en quelques minutes au lieu de mois plus tard dans un avis.
Évitez les chiffres ronds pour tout ce que vous n'avez pas littéralement dépensé en chiffres ronds. Si votre comptabilité réelle est précise, votre déclaration reflétera naturellement cette précision — ce qui est en soi un signal de légitimité.
Séparez complètement les comptes professionnels et personnels. Les fonds mélangés sont l'un des moyens les plus rapides de transformer un examen de routine en une véritable vérification, car ils rendent chaque autre chiffre de la déclaration plus difficile à vérifier.
Le point commun : chacune de ces solutions consiste à tenir des livres propres, complets et contemporains tout au long de l'année — et non à se précipiter pour les reconstituer à la saison des impôts. La comptabilité en texte brut et versionnée rend cette discipline facile à maintenir, car chaque transaction est enregistrée au moment où elle se produit, dans un format que vous pouvez auditer vous-même avant que l'IRS ne le fasse.
Gardez vos livres prêts pour tout type de contrôle
Alors que la sélection des audits devient plus rapide et plus automatisée, les entreprises qui ont le moins à craindre sont celles dont les livres étaient précis avant même qu'un algorithme ne les examine. Beancount.io vous offre une comptabilité en texte brut avec une transparence totale et un historique complet de type git de chaque modification — pas de catégorisation en boîte noire, pas de registres reconstitués, seulement un grand livre que vous pouvez défendre ligne par ligne. Commencez gratuitement et gardez vos livres prêts pour un audit par défaut, sans précipitation.