/collectivités
Détection d’anomalies et de fraudes pour les collectivités
Des paiements et des délibérations atypiques repérés, puis examinés par vos agents.
La détection de fraude par l’IA signale à vos agents les mandats, factures et coordonnées bancaires atypiques, et les liens possibles entre intérêts déclarés des élus et projets de délibération. En 2025, les demandes d’assistance des collectivités et administrations pour faux ordre de virement ont bondi de 262 %. Toulouse Métropole et la Métropole de Lyon ont lancé dès 2024 des outils de détection des conflits d’intérêts.
/usages
Une détection de fraude sur les mandats, les marchés et les délibérations.
Le paiement d’un fournisseur suit une chaîne fixe : facture, liquidation, mandat transmis au comptable public. La détection d’anomalies compare chaque pièce à l’historique du fournisseur : montant, rythme de facturation, coordonnées bancaires. Chaque écart part vers un agent, qui vérifie la pièce.
La DGFiP cherche par IA les écarts entre les bases fiscales et le terrain : avec « Foncier innovant », elle repère les piscines non déclarées sur les images aériennes de l’IGN. Les communes des 9 départements pilotes de 2022 y ont gagné près de 10 M€ de taxe foncière.
- Mandats et factures Repère les doublons présumés, les factures déjà réglées et les montants inhabituels pour un fournisseur donné.
- Coordonnées bancaires Signale un IBAN modifié juste avant un paiement, ou un même IBAN partagé par deux fournisseurs.
- Commande publique Relève les achats fractionnés, les attributions répétées à un même titulaire et les avenants inhabituels.
- Délibérations Rapproche les intérêts déclarés par les élus des projets de délibération soumis au vote.
/virements
Des faux ordres de virement en forte hausse en 2025.
En 2025, le dispositif 17Cyber de Cybermalveillance.gouv.fr a assisté 5 078 collectivités et administrations. Le faux ordre de virement représente 8,5 % de leurs parcours d’assistance, et connaît la plus forte hausse des dix principales menaces.
La détection est reliée au fichier des tiers de votre logiciel financier : tout mandat qui suit une modification de coordonnées bancaires remonte à un agent avant d’être émis.
Rapport d’activité 2025 de Cybermalveillance.gouv.fr (nouvel onglet)
- Piratage de compte (20,1 % des parcours) Piratage de compte (20,1 % des parcours) : 14 % +14 %
- Hameçonnage (19,2 % des parcours) Hameçonnage (19,2 % des parcours) : 14 % +14 %
- Rançongiciel (13,1 % des parcours) Rançongiciel (13,1 % des parcours) : 1 % +1 %
- Faux ordre de virement (8,5 % des parcours) Faux ordre de virement (8,5 % des parcours) : 262 % +262 %
- Violation de données (7,7 % des parcours) Violation de données (7,7 % des parcours) : 9 % +9 %
/préparation
Une préparation encore rare dans les petites collectivités.
Face aux faux ordres de virement comme aux autres attaques, les petites collectivités partent avec peu de moyens. Parmi celles de moins de 25 000 habitants, 77 % consacrent moins de 2 000 € à la cybersécurité, et une sur dix déclare avoir été attaquée dans les 12 derniers mois.
3ᵉ étude sur la maturité cyber des collectivités (Cybermalveillance.gouv.fr, 2024) (nouvel onglet)
/assemblées
Des liens d’intérêts soumis à chaque élu avant le vote.
Toulouse Métropole croise par analyse textuelle les déclarations d’intérêts des élus et les projets de délibération, puis soumet à chaque élu la liste de ses conflits possibles. Développé en régie, le projet a démarré en mars 2024 ; la Métropole de Lyon a testé un outil comparable, PRECI, lancé en avril 2024.
Un modèle de langage peut mener ce rapprochement depuis une plateforme d’IA générative hébergée en France, ou depuis vos serveurs.
ArchipelIA générative et grands modèles de langage
- DéclarationsLe service des assemblées tient à jour les déclarations d’intérêts de chaque élu.
- RapprochementAvant chaque séance, le modèle compare ces intérêts aux projets de délibération : entreprises, associations, lieux cités.
- DéportL’élu confirme ou écarte chaque lien possible, et se déporte du vote s’il y a lieu.
En 2022, plus de 20 000 piscines repérées par IA sont devenues taxables.
/sur le terrain
Des alertes étalonnées avec les agents qui les traitent.
En détection d’anomalies, l’étalonnage demande le plus de soin. Avec trop d’alertes, les agents des finances cessent de les lire ; avec trop peu, un IBAN frauduleux passe. Un modèle mal réglé se contente de signaler les plus gros mandats.
Le premier projet améliore un contrôle déjà en place : rapprocher chaque mandat du fichier des tiers et des factures déjà payées, par SIRET, IBAN et numéro de facture. Un modèle d’apprentissage automatique (machine learning) vient ensuite, entraîné sur l’historique des alertes confirmées ou écartées.
- Le contrôle en parallèle Fait tourner le modèle à côté des règles actuelles, le temps de vérifier qu’il retrouve les anomalies connues.
- L’alerte expliquée Montre l’écart constaté et un indice de confiance, pour que l’agent sache où regarder.
- Le périmètre de départ Couvre d’abord les principaux fournisseurs, puis s’étend aux autres une fois les seuils stabilisés.
/limites
Une limite nette devant les bénéficiaires d’aides sociales.
Un outil qui cherche des fraudes chez les allocataires, pour réduire ou récupérer leurs aides, change de régime juridique. Le règlement européen sur l’IA le classe à haut risque, et l’interdit s’il relève de la notation sociale.
La détection d’anomalies trouve donc son terrain dans les paiements, les fournisseurs, les marchés et les délibérations. Tout projet touchant des habitants passe d’abord par un cadrage juridique avec votre délégué à la protection des données.
Règlement européen sur l’IA, annexe III (nouvel onglet)Règlement européen sur l’IA, article 5 (nouvel onglet)Règlement européen sur l’IA, article 86 (nouvel onglet)Veille réglementaire
- Haut risque Concerne l’outil dès qu’une autorité publique s’en sert pour évaluer le droit d’une personne à une aide sociale essentielle, ou pour l’accorder, la réduire, la révoquer ou la récupérer.
- Notation sociale Désigne l’évaluation ou la classification de personnes selon leur comportement social ou leurs caractéristiques personnelles, interdite par l’article 5 depuis le 2 février 2025.
- Explication Ouvre un droit à explication quand une décision fondée sur un système à haut risque a des effets juridiques ou significatifs, que la personne juge négatifs pour sa santé, sa sécurité ou ses droits fondamentaux.
/méthode
Une détection de fraude construite avec vos finances et vos assemblées.
Chaque système de détection se règle avec les services qui en reçoivent les alertes : finances, commande publique, assemblées, contrôle interne. Le modèle de langage qui lit les délibérations tourne en France ou sur vos serveurs.
- CADRAGE Le point de départ réunit, avec vos services, les contrôles en place, les anomalies déjà rencontrées et les données disponibles. Chaque alerte trouve alors son destinataire et la personne qui tranche.
- ÉTALONNAGE Votre historique sert de banc d’essai à la détection ; ses seuils se règlent avec les agents qui traiteront les alertes.
- MAINTENANCE Quand vos fournisseurs ou vos pratiques changent, le modèle se réentraîne sur l’historique des alertes confirmées ou écartées.
/à savoir
Les questions fréquentes sur la détection de fraude en collectivité.
Les autorités compétentes pour le règlement européen sur l’IA (DGE) (nouvel onglet)Rapport annuel 2025 de la CNIL (nouvel onglet)
Comment éviter une fraude au changement de RIB en mairie ?
Un changement de coordonnées bancaires se vérifie par un appel au fournisseur, à un numéro déjà connu. La détection d’anomalies ajoute un second contrôle sur chaque mandat qui suit une modification d’IBAN.
Quelles données faut-il pour détecter des anomalies de paiement ?
Les données de votre logiciel financier suffisent pour commencer : fichier des tiers, factures, mandats, dates de modification des coordonnées bancaires. L’historique des anomalies déjà repérées permet ensuite d’entraîner un modèle plus fiable.
La détection de fraude par IA est-elle à haut risque ?
Tout dépend des personnes visées. Le contrôle des paiements aux fournisseurs ne figure pas à l’annexe III du règlement européen sur l’IA. Elle classe en revanche à haut risque les systèmes qu’une autorité publique utilise pour réduire, révoquer ou récupérer des aides sociales.
Qui contrôle l’IA de détection de fraude aux aides sociales ?
Le schéma présenté le 9 septembre 2025 confie à la CNIL la surveillance des systèmes à haut risque d’accès aux services publics et aux prestations essentielles. Il ne s’appliquera qu’après le vote d’une loi. La CNIL a déjà été désignée en 2025 autorité de protection des droits fondamentaux au titre du règlement européen sur l’IA.
/sources
Sources
- Sénat, rapport d’information n° 447 (2024-2025), délégation aux collectivités territoriales, citant le rapport n° 491 (2023-2024) de la délégation à la prospective, 2025 (nouvel onglet)
- Cybermalveillance.gouv.fr, Rapport d’activité 2025 (mars 2026), 2025 (nouvel onglet)
- Cybermalveillance.gouv.fr, communiqué « 3ᵉ étude sur la maturité cyber des collectivités » (OpinionWay, 1 710 répondants), 19 novembre 2024, 2024 (nouvel onglet)
- Les Interconnectés, Bibliothèque d’IA territoriale (fichier de données, mise à jour du 22 mai 2025), 2025 (nouvel onglet)
- Commission européenne, AI Act Service Desk : règlement (UE) 2024/1689, annexe III, 2024, version consolidée au 27 juillet 2026 (nouvel onglet)
- Commission européenne, AI Act Service Desk : règlement (UE) 2024/1689, article 5, 2024, version consolidée au 27 juillet 2026 (nouvel onglet)
- Commission européenne, AI Act Service Desk : règlement (UE) 2024/1689, article 86, 2024, version consolidée au 27 juillet 2026 (nouvel onglet)
- CNIL, Rapport annuel 2025 (publié en mai 2026), 2025 (nouvel onglet)
- Direction générale des Entreprises, « Les autorités compétentes pour la mise en œuvre du règlement européen sur l’IA », 2025 (nouvel onglet)
/collectivités
- Cas d’usage de l’IA dans les collectivités IA générative et agents conversationnels pour le service public local
- Assistant documentaire pour les agents territoriaux Répond aux questions des agents à partir des délibérations, arrêtés, notes de service et guides de procédure de la collectivité, en citant le document source.
- IA pour l’urbanisme et la commande publique Interroge le PLU, le code de l’urbanisme ou le code de la commande publique, et indique à l’agent les articles qui s’appliquent à une parcelle, à un projet de construction ou à un achat.
- Rédaction assistée par l’IA pour les collectivités Prépare projets de délibération, arrêtés, courriers aux administrés et rapports sociaux à partir des modèles de la collectivité et du dossier ; l’agent ou l’élu relit et signe.
- Transcription des séances du conseil Transcrit les séances du conseil municipal, communautaire ou départemental et les commissions, puis prépare le compte rendu que relit le service des assemblées.
- Prévision énergétique des bâtiments publics Prévoit et suit la consommation des écoles, gymnases et bâtiments administratifs, et indique les réglages de chauffage et d’éclairage qui la font baisser.
- Synthèse de dossiers pour les élus et les directions Résume un dossier de subvention, un rapport de commission ou les échanges d’un projet, et en tire pour l’élu ou la direction les décisions à prendre et les suites.
/contact
Travaillons ensemble
Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.