evidoria

← Retour à la liste

Bonne pratique Importée

La feuille de route du Mozambique pour une modernisation fiscale par l'IA — Un plan jusqu'en 2028 pour accroître les recettes grâce à des audits par apprentissage automatique

Mozambique · Maputo · Voir le profil de Mozambique · Voir le profil de Maputo

Preuves: Descriptif / auto-déclaré Top 83% 40/100 · Demandez à Evidence Copilot à propos de cette pratique

Le ministère de l'Économie et des Finances du Mozambique a approuvé une feuille de route budgétaire (CFMP, juin 2025) misant sur l'IA — détection d'anomalies par apprentissage automatique, audits par TALN, simulations numériques — pour porter les recettes fiscales de 417,4 à 492,2 milliards de meticais d'ici 2028. Le plan reste non mis en œuvre : aucun système d'IA n'est déployé et aucun résultat indépendant n'existe.

417.4 billion meticais
Recettes fiscales de l'Etat projetees (2026)
492.2 billion meticais
Recettes fiscales de l'Etat projetees (2028)
25.4 %
Recettes fiscales projetees en part du PIB (2026)
25.7 %
Recettes fiscales projetees en part du PIB (2028)

Détails

Maturité
Pilote
Promoteur
Ministério da Economia e Finanças de Moçambique (MEF)
Période
2025-2028
Mots-clés
tax administration, VAT compliance, fraud detection, fiscal policy, machine learning

Contexte

Le ministère de l'Économie et des Finances du Mozambique (MEF) a approuvé, vers juin 2025, le Scénario fiscal à moyen terme 2025-2027 (CFMP), établissant une feuille de route pour que les autorités fiscales du pays modernisent l'administration de la taxe sur la valeur ajoutée et améliorent la conformité d'ici 2028.

Activités

La feuille de route décrit un passage d'audits manuels et réactifs à une application fondée sur le risque et assistée par IA : des modèles d'apprentissage automatique pour surveiller les transactions et signaler les anomalies en temps réel, des outils de traitement du langage naturel pour automatiser l'examen des documents, des chatbots d'IA générative pour guider les contribuables dans leurs obligations déclaratives, et des simulations de jumeaux numériques pour modéliser l'effet des modifications fiscales envisagées sur les recettes. Le plan couvre aussi des mesures plus larges -- révision des codes de la TVA et de l'impôt sur les sociétés, réduction des exonérations fiscales et formalisation des contribuables du secteur informel -- aux côtés de ces composantes IA.

Résultats

Le CFMP prévoit que les recettes fiscales de l'État passeront de 417,4 milliards de meticais (environ 5,5 milliards d'euros, 25,4 % du PIB) en 2026 à 492,2 milliards de meticais (environ 6,5 milliards d'euros, 25,7 % du PIB) d'ici 2028.

Conclusions

Il s'agit d'objectifs de planification budgétaire liés à l'ensemble du paquet de réformes, et non de résultats mesurés attribuables spécifiquement aux outils d'IA -- à l'heure où ces lignes sont écrites, aucun système d'IA décrit dans la feuille de route n'a été déployé, et aucune évaluation indépendante de sa précision, de ses biais ou de son effet réel sur les recettes n'a été publiée.

Mise en œuvre

Coût indicatif
Moyen (50 k€–500 k€) — Fiscal-planning roadmap; specific AI-component budget not itemised.
Délai jusqu’aux résultats
Long (> 3 ans) — Approved around June 2025; roadmap targets run through 2028.
Personnel et compétences
Ministerio da Economia e Financas (MEF), Mozambican tax authorities

Conditions de réussite

  • Roadmap bundles AI tools with broader tax-code and enforcement reforms rather than treating AI as a standalone fix

Modes d’échec courants

  • No AI system described in the roadmap has yet been deployed
  • No independent evaluation of accuracy, bias or actual revenue effect has been published

Où cela s’applique

Type de gouvernance
national ministry of finance roadmap
Échelle
national (Mozambique)
Niveau de revenu
low-income

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pratiques similaires qui pourraient vous être utiles