Toute personne ayant travaillé au sein d’une administration des douanes connaît ce paradoxe. Le volume et la qualité des données n’ont jamais été aussi élevés. Les systèmes n’ont jamais été aussi interconnectés. Pourtant, l’écart entre ce que les agents savent et ce qu’ils ont besoin de savoir ne cesse de se creuser, car le monde de l’autre côté de la frontière évolue plus rapidement que les systèmes conçus pour le gérer. Les routes commerciales se redessinent du jour au lendemain. Les sanctions et les modifications tarifaires interviennent sans préavis. Les schémas de fraude s’adaptent dès que les dispositifs de contrôle les rattrapent. Le volume des déclarations continue d’augmenter tandis que le temps disponible pour les analyser ne cesse de diminuer.

Il ne s’agit pas d’un problème technologique au sens traditionnel du terme. Pour comprendre où en sont aujourd’hui les administrations des douanes et ce que requiert réellement la prochaine étape, il est utile de retracer la manière dont la technologie a transformé la gestion des frontières au cours des trois dernières décennies. Trois générations distinctes de capacités se sont succédé. Chacune a permis de résoudre un problème que la précédente ne pouvait surmonter. Mais chacune a également révélé de nouvelles limites que seule la génération suivante pouvait dépasser.

La première transformation a été celle de la numérisation. Les déclarations électroniques ont remplacé les dossiers papier. Les guichets uniques ont mis fin au parcours complexe fait de tampons, de comptoirs et de formalités successives qui caractérisait autrefois le commerce transfrontalier. Les moteurs de gestion des risques ont remplacé les contrôles ponctuels effectués manuellement. Les systèmes de gestion douanière ont, pour la première fois, créé un environnement opérationnel unifié dans lequel les données des déclarations, l’historique des opérateurs et le statut du dédouanement pouvaient être centralisés et exploités.

Les bénéfices ont été considérables et bien réels. Les délais de traitement ont diminué. Les pertes de recettes dues à des défaillances purement administratives, telles que les documents égarés, les échéances non respectées ou les erreurs de saisie manuelle, ont reculé. Les fondements de la douane moderne ont été posés.

Mais les systèmes purement numériques ne font qu’exécuter des instructions. On leur indique : si le score de risque dépasse un certain seuil, signaler la déclaration. Si le code SH figure sur une liste de surveillance, générer une alerte. Le système exécute. Il ne réfléchit pas, n’apprend pas en temps réel et ne détecte certainement pas de lui-même un problème auquel personne n’avait pensé. Chaque règle nécessite qu’un ingénieur logiciel traduise les politiques publiques en code informatique. Lorsqu’un tarif douanier est modifié, quelqu’un doit programmer la mise à jour. Lorsqu’une priorité de contrôle évolue, l’intégration de cette nouvelle logique dans le système prend des semaines, parfois des mois.

Ce décalage entre l’intention des décideurs et sa mise en œuvre opérationnelle est ce que les praticiens appellent désormais le « fossé de traduction ». Dans un environnement réglementaire stable, il reste maîtrisable. Mais dans le contexte actuel, où les listes de sanctions sont mises à jour sans préavis, où les tarifs douaniers évoluent au gré de décisions politiques prises à des milliers de kilomètres des frontières et où les méthodes de fraude se transforment en permanence, ce décalage ne l’est plus.

La deuxième génération de technologies douanières est allée plus loin. Les outils assistés par l’intelligence artificielle sont capables de traiter d’importants volumes de données, d’identifier des anomalies et de faire émerger des informations qu’un analyste humain aurait pu ne pas détecter parmi une pile de dix mille déclarations. Les modèles d’apprentissage automatique, entraînés à partir de données historiques de transactions, peuvent repérer des valeurs déclarées statistiquement atypiques, signaler les incohérences entre les descriptions des marchandises et les niveaux de prix, puis générer des indicateurs de risque structurés destinés à l’examen des agents. Ces outils fonctionnent toujours dans un cadre défini par les humains, mais ils y opèrent avec un niveau de précision et une capacité de traitement qu’aucun processus manuel ne peut égaler.

La détermination de la valeur en douane en est une parfaite illustration. Détecter une sous-évaluation exige qu’un agent compare les valeurs déclarées à des prix de référence, apprécie la crédibilité de la transaction et prenne une décision susceptible d’avoir des conséquences juridiques et budgétaires. Dans un environnement douanier à fort volume d’activité, appliquer cette démarche avec rigueur à des milliers de déclarations quotidiennes nécessite des outils d’aide à la décision. Les solutions modernes de détermination de la valeur et de classification utilisent l’apprentissage automatique pour analyser les valeurs déclarées à la lumière des données historiques de transactions et de bases de données de prix externes, identifier les anomalies statistiques et produire des indicateurs de risque structurés destinés aux agents. Selon la qualité des données disponibles, les outils de classification fondés sur l’apprentissage automatique  peuvent atteindre des taux d’automatisation supérieurs à 95 %. Les agents consacrent ainsi leur temps aux dossiers qui nécessitent une véritable expertise, plutôt qu’à vérifier manuellement des expéditions courantes correspondant à des schémas déjà connus.

Le suivi électronique du transit constitue un autre exemple. L’utilisation des technologies GPS et RFID pour assurer un suivi continu des véhicules en transit, avec des alertes automatiques dès qu’un chargement s’écarte d’un itinéraire autorisé ou s’arrête dans un lieu non approuvé, permet aux agents des frontières d’être bien plus efficaces que les escortes physiques ou les contrôles ponctuels des scellés. Un tel système est directement intégré aux déclarations de transit, permettant à l’agent chargé du contrôle de disposer, dans un même environnement opérationnel, de la déclaration, de la fiche électronique de suivi et des alertes en temps réel.

Les résultats obtenus grâce aux déploiements de cette deuxième génération sont documentés et tangibles. Au Bénin, un environnement intégré reposant sur l’IA relie avec succès les opérations douanières, le Guichet Unique National, le Port Community System, les solutions de détermination de la valeur et de classification, ainsi que le suivi électronique des marchandises au sein d’une interface unifiée. Cette mise en œuvre a démontré la faisabilité opérationnelle d’une coordination en temps réel entre plusieurs systèmes.

Malgré tous ces progrès, cette deuxième génération atteint encore une limite fondamentale. Les outils assistés par l’IA améliorent le ciblage, mais ils ne transforment pas la logique opérationnelle. Ils ne sont pas capables de propager automatiquement une évolution réglementaire à travers des processus interconnectés. Ils ne coordonnent pas les actions entre différents systèmes face à un nouveau schéma de risque. Le fossé de traduction se réduit, sans toutefois disparaître. Même très performant, un moteur de gestion des risques ajouté à un système de gestion douanière demeure un composant greffé sur une infrastructure existante. Il apprend à partir des modèles qu’il connaît déjà. Il est donc moins efficace face à de nouvelles typologies de fraude dont les caractéristiques n’ont pas encore été formalisées dans des règles.

Une nouvelle étape est aujourd’hui franchie, et la transformation qu’elle annonce est plus profonde que toutes celles qui l’ont précédée. Les systèmes d’IA agentique introduisent une rupture qualitative avec les générations antérieures. Ils poursuivent des objectifs plutôt que de simplement exécuter des instructions. Ils établissent des corrélations entre de multiples sources de données sans qu’on le leur demande. Ils adaptent leur logique opérationnelle à mesure que de nouveaux schémas apparaissent. Plus important encore, ils sont capables d’orchestrer des processus de bout en bout entre différents systèmes : récupérer une déclaration de transit, la rapprocher des données de suivi des marchandises, la comparer aux références historiques de la base de données de valeur en douane, puis transmettre automatiquement le dossier à l’agent compétent accompagné d’une recommandation structurée, le tout sans intervention humaine à chaque étape et à la vitesse de la machine, sur des milliers de transactions simultanées.

Dans le domaine de la gestion des risques, cette évolution est tout aussi déterminante. Les moteurs de gestion des risques traditionnels sont calibrés pour détecter des menaces déjà connues : pays d’origine, code SH, valeur déclarée par rapport à des références, historique de conformité de l’opérateur économique. Cette approche est efficace pour les typologies de fraude déjà identifiées. Les systèmes de gestion des risques fondés sur l’IA agentique fonctionnent autrement. Au lieu d’attendre qu’un analyste identifie un nouveau schéma de fraude avant de le traduire en règle métier, un système qui apprend en continu peut détecter en temps réel des anomalies, c’est-à-dire des comportements qui s’écartent des références établies selon plusieurs dimensions simultanément, et les signaler pour investigation avant qu’elles ne deviennent systémiques. Il analyse les historiques de transactions, les itinéraires, les indicateurs comportementaux et les données provenant de différentes administrations non pas comme des ensembles de données indépendants, mais comme des signaux corrélés. L’Organisation mondiale des douanes (OMD) comme le Fonds monétaire international (FMI) ont d’ailleurs souligné un point essentiel : réduire les interventions humaines inutiles dans les décisions courantes réduit également les risques de corruption. L’automatisation protège les recettes publiques non seulement en détectant la fraude, mais aussi en limitant les situations propices aux pratiques irrégulières.

C’est également à ce stade que la question de l’architecture technologique devient décisive. La différence entre un système nativement conçu autour de l’IA et un système auquel l’IA a été ajoutée par la suite n’est pas une simple nuance terminologique. Elle se manifeste concrètement dans les opérations quotidiennes.

Dans un environnement où l’IA n’est qu’une couche ajoutée, l’agent ouvre une déclaration, consulte un outil distinct d’évaluation des risques, vérifie un module de valeur en douane dans une autre interface, puis prend lui-même la décision d’orientation du dossier. L’intelligence existe, mais la coordination fait défaut. Chaque système possède une partie de l’information. Aucun n’est capable d’interagir avec les autres sans intervention humaine.

Dans un environnement nativement conçu autour de l’IA, ce même agent reçoit un dossier déjà constitué : données de la déclaration, statut du suivi des marchandises, comparaison avec les références de valeur en douane, historique de conformité de l’opérateur économique et recommandation structurée. Toutes ces informations ont déjà été mises en relation entre les différents systèmes avant même que l’agent n’ouvre le dossier. La différence ne réside pas dans la performance d’un outil particulier, mais dans le fait que l’environnement opérationnel ait été conçu dès l’origine autour de l’intelligence, plutôt que d’avoir vu celle-ci ajoutée a posteriori.

L’intégration de grands modèles de langage (LLM) à tous les niveaux des opérations rend cette évolution possible. Les agents des douanes et les administrateurs systèmes peuvent interagir avec le système en langage naturel. Les évolutions réglementaires peuvent être mises en œuvre au moyen de processus assistés par des agents intelligents, plutôt que par une réécriture manuelle du code. Le système apprend en permanence à partir des transactions réelles et s’adapte en conséquence. Dans ce modèle, il n’y a plus de développeurs faisant obstacle entre une décision de politique publique et sa mise en œuvre opérationnelle. Le fossé de traduction, qui constituait la principale limite structurelle des systèmes de première génération et que la deuxième génération n’avait fait que réduire, peut enfin être comblé.

Une administration des douanes n’est pas un simple processus technique auquel s’ajoute une dimension humaine. Il s’agit d’une fonction régalienne qui implique l’interprétation du droit, le pouvoir d’appréciation dans l’application des contrôles, la responsabilité institutionnelle et des décisions dont les conséquences concernent les opérateurs économiques, des secteurs entiers de l’économie et les recettes de l’État. L’autorité exercée par l’agent des douanes au poste frontière ne peut être déléguée à un modèle d’intelligence artificielle, aussi performant soit-il.

Les déploiements les plus aboutis font émerger ce que l’on pourrait appeler une autonomie opérationnelle déléguée dans un cadre de gouvernance clairement défini. Le système prend en charge les tâches mécaniques : traiter les déclarations courantes, corréler les données, orienter les dossiers, générer des alertes, vérifier la cohérence des documents et préparer des recommandations. En revanche, dès qu’une situation est ambiguë, qu’une question juridique se pose ou qu’un cas exceptionnel se présente, le dossier est immédiatement transmis à un agent. Les agents ne deviennent pas inutiles, ils deviennent plus efficaces. Ils consacrent moins de temps aux tâches répétitives et davantage aux décisions qui requièrent leur expertise et leur jugement. Le système assiste. L’agent décide.

Il y a également la question de l’explicabilité, qui n’est pas une préoccupation technique secondaire, mais une exigence institutionnelle fondamentale. Une administration des douanes ne peut exercer légitimement ses missions de contrôle en s’appuyant sur des systèmes dont le raisonnement demeure opaque. Un opérateur économique dont une marchandise est retenue doit pouvoir comprendre les raisons de cette décision. Un agent qui transmet un dossier pour examen doit être en mesure d’expliquer pourquoi une alerte a été déclenchée. Une administration qui justifie un redressement de valeur doit pouvoir démontrer le raisonnement ayant conduit à cette décision. L’explicabilité constitue une condition essentielle de la légitimité institutionnelle, mais également de la confiance du secteur privé, sur laquelle repose, en définitive, toute politique de facilitation des échanges.

Les administrations qui évaluent un investissement technologique devraient également se poser une question qui dépasse la seule performance des solutions : à qui appartient l’intelligence produite ? Les modèles analytiques qu’un système développe à partir des données opérationnelles constituent un actif institutionnel d’une valeur stratégique considérable. Cet actif doit appartenir pleinement à l’administration des douanes, et non au fournisseur qui a développé la plateforme. La propriété des données et des connaissances qui en sont issues ne saurait être considérée comme une simple variable de négociation permettant d’obtenir un prix plus avantageux ou un déploiement plus rapide. Il s’agit d’actifs souverains qui doivent demeurer exclusivement entre les mains de l’administration des douanes. C’est une question de gouvernance qui doit être tranchée avant la signature des contrats, et non une fois ceux-ci exécutés.

L’écart entre les administrations qui investissent dans des capacités opérationnelles adaptatives et celles qui ne le font pas est déjà en train de se creuser, et il continuera de s’accentuer au fil du temps. Aujourd’hui encore, la plupart des administrations se limitent à des assistants conversationnels et à des outils analytiques isolés. Celles qui abordent cette transition avec une véritable vision stratégique ne se demandent plus s’il faut adopter l’intelligence artificielle. Cette question est désormais tranchée. Elles cherchent plutôt à définir des cadres de gouvernance permettant aux systèmes intelligents d’agir dans des limites institutionnelles fixées par les humains ; à garantir que l’explicabilité, les pistes d’audit et les mécanismes d’escalade soient intégrés dès la conception des systèmes plutôt qu’ajoutés ultérieurement ; enfin, à conduire cette transformation de manière à faire des agents des partenaires du changement plutôt que ses victimes.

L’évolution des systèmes purement numériques vers les outils alimentés par l’IA, puis vers les architectures d’IA agentique, ne raconte pas simplement l’histoire d’une technologie devenue plus puissante. Elle illustre le rapprochement progressif entre la décision publique et son exécution opérationnelle. La première génération a automatisé les processus. La deuxième les a rendus plus intelligents. La troisième les rend adaptatifs, capables de réduire presque en temps réel l’écart entre ce que l’administration sait et ce dont elle a besoin pour agir efficacement.

L’analogie parlera immédiatement à celles et ceux qui connaissent le fonctionnement des douanes. Pendant des décennies, l’agent posté à la frontière incarnait à lui seul la capacité de l’État à prendre une décision. Grâce à son expérience, son intuition et sa connaissance des opérateurs économiques, un bon agent pouvait accomplir un travail remarquable malgré des moyens limités. L’IA agentique fournit désormais l’infrastructure nécessaire pour qu’aucun agent n’ait plus jamais à prendre une décision importante sans disposer de la meilleure intelligence disponible pour l’éclairer.

Le poste frontière restera occupé. Il le restera toujours. En revanche, ce qui se produit avant même l’arrivée du conteneur, ainsi que les informations dont dispose l’agent au moment où le conteneur arrive, sont en train de changer de manière fondamentale.