La corruption dans les marchés publics représente un coût économique et social considérable. Des nids-de-poule sur les autoroutes aux politiques de grands travaux inutiles, la corruption coûterait entre 10% et 30% de la valeur des projets publics de construction, selon la Banque mondiale. Pour lutter contre la corruption et favoriser la concurrence, des politiques de numérisation et de contrôle de l'attribution des marchés publics ont vu le jour, et des plateformes ainsi que des bases de données ouvertes ont été créées. Ces plateformes ont permis de faire circuler l'information et de réduire l'asymétrie entre le décideur et le citoyen. En Ukraine, par exemple, la plateforme d'attribution des marchés publics ProZorro aurait permis, selon la Harvard Kennedy School, d'économiser près de 6 milliards de dollars de fonds publics entre octobre 2017 et décembre 2021. Mais la performance de ces systèmes dépend moins de la sophistication de leurs algorithmes que de la fiabilité des données qu'ils exploitent, un enjeu encore largement négligé.
Des systèmes d'intelligence artificielle ont ainsi été créés pour traiter l'ensemble de ces données et augmenter la capacité de détection des risques de corruption. Ces IA parviennent à exploiter des données complexes de natures diverses (textes, bases de données, documents administratifs, etc.) pour établir des scores de risque de corruption. Ce score est déterminé par différents critères tels que le mode d'attribution ou les caractéristiques du contrat. Plus un contrat possède un score élevé, plus le risque de corruption est important. Ainsi, l'enjeu devient de disposer de données sûres rendant les modèles de scoring fiables.
Pour obtenir des résultats précis, il faut toutefois rassembler énormément de données diverses venant de plateformes variées. Cela permet d'augmenter l'information collectée, ce qui peut améliorer la précision des modèles. En effet, plus les informations sont diversifiées, plus le modèle peut élargir ses capacités et prendre en compte des informations absentes des plateformes d'attribution des marchés publics. En Ukraine, la transparence des marchés publics ne s'arrête pas à l'attribution des contrats. Elle s'appuie aussi sur des outils complémentaires, comme Spending, qui permet de suivre les paiements effectivement réalisés, ou Dozorro, qui recueille les signalements citoyens. Les transactions recensées par Spending depuis septembre 2015 représentent environ 791 milliards de dollars.
Cependant, la transparence des données peut être limitée. En effet, si les données sont accaparées par ceux qui les produisent ou les surveillent, elles risquent de créer une illusion de contrôle plutôt qu'un véritable contre-pouvoir. Le croisement de ces informations ne suffit donc pas. Encore faut-il garantir leur exactitude, leur intégrité et leur interopérabilité, ce qui fait de la gouvernance des données un enjeu central dans la détection de la corruption. Pour arriver à cela, des initiatives et solutions sont évoquées, notamment la mise en place de systèmes de registre distribué, dits « distributed ledger technology (DLT) ».
Qu'est-ce qu'un système de registre distribué ? C'est un registre numérique partagé entre plusieurs acteurs, où chaque participant possède une copie des données et où les modifications sont synchronisées et vérifiées collectivement. Cela rend toute modification ultérieure détectable par l'ensemble des participants sans toutefois empêcher qu'une information fausse ou un appel d'offres truqué dès l'origine soit inscrit au registre.
Les différentes étapes des procédures relatives aux marchés publics pourraient ainsi être enregistrées de manière permanente afin de mieux prévenir la corruption. Les avis de marchés, les offres des entreprises ou encore certains documents contractuels deviendraient ainsi difficilement modifiables après leur publication. Cette traçabilité renforcerait la confiance dans l'information utilisée par les systèmes d'audit et d'analyse des risques. Les DLT garantiraient qu'une donnée publiée ne pourrait plus être modifiée discrètement, mais elles ne garantiraient pas que cette donnée soit vraie au moment de sa publication.
Le principal avantage de ce système est de distribuer la surveillance des données entre plusieurs acteurs. En effet, comme un nombre important d'acteurs possède une copie des données, si des acteurs publics corrompus essaient de s'approprier les données en les modifiant ou en les dissimulant, alors des acteurs indépendants pourraient détecter cette manipulation. Cela aurait ainsi pour effet de déplacer le pouvoir discrétionnaire qu'ont les personnes chargées de surveiller ces bases vers des organisations citoyennes et d'améliorer la transparence des données.
Cependant, des objections peuvent être faites sur ce type de modèle, surtout sur la faisabilité de celui-ci. Ces systèmes restent encore coûteux à déployer, tant sur le plan humain que financier. Le coût de formation des acteurs publics reste élevé, et il peut être difficile de garantir l'accessibilité des bases de données aux acteurs externes comme les particuliers ou les associations. Ces coûts pèsent lourdement sur le déploiement, ce qui limite la quantité d'informations pouvant y être intégrées, et donc la pertinence de la solution. Selon Sánchez, la principale limite tient au fait que l'architecture d'un système de marchés publics fondé sur la blockchain demeure encore contrainte par l'immaturité de la technologie.
En conclusion, même si les preuves empiriques demeurent limitées, les systèmes de DLT soulèvent une question essentielle : la lutte contre la corruption dépend-elle uniquement de la capacité à analyser les données, ou également de notre capacité à garantir leur intégrité et à en partager le contrôle ? À mesure que les outils d'intelligence artificielle prennent une place croissante dans l'audit public, cette question pourrait devenir centrale pour l'avenir de la gouvernance des marchés publics.
Bibliography
Adam, I. & Fazekas, M. (2021). Are emerging technologies helping win the fight against corruption? A review of the state of evidence. Information Economics and Policy, 57,
Yukins, C.R. & Kelman, S. (2022). Overcoming Corruption and War: Lessons from Ukraine's ProZorro Procurement System. NCMA Contract Management Magazine, July 2022, pp. 22–27.
Nin Sánchez, S. (2019). Implementation of Decentralised Ledger Technology for Public Procurement. European Procurement & Public Private Partnership Law Review, 14(2), 139-148.
World Bank (2022). Using Data Analytics in Public Procurement. Washington, DC: World Bank.
Zhagalov, R. B., Rustembekova, D. K., & Juchnevicius, E. (2026). The Use of Blockchain Technology in the Public Procurement System: International Legal Experience. Vestnik Karaganda University. Law Series, 31(1), 126-136.