Depuis janvier 2026, la CAF — Caisse d’allocations familiales – déploie un nouvel outil algorithmique pour mieux contrôler les aides perçues par les allocataires. Conçu pour renforcer l’équité et la transparence des contrôles tout en limitant les erreurs, cet instrument statistique suscite à la fois des espoirs pour réduire la fraude et des questions sur son fonctionnement concret dans la lutte contre les indus.
Comment l’algorithme de la CAF change le contrôle des prestations sociales
By
Published on 25 janvier 2026 17h05
7 162 €Selon la CAF, le montant moyen d’une fraude détectée est de 7 162 € en 2021.
Le 21 janvier 2026, la CAF a mis en service un nouvel algorithme désigné « DMDE 2026 » (Datamining Données Entrantes), destiné à mieux cibler certains contrôles des aides sociales versées aux allocataires, dans le cadre d’une politique visant à garantir le juste droit tout en améliorant l’analyse des situations complexes.
Présentation du nouvel outil de la CAF et de son rôle dans la détection d’erreurs
Le nouvel outil statistique de la CAF s’appuie sur une version révisée de l’algorithme de datamining, baptisé DMDE 2026, qui remplace l’ancien modèle de ciblage des contrôles.
La mission première de cet algorithme est d’estimer un « score de risque » indiquant la probabilité qu’un dossier comporte un indu — c’est‑à‑dire un trop‑perçu ou une erreur qui peut entraîner un remboursement ou une régularisation. Il s’agit d’un indicateur de probabilité plutôt que d’une décision automatique : la décision de contrôle reste humaine, prise ensuite par des agents de la CAF qui tiennent compte de la situation globale de l’allocataire.
Le DMDE 2026 ne concerne qu’une très petite proportion des contrôles : en 2024, 31,5 millions de contrôles ont été effectués auprès de 6,4 millions d’allocataires, dont seulement 0,5 % ont été ciblés grâce à cet algorithme.
Comment fonctionne concrètement l’algorithme de contrôle de la CAF
Techniquement, le DMDE 2026 est un outil statistique de type régression logistique, qui combine plusieurs modules pour produire un score de risque compris entre 0 et 1 : plus ce score est élevé, plus le dossier est susceptible d’être examiné en profondeur.
L’algorithme ne cible que les situations comportant un indu d’au moins 600 € et courant pendant au moins six mois, afin de concentrer les efforts sur les cas les plus significatifs et éviter les contrôles sur des erreurs mineures ou transitoires.
La logique de calcul combine plusieurs variables liées aux revenus, aux prestations perçues et à la composition du foyer : par exemple, l’historique des revenus des 24 derniers mois, les montants moyens des prestations (RSA, allocations familiales, prime d’activité), la stabilité des ressources, ainsi que des éléments liés à la composition du foyer (présence d’enfants ou situation d’emploi des membres du foyer).
Ce modèle a été adapté à un contexte de pré‑remplissage des déclarations de ressources, généralisé depuis mars 2025, ce qui modifie progressivement la nature des contrôles et la manière dont les données sont traitées.
Transparence, éthique et enjeux autour du contrôle des aides
La Cnaf justifie ce nouvel algorithme par une volonté d’éthique dès la conception, visant à renforcer la transparence de l’usage des données et des mécanismes algorithmiques, ainsi qu’à limiter les biais potentiels dans les variables retenues.
Pour atteindre ces objectifs, certaines variables jugées sensibles — telles que la nationalité, le genre, l’adresse ou le lieu de résidence — ont été exclues dès la conception du modèle. De même, aucune donnée relative au comportement en ligne (fréquence de connexion, interactions avec le service) n’est prise en compte pour éviter toute forme de discrimination indirecte.
Dans une démarche de transparence accrue, la Cnaf a mis à disposition en open source le code source du DMDE 2026, permettant à des tiers de consulter librement les variables utilisées, les coefficients associés et la façon dont le score est calculé.
Toutefois, certains observateurs et associations ont déjà exprimé des critiques sur l’utilisation de tels algorithmes, soulignant que dans des versions antérieures, les modèles pouvaient cibler de manière disproportionnée les allocataires les plus précaires, en fonction de paramètres tels que des faibles revenus ou des situations de chômage qui sont plus fréquents parmi les populations vulnérables.