CIR sur un projet de fine-tuning IA : comment justifier le dossier ?

CIR fine-tuning IA : distinguer recherche et intégration technologique

La CNIL définit l'ajustement, ou fine-tuning, comme une technique consistant à spécialiser un modèle d'IA pré-entraîné à une tâche spécifique, en entraînant tout ou partie du réseau sur un faible nombre d'itérations avec des données ciblées. Cette définition décrit une opération technique, pas une activité de recherche. Or le CIR ne rémunère pas la technique : il rémunère la levée d'une incertitude.

Le guide du CIR publié par le ministère de l'Enseignement supérieur et de la Recherche reprend les cinq critères du manuel de Frascati : nouveauté, créativité, incertitude, démarche systématique, transférabilité ou reproductibilité. Un projet de fine-tuning doit être passé au crible de ces cinq critères, et l'incertitude est presque toujours le point de rupture.

Deux situations à ne pas confondre

• Intégration d'un modèle existant : appeler une API, brancher Mistral 7B sur Ollama et OpenWebUI, indexer des documents dans un RAG (retrieval-augmented generation, génération augmentée par recherche documentaire), régler des prompts système. Ces travaux mobilisent des méthodes connues ; leur résultat est prévisible pour un ingénieur compétent. Ils relèvent du développement.
• Démarche expérimentale : chercher à obtenir un comportement que l'état de l'art ne permet pas d'atteindre dans le contexte étudié, avec des essais dont l'issue est réellement incertaine. Seule cette situation ouvre la discussion CIR.

Concrètement, paramétrage de prompts, connexion à un CRM ou un ERP, déploiement, maintenance, adaptation fonctionnelle à une demande client et formation des utilisateurs sont très rarement défendables. Ces tâches peuvent être indispensables au projet ; elles ne sont pas de la recherche.

France Num rappelle qu'un projet IA dédié ne se justifie qu'après avoir épuisé les outils grand public et les connecteurs existants. La logique est la même pour le CIR : si une solution sur étagère résout le besoin, il n'y a ni verrou ni recherche. Avant de parler crédit d'impôt, il faut prouver que le besoin a été qualifié et que les approches courantes ont été testées puis écartées pour des raisons techniques documentées. Le hub aides et financements IA recense les dispositifs alternatifs lorsque le projet relève de l'innovation plutôt que de la recherche.

Fine-tuning et CIR : formuler un verrou scientifique ou technique

Le dossier doit décrire une incertitude scientifique ou technique que les connaissances disponibles ne permettent pas de résoudre directement, puis la démarche suivie pour l’étudier.

Questions susceptibles de caractériser une incertitude

• Comment obtenir une spécialisation fiable sur un domaine métier avec quelques centaines d'exemples annotés seulement, alors que les méthodes publiées supposent des dizaines de milliers d'exemples ?
• Comment réduire les hallucinations sur un vocabulaire juridique, comptable ou médical sans dégrader la généralisation hors du jeu d'entraînement ?
• Comment garantir robustesse et traçabilité des sorties face à des documents hétérogènes, scannés, mal structurés, sous contrainte de calcul on-premise limitée ?
• Comment arbitrer entre fine-tuning complet, méthodes paramétriquement efficaces de type LoRA (Low-Rank Adaptation, adaptation par matrices de faible rang) et quantization, lorsque les benchmarks publics ne couvrent pas la langue ou le domaine ?

Chaque verrou doit être relié à l'état de l'art : publications, benchmarks de référence, cartes de modèles, limites connues, solutions déjà commercialisées. Il faut ensuite expliquer pourquoi ces méthodes ne résolvaient pas le problème dans votre contexte : données rares, confidentialité interdisant l'API externe, langue ou format non couverts, exigence de latence.

Difficulté d'ingénierie contre incertitude non triviale

Choisir entre deux bibliothèques, corriger un bug de tokenisation, optimiser une configuration serveur : ce sont des difficultés d'ingénierie, résolues par la compétence et le temps. Une incertitude non triviale se reconnaît au fait qu'un expert du domaine ne peut pas prédire le résultat avant l'expérience.

La doctrine administrative, détaillée au BOI-BIC-RICI-10-10-10-20 sur la détermination des opérations de recherche, insiste sur la démarche systématique. Recommandation pratique : rédiger chaque verrou sous forme datée et falsifiable, avec hypothèses explicites et critères de succès chiffrés. Exemple : « Hypothèse H2, formulée le 12 mars : un LoRA de rang 16 sur 800 exemples annotés atteint un F1 ≥ 0,85 sur les clauses de résiliation, contre 0,61 pour le modèle de base ; critère d'échec : F1 < 0,75 après trois variantes de données. » Un résultat négatif documenté peut éclairer la démarche de recherche ; un échec ne suffit toutefois pas, à lui seul, à établir l’éligibilité.

Construire le dossier justificatif CIR d'un projet de fine-tuning

Le dossier justificatif se rédige au fil du projet, pas trois mois avant le dépôt de la liasse. Un dossier reconstruit a posteriori se reconnaît immédiatement : dates floues, résultats sans hypothèse, absence d'échecs. Voici une architecture réutilisable, proposée pour tout projet de fine-tuning envisagé au CIR.

Architecture de dossier recommandée

1. Fiche d'identité du projet : objectif, périmètre, équipe et qualifications, calendrier, modèle de départ et sa licence, nature et volume des données, environnement de calcul, livrables attendus.
2. État de l'art daté : ce qui existait au démarrage, avec références, et pourquoi c'était insuffisant.
3. Verrous et hypothèses : numérotés, avec critères de succès.
4. Protocole expérimental : variantes testées, métriques, jeux de validation, procédure de comparaison.
5. Résultats, échecs et arbitrages : chaque résultat rattaché à une hypothèse, chaque abandon motivé.
6. Avancée obtenue : ce que l'entreprise sait désormais faire et que l'état de l'art ne permettait pas, sans emphase commerciale.

Les preuves qui font la différence

Les preuves attendues sont celles qu'une équipe technique sérieuse produit naturellement : commits horodatés, tickets, notebooks, versions des jeux de données avec leur hash, journaux d'entraînement (pertes, hyperparamètres, durée, matériel), rapports d'évaluation, courbes, comptes rendus de réunions techniques et décisions actées. L'important est la traçabilité croisée : un résultat renvoie à une hypothèse, une hypothèse à un verrou, une dépense à une tâche.

Pour présenter une amélioration mesurée, précisez le protocole, la baseline, les variantes et les limites du jeu de test. Un argument commercial ou un taux de progression isolé ne démontre pas une opération de R&D.

Le ministère détaille le rôle de ses experts dans le contrôle du CIR : l’examen porte sur la réalité des opérations de recherche et leur documentation. Un gain de performance doit donc être relié à une démarche expérimentale, sans assimiler automatiquement un entraînement à de la recherche. La page dédiée au crédit d'impôt recherche appliqué aux projets d'IA détaille les pièces attendues par catégorie de dépense.

Quelles dépenses de fine-tuning sont éligibles au CIR ?

L'éligibilité ne s'apprécie pas « au projet » mais par activité de R&D et par dépense documentée. Un projet de fine-tuning de six mois peut contenir six semaines de recherche et vingt semaines de développement, d'intégration et de mise en production. Les dépenses retenues doivent correspondre aux opérations éligibles. En métropole, le crédit est calculé à 30 % jusqu'à 100 M€ de dépenses de recherche, puis 5 % au-delà, selon les règles du dispositif.

Dépenses de personnel

Les temps des chercheurs, ingénieurs et techniciens directement affectés aux opérations de recherche sont éligibles : formulation des hypothèses, conception du protocole, développements expérimentaux, campagnes d'entraînement, évaluation des résultats. Ne le sont pas : support, intégration dans le produit, maintenance, déploiement, relation client. Cela suppose un suivi des heures ventilé par projet et par type de tâche, validé chaque mois par le responsable technique. Un tableur rempli en décembre n'est pas un suivi. Les frais de fonctionnement s'ajoutent forfaitairement à ces dépenses de personnel ; le taux a été ramené de 43 % à 40 % par la loi de finances 2025, à vérifier pour l'exercice concerné.

Sous-traitance

Les travaux confiés à un prestataire ne sont retenus que si celui-ci est agréé CIR par le ministère de la Recherche, dans la limite des plafonds légaux, et si le contrat décrit de véritables opérations de recherche. Une prestation de « déploiement d'IA souveraine » ou d'intégration, si utile soit-elle, n'entre pas dans cette catégorie. Une prestation d'installation ne doit pas être présentée comme une dépense de recherche sans analyse des travaux et des conditions applicables.

Calcul, environnements et données

Les amortissements d'équipements acquis et affectés à la recherche sont éligibles au prorata de leur usage R&D ; la location de calcul cloud ne figure pas en tant que telle dans les catégories de dépenses listées par le CGI et doit être analysée avec le conseil fiscal ou l'expert-comptable. L'achat de jeux de données annotés suit la même logique d'examen au cas par cas. Deux risques classiques : le double financement avec une subvention (à déduire de l'assiette) et le mélange entre entraînements expérimentaux et ré-entraînements d'exploitation.

Exemple chiffré fictif de tableau de suivi, sans présumer de l’éligibilité de chaque ligne :

Dépense	Tâche de R&D	Preuve	Période	Contributeur	Justification
120 h ingénieur ML	Comparaison LoRA / full fine-tuning (H2)	Journaux d'entraînement, commits	Mars–avril	Ingénieur R&D	Hypothèse H2, verrou V1
Amortissement serveur GPU	Campagnes d'entraînement	Registre d'immobilisation, taux d'usage	Exercice	—	Prorata R&D 60 %
Annotation interne 40 h	Constitution du jeu de test	Version dataset v2, guide d'annotation	Février	Technicien	Protocole expérimental

Le simulateur d'aides IAPRO permet une première estimation, à confirmer par l'expert-comptable.

Cas pratique : documenter un fine-tuning de modèle métier de bout en bout

Prenons un cas construit pour l'exemple : une PME de 45 salariés éditant un logiciel de gestion contractuelle veut extraire et classer automatiquement les clauses sensibles (résiliation, responsabilité, données personnelles) de contrats fournisseurs hétérogènes. Contraintes : confidentialité interdisant l'appel à une API externe, documents scannés de qualité variable, vocabulaire juridique français peu couvert par les benchmarks publics. Le modèle de départ est un modèle open source de 7 milliards de paramètres, déployé on-premise.

Point de départ documenté

Avant toute expérimentation, l'équipe consigne les performances du modèle de base et d'un RAG classique sur un jeu de test de 300 contrats : F1 de 0,58 sur les clauses de résiliation, 0,44 sur les clauses de responsabilité, avec confusion fréquente entre clauses limitatives et exonératoires. Ces mesures constituent l'état de l'art interne et attestent que les approches courantes ont été essayées.

Trois verrous formulés

• V1 : obtenir une classification fiable avec moins de 1 000 exemples annotés, la littérature reposant sur des volumes bien supérieurs.
• V2 : maintenir la généralisation sur des formats de contrats absents du jeu d'entraînement sans surapprentissage.
• V3 : produire un score de confiance calibré permettant de router les cas ambigus vers un juriste.

Expérimentations et frontière avec l'exploitation

Le protocole prévoit le nettoyage et l'annotation avec double relecture, la comparaison entre fine-tuning complet et LoRA à différents rangs, trois variantes de jeux de données (brut, augmenté, équilibré), l'étude de seuils de confiance et des tests de robustesse sur documents dégradés. Le dossier présente une matrice de métriques par variante, les erreurs typiques classées, les versions testées avec leurs hyperparamètres, les ressources consommées par campagne et les décisions d'abandon : par exemple l'abandon du fine-tuning complet, plus performant de deux points mais impossible à maintenir sur l'infrastructure disponible, décision d'ingénierie et non résultat de recherche.

Le dossier trace ensuite une frontière datée : la phase de recherche s'achève lorsque V1 à V3 sont résolus ou déclarés non résolus. L'interface utilisateur, l'intégration au logiciel, l'alimentation quotidienne en nouveaux contrats et les ré-entraînements périodiques sont hors assiette.

Encadré — la limite à ne pas franchir. Passer de 0,58 à 0,87 de F1 est un gain de performance, pas en soi une avancée scientifique. Ce qui peut fonder l'éligibilité, c'est d'avoir montré comment ce gain est atteint dans des conditions (peu de données, contrainte locale) où les méthodes connues échouaient, et de l'avoir prouvé par des essais dont l'issue était incertaine. Notre glossaire IA précise les notions de généralisation, calibration et surapprentissage.

CIR, fine-tuning et conformité IA : sécuriser le projet et mesurer le ROI

Le CIR et l'AI Act, le Règlement (UE) 2024/1689 publié au Journal officiel de l'Union européenne, répondent à des questions différentes. Le premier apprécie la réalité d'activités de recherche ; le second encadre la mise sur le marché et l'usage de modèles et systèmes d'IA. Confondre les deux produit des dossiers hybrides illisibles ; les articuler est rentable, car la documentation technique exigée par l'un alimente l'autre.

Ce que change, ou non, un fine-tuning au regard de l'AI Act

Les obligations des fournisseurs de modèles d'IA à usage général (GPAI) s'appliquent depuis le 2 août 2025. La Commission a précisé dans ses lignes directrices sur les fournisseurs de modèles à usage général qu'un acteur qui modifie ou ajuste un modèle ne devient fournisseur GPAI que dans des cas exceptionnels, le critère indicatif étant l'usage de plus d'un tiers du calcul d'entraînement initial. Un fine-tuning LoRA sur quelques milliers d'exemples en est très loin. Ce seuil n'est toutefois pas une règle absolue : des praticiens réunis autour de l'AI Pact rappellent que la règle de fond reste la modification substantielle de la généralité, des capacités ou du risque systémique, appréciée au cas par cas. Si le système final relève d'un domaine sensible (RH, crédit, santé), la classification à haut risque se pose indépendamment du fine-tuning ; le guide Regulia consacré aux obligations concrètes des PME face au règlement européen sur l'IA détaille cette grille.

Recommandation commune aux deux régimes : conserver les informations sur le modèle amont et sa licence, les données et leurs droits d'usage, les versions, les risques identifiés, les mesures de sécurité et les évaluations. Ce sont exactement les pièces d'un bon dossier CIR. Le hub AI Act et conformité IAPRO présente notre approche d'audit.

Méthode ROI en six lignes

1. Coût total de R&D (personnel, amortissements, sous-traitance).
2. Montant potentiellement retenu au CIR après examen des dépenses éligibles.
3. Gains de performance mesurés (précision, rappel, taux d'erreur).
4. Réduction des erreurs valorisée en heures de relecture évitées.
5. Coûts d'inférence récurrents on-premise.
6. Valeur métier : délai de traitement, risque contractuel évité.

Le calculateur de ROI IA structure ce raisonnement. Plan d'action proposé : cadrage du besoin et test des solutions existantes ; qualification des verrous avec l'équipe technique ; documentation continue pendant les expérimentations ; revue du dossier avec l'expert-comptable avant la déclaration 2069-A.

FAQ — CIR et fine-tuning IA

Pour aller plus loin avec IAPRO

IAPRO ne réalise pas votre déclaration fiscale : nous installons des IA souveraines on-premise et aidons les équipes à structurer la documentation technique de leurs projets de fine-tuning, en lien avec votre expert-comptable. Si vous envisagez un projet et souhaitez qualifier son potentiel de recherche avant d'engager des dépenses, contactez-nous pour un premier échange de cadrage. Vérifiez ensuite votre éligibilité aux aides mobilisables, CIR mais aussi crédit d'impôt innovation ou Diag Data IA Bpifrance, avec le simulateur d'aides et la page dédiée au crédit d'impôt recherche pour l'IA.

Liens utiles

• Crédit d'impôt recherche (CIR) : IA éligible et taux 2026
• Hub aides et financements IA
• CIR et projets d'intelligence artificielle
• Simulateur d'aides IAPRO
• Calculateur de ROI IA
• Glossaire IA
• Hub AI Act et conformité
• Guide du CIR — ministère de l'Enseignement supérieur et de la Recherche
• Crédit d'impôt recherche — impots.gouv.fr
• Définition du fine-tuning — CNIL