La Souveraineté Fiscale à l'Ère de l'Intelligence Artificielle : Un Modèle d'Équilibre Général pour la Préservation de l'État-Providence.

Read full text
Authors: JEAN-PHILIPPE ANNET
Cited by: 0

Abstract

Ce document de recherche propose une réponse macroéconomique au "trilemme" du XXIe siècle : l'incompatibilité croissante entre le vieillissement démographique, l'endettement souverain et l'automatisation par l'Intelligence Artificielle. Nous démontrons que le modèle fiscal héritier du XXe siècle, assis sur la taxation du travail salarié, est mathématiquement condamné par le découplage entre la croissance du PIB et la création d'emplois de masse (obsolescence de la loi d'Okun). En rupture avec les approches malthusiennes, nous formalisons une "Troisième Voie" : le Modèle d'Équilibre Structurel (EES). Ce modèle repose sur trois innovations théoriques : (1) La redéfinition de l'automate comme agent économique via la Valeur Automatisée Nette (VAN), taxée sans violer le secret industriel grâce au protocole cryptographique à divulgation nulle de connaissance (ZKP). (2) La restauration de la souveraineté fiscale par la taxation de l'accès au marché de consommation, rendant l'évasion fiscale des capitaux inopérante. (3) Un nouveau pacte social "en haltère", finançant un Dividende Universel et revalorisant massivement les métiers à haute intensité humaine (Care). La simulation empirique du modèle, calibrée sur une économie type OCDE à l'horizon 2035, valide sa robustesse budgétaire. Elle démontre sa capacité à dégager un excédent structurel capable de financer la transition démographique et de transformer la rupture technologique en prospérité collective. Mots-clés : Fiscalité Algorithmique, ZKP, Dividende Universel, Souveraineté Numérique, Macroéconomie, Retraites.

Fields of Study & Subjects

Politics Economics and Education Policy Taxation and Compliance Studies Economic Development and Digital Transformation

Publication details

Journal / source
Zenodo (CERN European Organization for Nuclear Research)
Publication date
3 January 2026
Language
FR
Document type
Preprint