Les modèles prédictifs sont de plus en plus utilisés en sondage pour diverses tâches. Si les méthodes modernes d’apprentissage automatique offrent une grande flexibilité, leur utilisation pose des défis majeurs pour une inférence valide, en particulier pour l’estimation de la variance avec des méthodes de type « boîte noire ». Je montrerai que l’insertion naïve de prédictions issues de l’apprentissage automatique dans des estimateurs classiques de sondage peut conduire à une inférence invalide, en particulier en présence de régression non paramétrique. Je présenterai ensuite une extension du cadre de l’apprentissage automatique double, avec validation croisée, au contexte de l’échantillonnage d’enquête, permettant une inférence valide avec des méthodes de machine learning arbitraires. Sous des conditions de vitesses de convergence réalistes, les estimateurs obtenus sont des racines de n consistants et asymptotiquement normaux. Enfin, je proposerai des estimateurs de variance consistants permettant la construction d’intervalles de confiance asymptotiquement valides.