Les données d'enquête sont souvent combinées à des modèles de prédiction afin d'améliorer l'efficacité des estimateurs assistés par modèle. Traditionnellement, ces estimateurs s'appuient sur des modèles de régression linéaire, tandis que des travaux plus récents ont exploré des méthodes non paramétriques et d'apprentissage automatique. Cependant, les approches existantes sont généralement adaptées à des méthodes de prédiction spécifiques et n'offrent pas toujours un cadre unifié permettant une inférence statistique valable. Dans cette présentation, nous proposons une approche unifiée de l'estimation assistée par modèle qui est indépendante du choix de la méthode de prédiction. Notre approche repose sur l'ajustement croisé pour éliminer le biais induit par l'estimation des fonctions de prédiction. Nous étudions les propriétés des estimateurs qui en résultent et développons un cadre pour l'estimation de la variance et la construction d'intervalles de confiance. Des résultats de simulation illustrent les performances avec des échantillons de tailles finies de la méthodologie proposée et montrent qu'elle fournit des inférences fiables pour un large éventail de méthodes de prédiction.