Algoritmos predictivos en fiscalización tributaria y riesgos
El uso de algoritmos predictivos en el contexto de la fiscalización y cumplimiento es una aplicación central de la inteligencia artificial (IA) y el análisis de big data en las administraciones tributarias (AATT). La finalidad principal es aumentar la recaudación y reducir el fraude fiscal mediante una gestión de riesgos más precisa y eficiente.
Los algoritmos predictivos son herramientas de análisis predictivo que se basan en técnicas estadísticas y de aprendizaje automático (machine learning) para estimar resultados potenciales futuros a partir de datos históricos.
Los algoritmos predictivos son el radar de riesgo de las Administraciones Tributarias, que utiliza datos masivos (como los del IVA en tiempo real que surge de la facturación electrónica) para señalar con alta probabilidad dónde está la evasión, permitiendo a los fiscalizadores operar con eficiencia máxima.
No obstante, para que este radar sea justo y legítimo, debe ser transparente (XAI) y calibrado (datos de calidad) para evitar sesgos, asegurando que el capitán humano (el funcionario) siempre valide la señal antes de tomar cualquier acción sancionadora.
I. Aplicación de algoritmos predictivos en fiscalización y cumplimiento
Los algoritmos predictivos permiten a las AATT anticipar problemas y plantear opciones respecto a las posibles acciones a tomar y cuándo tomarlas. Esto transforma la fiscalización de un enfoque reactivo a uno proactivo y dirigido.
1. Detección de fraude y evasión (ejemplo del IVA)
La lucha contra el fraude y la evasión fiscal es uno de los usos más comunes de la IA. Los modelos predictivos son cruciales para identificar patrones de incumplimiento y riesgo:
• Detección de patrones y anomalías: Los algoritmos de aprendizaje automático identifican patrones y señales de riesgo de evasión fiscal o fraude, incluyendo anomalías estadísticas y acciones inusuales.
• Segmentación de contribuyentes: Se utiliza la IA para elaborar perfiles de riesgo basados en el comportamiento pasado y presente de los contribuyentes, segmentándolos según la probabilidad de incumplimiento. Esto permite concentrar los esfuerzos de auditoría en los casos más sospechosos, optimizando los recursos.
• Caso específico del IVA: El IVA, al ser uno de los principales impuestos indirectos en los cuales se apoya la recaudación en muchos países, es un foco clave para estos algoritmos.
◦ Selección de casos de inspección: En Noruega, la Administración Tributaria (NTA) utiliza técnicas de análisis de datos y aprendizaje automático. El algoritmo se entrena con datos históricos para predecir la posibilidad de errores en cada declaración de IVA, asignando un puntaje a cada caso, y los funcionarios inspeccionan a aquellos con puntajes más altos. Esta metodología ha duplicado el porcentaje de inspecciones exitosas respecto al proceso manual.
◦ Detección de facturas falsas: Se pueden construir modelos predictivos (usando redes neuronales y árboles de decisión) para seleccionar facturas para auditar ante la sospecha de que sean falsas. En Chile, se desarrollaron modelos de redes neuronales artificiales y árboles de decisión para detectar potenciales usuarios de facturas falsas.
◦ Fraude carrusel en IVA: El análisis de datos y el aprendizaje automático se aplican para combatir el fraude carrusel en el IVA, identificando redes de empresas y sujetos pasivos del impuesto, lo que permite predecir transacciones fraudulentas dentro de la estructura.
◦ Procesamiento en tiempo real: El programa de Suministro Inmediato de Información (SII) en la AEAT española permite recibir datos de facturación del IVA casi a tiempo real para llevar a cabo los controles correspondientes. Esto facilita la detección de riesgos en el momento.
2. Amplio espectro de riesgos fiscales
Además de la evasión del IVA, los algoritmos predictivos se aplican a otros riesgos críticos en la fiscalización:
• Identificación de Redes de Incumplimiento: La IA puede utilizarse para analizar las relaciones entre contribuyentes e identificar relaciones ocultas o simuladas o redes de incumplimiento tributario de alto riesgo, lo que genera nuevas fuentes de información para las reglas de selección.
• Cambios ficticios de residencia fiscal: La AEAT utiliza herramientas de análisis de macrodatos para descubrir conexiones y correlaciones entre distintas fuentes de datos (declaraciones de renta, documentos de propiedad, operaciones financieras) con el fin de detectar cambios ficticios de residencia fiscal.
• Estimación de errores en formularios: En Brasil, el SISAM (Sistema de Selección para Aduanas) utiliza IA para aprender del historial de formularios de declaración de importaciones y estima la probabilidad de hasta 30 tipos de errores en cada renglón de un nuevo formulario, además de calcular el valor esperado de los ingresos para cada error detectado.
II. Tipos de algoritmos predictivos
Los algoritmos predictivos en la fiscalización se basan en técnicas de aprendizaje automático (machine learning) que pueden ser supervisadas o no supervisadas.
• Aprendizaje supervisado: El algoritmo se entrena con datos etiquetados (entradas emparejadas con salidas conocidas, como "fraude" o "no fraude"). Ejemplos de técnicas predictivas supervisadas incluyen regresión múltiple, regresión logística, árboles de decisión y redes neuronales. Las redes neuronales, aunque son modelos de "caja negra", pueden detectar patrones que no son evidentes a simple vista.
• Aprendizaje no supervisado: Se utiliza para identificar patrones y estructuras en datos sin etiquetar, siendo crucial para descubrir regularidades y anomalías.
• Minería de datos (Data Mining): Se enfoca en reconocer patrones y conexiones entre variables mediante el escrutinio de grandes cantidades de información, lo que permite revelar tendencias ocultas.
III. Desafíos fundamentales en el uso de algoritmos predictivos
Para que los algoritmos predictivos sean efectivos y justos en la fiscalización, deben abordarse desafíos éticos y técnicos significativos:
1. Sesgo algorítmico y equidad
Los algoritmos predicen el futuro basándose en el pasado. Si los datos históricos de fiscalización contienen sesgos (por ejemplo, al concentrar las inspecciones en ciertos sectores o grupos demográficos), el algoritmo de IA podría amplificar ese sesgo, llevando a una asignación de riesgo injusta y a un trato inequitativo entre contribuyentes.
• El sesgo es un riesgo legal y ético, y existe si el modelo aprende únicamente a partir de los datos de quienes fueron detectados y sancionados, sin contar con la totalidad de los supuestos de defraudación.
• La mitigación requiere el uso de datos representativos y precisos, y la revisión por equipos multidisciplinarios.
2. Transparencia y explicabilidad (black box)
La lógica interna de algunos algoritmos predictivos, especialmente las redes neuronales (deep learning), es opaca y no puede ser explicada fácilmente por los humanos (modelo de "caja negra").
• Riesgo legal: Un modelo de "caja negra" no puede ser la base exclusiva de un acto administrativo (como una sanción o determinación de deuda) debido a la falta de transparencia y auditabilidad requerida por el principio de legalidad.
• Derecho a una explicación (XAI): La IA explicable (XAI) es fundamental para generar confianza. Si las AATT toman una decisión basada en un modelo de IA, deben poder explicar al contribuyente cómo se tomó esta decisión, permitiéndole impugnarla o corregir inexactitudes.
• Priorización: Se debe priorizar el uso de modelos explicables, que permitan a un funcionario o auditor externo comprender y verificar el razonamiento del sistema antes de tomar una decisión.
3. Calidad de los datos
La eficacia de los algoritmos predictivos es directamente proporcional a la calidad de los datos de entrada ("basura entra, basura sale").
• La falta de datos de calidad, su incompletitud o sus errores pueden llevar al algoritmo a aprender patrones erróneos o realizar predicciones inexactas. Por lo tanto, es fundamental priorizar la mejora continua de la calidad de los datos y revisar la arquitectura de la información antes de invertir en IA.
IV. La intervención humana como clave de la fiscalización
A pesar del sofisticado potencial de los algoritmos predictivos, el control humano es un principio ineludible en la fiscalización.
• Instancia Final de Decisión: La IA debe ser vista como una herramienta de apoyo, no como única fuente de criterio. La intervención humana sigue siendo la instancia final de decisión.
• Supervisión y verificación: Los funcionarios deben aplicar juicio crítico y se deben establecer procedimientos de revisión obligatoria para los resultados que afecten decisiones críticas. Por ejemplo, en Francia, un agente de las autoridades fiscales verifica sistemáticamente cada anomalía detectada por el algoritmo antes de cualquier operación de recordatorio o tributación.
--------------------------------------------------------------------------------
Si no puedes concurrir presencialmente, sigue la transmisión del CEAT Centro de Estudios en Administración Tributaria FCE UBA ese día en forma virtual sincrónica: https://www.youtube.com/live/xwzWZjm4ggY?si=tlFLoJGNnx92wOXf
Puedes inscribirte en el siguiente formulario: https://docs.google.com/forms/d/e/1FAIpQLSe__cNXf1Fm0KlpCP3FppKDs92ttx0vl55Rh8L2_L4e7VtRGg/viewform?fbclid=IwY2xjawOJwFpleHRuA2FlbQIxMABicmlkETFxeGdCaEg5NHQ0NFRVSnljc3J0YwZhcHBfaWQQMjIyMDM5MTc4ODIwMDg5MgABHoX9i4IC48Z3E0M4RVsN_6T0SwE1IPTPilemnrPjeMDIXlvyie7E9vIzvE1n_aem_B79S-oN7PtTqQycFEm6DWA&brid=x6-jklz_MmIF1MDSM5JW2g&pli=1
Comentarios
Publicar un comentario