IA y big data contra la evasión fiscal
La lucha contra la evasión fiscal puede mejorar con la adopción estratégica de la Inteligencia Artificial (IA) y el Big Data. Estas tecnologías permiten a las administraciones tributarias (AATT) manejar los desafíos de la complejidad, el volumen y la velocidad de los datos masivos.
La integración de la lucha contra la evasión fiscal mediante la IA es como dotar a un verificador de aduanas con binoculares de visión nocturna y un sistema de escaneo avanzado.
Los binoculares (IA/Big Data) le permiten ver patrones de riesgo que antes eran invisibles en la oscuridad de los datos masivos, permitiendo a las AATT concentrar su búsqueda (optimización) exactamente donde se detecta la actividad sospechosa, en lugar de revisar cada cargamento manualmente (ineficiencia).
Sin embargo, el verificador (el funcionario humano) debe seguir siendo quien interpreta las señales, comprueba la veracidad y justifica sus acciones, asegurando que el sistema no está sesgado, por ejemplo, para solamente "escanear" barcos de una determinada bandera (riesgo de sesgo y necesidad de explicabilidad).
I. Optimización de la lucha contra la evasión fiscal
La IA proporciona a las AATT capacidades transformadoras para la detección de incumplimientos y el fraude, lo que resulta en una fiscalización más eficiente y segura.
1. Análisis de riesgos y segmentación de contribuyentes
La IA permite el procesamiento de grandes volúmenes de datos para identificar patrones y señales de riesgo de evasión fiscal. Esto se traduce en una optimización de recursos al permitir a las autoridades concentrar sus esfuerzos en casos sospechosos.
La IA clasifica a los contribuyentes según la probabilidad de incumplimiento (risk scoring), iniciando controles intensivos solo en los supuestos de mayor riesgo.
Herramientas concretas como HERMES en España generan informes de riesgo estandarizados para seleccionar contribuyentes para gestión, inspección y recaudación.
La Agencia Tributaria de España (AEAT) utiliza el big data y algoritmos predictivos para la detección proactiva de fraudes, el cruce de datos y el seguimiento de contribuyentes de alto patrimonio.
En Chile, se han construido modelos de riesgo con redes neuronales y árboles de decisión para detectar potenciales usuarios de facturas falsas.
2. Detección específica de fraude y delitos tributarios
Las técnicas de machine learning se utilizan no solo para la detección de anomalías e identificación de patrones transaccionales, sino también para advertir relaciones entre personas y entidades sospechosas.
La IA permite el cruce automático de datos fiscales, bancarios y de otras fuentes, como redes sociales, para detectar patrones de evasión.
Las AATT aplican análisis de datos para combatir fraudes específicos, como la detección de simulación de pagos (Costa Rica), la identificación de cambios ficticios de residencia fiscal y el control de tarjetas offshore.
El proyecto HARPIA de la Receita Federal de Brasil utiliza sistemas de detección de puntos atípicos basados en la visualización gráfica de información de importaciones y exportaciones históricas para ayudar a los fiscalizadores a identificar operaciones sospechosas.
La analítica avanzada y el machine learning son herramientas clave para combatir el fraude carrusel en el IVA, identificando redes de empresas y sujetos pasivos del impuesto.
3. Eficiencia operativa y ahorro de costos
La IA es excelente para automatizar tareas repetitivas, aumentar la precisión y la eficiencia.
La automatización de tareas tediosas, como el procesamiento de declaraciones de impuestos o la verificación de datos, reduce el tiempo y los errores humanos.
El uso de IA, como los Large Language Models (LLM), permitiría el análisis y resumen de grandes volúmenes de documentos fiscales y la clasificación automática de documentos de descargo. Esto liberaría recursos humanos para tareas de mayor valor.
El enfoque proactivo de la AEAT busca reducir los errores que dan origen a comprobaciones y eventuales regularizaciones, atacando los problemas desde su origen.
II. Desafíos éticos y de gobernanza para una optimización responsable
Aunque la IA ofrece una oportunidad sin precedentes para optimizar la detección de incumplimientos y mejorar la eficiencia, su implementación requiere una gobernanza sólida que priorice el control humano, la ética y la seguridad, ya que un uso inadecuado puede comprometer derechos fundamentales y erosionar la confianza pública.
1. Calidad de datos y arquitectura
La eficacia de las tecnologías de IA depende directamente del volumen y la calidad de los datos disponibles. Para garantizar una implementación exitosa y una administración tributaria eficiente y justa, se debe prestar atención prioritaria a mejorar la calidad de los datos y a revisar la arquitectura de la información.
2. Mitigación de sesgos y equidad
La IA, al optimizar al máximo la detección de fraude, podría, por ejemplo, concentrar sus recursos en ciertos sectores o demografías, causando un daño no intencional y socavando la confianza ciudadana en la equidad del sistema.
Es crucial la mitigación activa de sesgos algorítmicos en los datos de entrenamiento para garantizar el principio de equidad.
El riesgo de sesgo existe si el modelo aprende únicamente a partir de datos suministrados sobre quienes fueron detectados y sancionados, sin contar con la totalidad de los supuestos de defraudación.
3. Transparencia, explicabilidad y control humano
Los desafíos éticos, legales y de transparencia son cruciales.
La opacidad de los modelos de "caja negra" (como las redes neuronales) plantea un desafío legal en el ámbito fiscal, donde cada decisión debe estar debidamente fundada y ser auditable. Por ejemplo, en algunos experimentos, no era posible conocer los atributos que habían tenido más peso en la selección del contribuyente.
El derecho a una explicación requiere que las AATT, si toman una decisión basada en IA, puedan explicar cómo se tomó dicha decisión para permitir al contribuyente impugnarla o corregir inexactitudes.
La supervisión humana es fundamental; la IA debe verse como una herramienta de apoyo, no como única fuente de criterio. Se debe asegurar que la intervención humana sea siempre la instancia final de decisión.
4. Dilema entre eficacia y transparencia
Existe una tensión fundamental entre la necesidad de transparencia (revelar información) y el riesgo de un exceso de transparencia que podría entregar a los contribuyentes información sobre los parámetros utilizados para ser investigados, lo que les permitiría burlar los sistemas de detección de fraude. Las directrices éticas buscan un equilibrio entre la necesidad de transparencia y la lucha contra el fraude.
La utilización de la IA para la lucha contra la evasión fiscal es una función optimizadora en las AATT, permitiendo focalizar recursos (eficiencia) y mejorar la detección (eficacia), pero esta optimización debe realizarse dentro de un marco de gobernanza riguroso para asegurar que la búsqueda de la eficiencia no comprometa los derechos fundamentales y la confianza de los ciudadanos.
-------------------------------------------------------------------------------
Si te interesa el tema, sigamos en contacto: Rodrigo.Gonzalez@economicas.uba.ar
Te invitamos a continuar reflexionando sobre estos temas en la jornada sobre "Los desafíos de la implementación de la IA en la justicia y administración tributaria", a realizarse el lunes 1 de diciembre de 2025 de 18:30 a 20 h, por Zoom, que organiza la Comisión de Inteligencia Artificial del Centro de Estudios Derecho Financiero y Derecho Tributario de la Facultad de Derecho, Universidad de Buenos Aires #UBA.
Inscripción aquí: https://forms.gle/ke9cmyvQxRTLWnje9
Comentarios
Publicar un comentario