IA contro l’evasione fiscale: strumenti per cambiare passo #finsubito prestito immediato

La strategia PNRR per ridurre il Tax Gap

A livello domestico il tema è attuale, difatti anche il Piano Nazionale di Ripresa e Resilienza “PNRR” ricomprende la riduzione del Tax Gap tra gli obiettivi da monitorare per la sua attuazione nell’ambito del dispositivo di finanziamento dell’Unione europea per la ripresa economica dell’eurozona (RRF facility).

Per conseguire tale obiettivo, il PNRR individua la strategia nel potenziamento delle attività di controllo, da realizzare con una più efficiente analisi preventiva del rischio fiscale, che vede le proprie armi nell’utilizzo dei big data, dei nuovi strumenti di analisi dei dati, nonché nell’interoperabilità delle banche dati.

Nel “Rapporto sui risultati conseguiti in materia di misure al contrasto all’evasione fiscale e contributiva”, allegato alla NADEF 2023 (Nota di aggiornamento – Documento di Economia e Finanza), emerge che il Tax Gap in termini assoluti, per il triennio 2018-2020 risulta essere di circa 96,3 miliardi di euro nonostante l’ottimo risultato raggiunto dall’Agenzia delle entrate nel 2023 in cui sono confluiti nelle casse dello Stato 24,7 miliardi di euro, ossia 4,5 miliardi in più rispetto al 2022 (+22%).

La riduzione del Tax Gap potrà essere perseguita mediante il rafforzamento dell’attività di contrasto all’evasione e puntare prioritariamente a migliorare la qualità dei controlli, attraverso un maggiore sfruttamento di nuove tecnologie e strumenti di data analysis sempre più avanzati, volti a favorire l’acquisizione di informazioni rilevanti per effettuare controlli mirati con una migliore selezione preventiva delle posizioni da sottoporre a controllo.

Le tecnologie per la lotta all’evasione

Ma ad oggi quali sono le nuove tecnologie che potranno essere impiegate nella lotta all’evasione?

Network science o network analysis

Attraverso la network science, ovvero la rappresentazione dei dati sotto forma di “reti”, sarà possibile rilevare quei collegamenti anche indiretti tra soggetti o società, che esprimono schemi di elusione o evasione fiscale difficilmente ricostruibili con le tradizionali metodologie (individuazione di rapporti “sommersi” e legami fittizi).

Machine Learning

Per “Machine Learning”, o apprendimento automatico, si fa riferimento ad un linguaggio di programmazione che opera attraverso il ricorso ad algoritmi statistici. La macchina viene impostata come segue: al superamento di determinati parametri, un impulso avvia un incremento progressivo dell’efficienza delle operazioni di raccolta ed elaborazione dei dati dei contribuenti, imparando dalle procedure svolte in passato, migliorando la performance dei funzionari.

Data visualization

La data visualization consentirà la navigazione fluida e intuitiva tra i dati, attraverso l’utilizzo di interfacce innovative, per permettere agli analisti di acquisire e trattare le informazioni rilevanti nell’enorme quantitativo di dati pervenuti all’Agenzia; i funzionari accertatori, in sostanza, disporranno di rappresentazioni grafiche, elaborate attraverso l’uso della intelligenza artificiale, che faciliteranno il loro lavoro.

L’utilizzo di tali tecnologie consentirà l’avvio di sistemi di controllo automatizzati più efficaci rispetto a quelli previsti ai sensi dell’art. 36-bis del D.P.R. del 29 settembre 1976, n. 600. Con l’applicazione di strumenti di data analysis più avanzati e dell’interoperabilità delle banche dati si consentirà di ampliare le potenzialità informative nell’utilizzo dei dati.

I limiti del controllo automatizzato attuale

Di fatti, oggigiorno, il controllo automatizzato ex art. 36-bis del D.P.R. del 29 settembre 1976, n. 600 si concentra esclusivamente su alcuni contribuenti, in particolare su coloro che hanno già dimostrato un certo grado di affidabilità presentando le dichiarazioni fiscali (es: Ires, Irap ed Iva). Tuttavia, tale strumento di controllo si limita a verificare solo una fase del procedimento, ossia quella relativa alla liquidazione, o meglio, al versamento effettivo delle imposte autodeterminate e dichiarate dal contribuente stesso. È evidente che tale controllo non riesce a individuare né l’evasore totale, né chi riduce artificialmente il proprio reddito attraverso la sovrastima dei costi o la sottostima dei ricavi, pagando di conseguenza le imposte su un reddito inferiore e non veritiero.

Le garanzie da rispettare

L’introduzione di tali sistemi tecnologici sta sollevando diverse perplessità e criticità in quanto bisogna rispettare le garanzie dei contribuenti tramite:

• l’esigenza della protezione dei dati personali;
• il rispetto del contraddittorio preventivo con il contribuente;
• la conoscenza degli atti da parte del contribuente (art. 6 Statuto del contribuente L. 212/2000)
• la chiarezza e motivazione degli atti (art. 7 dello Statuto del contribuente L. 212/2000);
• la trasparenza, la collaborazione e la buona fede (art. 10 dello Statuto del contribuente L. 212/2000).

In definitiva, è importante sottolineare, che l’intelligenza artificiale e l’Internet of Things hanno capacità di calcolo e potenzialità tali da poter raccogliere, elaborare ed interpretare, una moltitudine di dati, sia qualitativi che quantitativi le quali possono essere utilizzate come uno strumento di supporto per operatori umani ma mai come sostituti.