Η νέα προσέγγιση έχει ως στόχο να μετατρέψει την ΑΑΔΕ από έναν μηχανισμό που εντοπίζει εκ των υστέρων παραβάσεις σε έναν μηχανισμό πρόγνωσης της φορολογικής συμπεριφοράς.

Πώς λειτουργεί το νέο σύστημα της ΑΑΔΕ

Κομβικό ρόλο στη νέα αρχιτεκτονική των ελέγχων έχει η Διεύθυνση Επιχειρησιακού Σχεδιασμού, η οποία αξιοποιεί μοντέλα ανάλυσης κινδύνου προκειμένου να καθορίζει πού πρέπει να κατευθυνθούν οι ελεγκτικοί πόροι.

Οι αλγόριθμοι μπορούν να συγκρίνουν τις οικονομικές επιδόσεις μιας επιχείρησης με εκείνες άλλων επιχειρήσεων του ίδιου κλάδου και να εντοπίζουν ασυνήθιστες αποκλίσεις. Μια επιχείρηση με εξαιρετικά χαμηλό περιθώριο κέρδους, δυσανάλογα υψηλές δαπάνες ή απότομες μεταβολές στον κύκλο εργασιών μπορεί έτσι να αποκτήσει υψηλότερη βαθμολογία κινδύνου και να οδηγηθεί σε στοχευμένο έλεγχο.

Παράλληλα, η διασύνδεση διαφορετικών βάσεων δεδομένων επιτρέπει στην ΑΑΔΕ να πραγματοποιεί αυτοματοποιημένες διασταυρώσεις σε κλίμακα που ήταν πρακτικά αδύνατη στο παρελθόν.

Για παράδειγμα, εάν τα έσοδα μιας επιχείρησης που εμφανίζονται στο myDATA δεν συμβαδίζουν με τα στοιχεία των προμηθευτών της, το σύστημα μπορεί να εντοπίσει αυτόματα την απόκλιση. Αντίστοιχα, η μη διαβίβαση συναλλαγών ή η αναντιστοιχία μεταξύ των συναλλαγών που πραγματοποιούνται μέσω POS και των δηλωμένων εσόδων μπορεί να αποτελέσει ένδειξη αυξημένου φορολογικού κινδύνου.

Από τις καταθέσεις μέχρι τις καταναλωτικές δαπάνες

Ιδιαίτερη βαρύτητα αποκτούν και οι διασταυρώσεις μεταξύ εισοδημάτων και πραγματικής οικονομικής συμπεριφοράς.

Το σύστημα μπορεί να συγκρίνει τα δηλωθέντα εισοδήματα με τις καταναλωτικές δαπάνες, τις τραπεζικές κινήσεις και άλλα διαθέσιμα οικονομικά δεδομένα. Έτσι, ένας φορολογούμενος που δηλώνει ιδιαίτερα χαμηλό εισόδημα αλλά εμφανίζει σημαντικά υψηλότερο επίπεδο δαπανών μπορεί να ενταχθεί αυτομάτως σε κατηγορία αυξημένου κινδύνου.

Στο στόχαστρο βρίσκονται επίσης εισοδήματα από επιχειρηματική δραστηριότητα, βραχυχρόνιες και μακροχρόνιες μισθώσεις ακινήτων, καθώς και περιπτώσεις όπου η πραγματική οικονομική δραστηριότητα δεν αντανακλάται στα στοιχεία των φορολογικών δηλώσεων.

Η διαφορά σε σχέση με το παρελθόν είναι κυρίως η ταχύτητα. Η μηχανική μάθηση μπορεί να επεξεργάζεται και να συσχετίζει εκατομμύρια εγγραφές σε πολύ μικρό χρονικό διάστημα, επιτρέποντας στους ελεγκτές να επικεντρώνονται στις περιπτώσεις με τις μεγαλύτερες πιθανότητες παραβατικότητας.

Η τεχνητή νοημοσύνη «διαβάζει» τα μοτίβα φοροδιαφυγής

Ένα από τα ισχυρότερα εργαλεία είναι η αναγνώριση προτύπων. Οι αλγόριθμοι δεν εξετάζουν μόνο εάν μια συναλλαγή είναι νόμιμη ή παράνομη, αλλά αναζητούν συμπεριφορές που αποκλίνουν από τα συνηθισμένα δεδομένα ενός κλάδου.

Εάν, για παράδειγμα, μια επιχείρηση παρουσιάζει επίμονα πολύ χαμηλότερο περιθώριο κέρδους από τις αντίστοιχες επιχειρήσεις του κλάδου, ενώ παράλληλα εμφανίζει ασυνήθιστα υψηλές δαπάνες ή συναλλαγές με συγκεκριμένα χαρακτηριστικά, το σύστημα μπορεί να την κατατάξει σε υψηλότερη βαθμίδα κινδύνου.

Ακόμη μεγαλύτερη σημασία έχει η προγνωστική ανάλυση. Με βάση ιστορικά δεδομένα και οικονομικά μοτίβα, τα μοντέλα μπορούν να εκτιμήσουν ποιοι φορολογούμενοι ή ποιες επιχειρήσεις παρουσιάζουν αυξημένη πιθανότητα φορολογικής παράβασης στο μέλλον.

Με αυτόν τον τρόπο, ο φορολογικός έλεγχος γίνεται περισσότερο προληπτικός παρά κατασταλτικός.

Στο μικροσκόπιο και τα social media

Ένα ακόμη πεδίο που αποκτά μεγαλύτερη σημασία είναι η ψηφιακή δραστηριότητα.

Δημόσια διαθέσιμες πληροφορίες από κοινωνικά δίκτυα μπορούν να αξιοποιηθούν για τη δημιουργία ενδείξεων φορολογικού κινδύνου. Αναρτήσεις, φωτογραφίες και άλλες δημόσιες πληροφορίες μπορούν να συγκριθούν με τα στοιχεία που εμφανίζονται στις φορολογικές δηλώσεις.

Το ζητούμενο είναι να εντοπιστούν περιπτώσεις όπου η εμφανιζόμενη οικονομική κατάσταση ενός προσώπου δεν συμβαδίζει με τα δηλωθέντα εισοδήματα.

Ιδιαίτερο ενδιαφέρον παρουσιάζουν περιπτώσεις επαγγελματιών που δραστηριοποιούνται έντονα στο διαδίκτυο, αλλά και εισοδήματα από δραστηριότητες που πραγματοποιούνται μέσω ψηφιακών πλατφορμών.

Παράλληλα, η αξιοποίηση δορυφορικών δεδομένων μπορεί να βοηθήσει στον εντοπισμό αδήλωτων κατασκευών, πισινών ή άλλων μεταβολών σε ακίνητα, μέσω της σύγκρισης των εικόνων με τα στοιχεία του Κτηματολογίου και του Ε9.

Τα κρυπτονομίσματα στο στόχαστρο

Ιδιαίτερα σύνθετο πεδίο αποτελεί η φορολόγηση των ψηφιακών περιουσιακών στοιχείων.

Η ανωνυμία που συχνά αποδίδεται στα κρυπτονομίσματα δεν σημαίνει ότι οι συναλλαγές είναι αδύνατο να εντοπιστούν. Η τεχνολογία blockchain αφήνει ένα λεπτομερές ψηφιακό αποτύπωμα, το οποίο μπορεί να αναλυθεί με εξειδικευμένα εργαλεία.

Η ΑΑΔΕ μπορεί να αξιοποιεί τεχνικές blockchain tracing προκειμένου να ακολουθεί τις κινήσεις ψηφιακών πορτοφολιών και να αναζητά συνδέσεις μεταξύ συναλλαγών σε ανταλλακτήρια κρυπτονομισμάτων και παραδοσιακών τραπεζικών λογαριασμών.

Έτσι, οι ελεγκτικές αρχές μπορούν να αναζητούν περιπτώσεις μη δηλωμένων κερδών από αγοραπωλησίες ψηφιακών περιουσιακών στοιχείων, αλλά και ύποπτες διαδρομές χρημάτων που συνδέονται με ξέπλυμα ή άλλες παράνομες δραστηριότητες.

Η νέα εποχή των ψηφιακών διασταυρώσεων

Η μεταμόρφωση της ΑΑΔΕ δεν περιορίζεται στην τεχνολογία αλλά αλλάζει συνολικά τη φιλοσοφία των φορολογικών ελέγχων.

Στο παρελθόν, ο εντοπισμός μιας φορολογικής παράβασης απαιτούσε συχνά μεγάλο όγκο χειροκίνητης εργασίας, συλλογή εγγράφων και εξέταση τραπεζικών παραστατικών. Πλέον, η διαδικασία μπορεί να ξεκινά από έναν αλγόριθμο που έχει εντοπίσει μια ασυνήθιστη συμπεριφορά μέσα σε δισεκατομμύρια δεδομένα.

Αυτό σημαίνει ότι η φορολογική διοίκηση αποκτά τη δυνατότητα να γνωρίζει πολύ νωρίτερα πού υπάρχει αυξημένος κίνδυνος φοροδιαφυγής και να κατευθύνει εκεί τους ελεγκτές.

Το μεγάλο στοίχημα της «Φορολογικής Διοίκησης 3.0» είναι επομένως η δημιουργία ενός συστήματος στο οποίο η φοροδιαφυγή δεν θα εντοπίζεται απλώς μετά την πραγματοποίησή της, αλλά θα μπορεί να προβλέπεται μέσα από τα οικονομικά και ψηφιακά ίχνη που αφήνει ο φορολογούμενος.

Για τις επιχειρήσεις και τους φορολογούμενους αυτό σημαίνει ότι η εποχή όπου οι διαφορετικές οικονομικές δραστηριότητες μπορούσαν να παραμένουν αποσυνδεδεμένες μεταξύ τους περιορίζεται δραστικά. Η ΑΑΔΕ διαθέτει πλέον τη δυνατότητα να συνθέτει την εικόνα από πολλές διαφορετικές πηγές και να αναζητά αποκλίσεις σχεδόν σε πραγματικό χρόνο.