Vérités cachées sur la technologie du SAT – El Financiero

Bien que le recours à la technologie ait toujours constitué un atout pour le Service de l’administration fiscale (SAT), il semble que le récent plan stratégique de contrôle annonçant fièrement l’utilisation de l’intelligence artificielle (IA) pour améliorer la planification des processus de collecte soit davantage une manœuvre persuasive, à l’instar d’une publicité des Polivoces des années 70 : “Si tu respectes la loi, tu retrouves Lolita ; si tu faillis, c’est Dolores qui t’attend.”

Le SAT précise dans ce plan l’implémentation de modèles incluant : “des méthodes d’analyse de graphes et d’apprentissage automatique pour classifier les contribuables à risque, identifier des réseaux complexes d’évasion fiscale, et détecter des incohérences dans les CFDI liées à la contrebande et à des sociétés fictives, en examinant notamment : les activités vulnérables ; les demandes impropres de soldes de TVA ; les impôts de commerce extérieur ; les impôts internes ; le marché des carburants ; les opérations simulées ; la simulation de retraites ; et l’externalisation du paiement des salaires.”

À ce sujet, en utilisant un outil d’intelligence artificielle, nous avons cherché à comprendre ce que sont les modèles d’analyse de graphes et d’apprentissage automatique, ce qui nous a permis d’obtenir les résultats suivants en moins d’une minute :

1. Modèles d’analyse de graphes :

Les graphes sont des structures mathématiques composées de nœuds (points) et d’arêtes (connexions entre les points). Dans le cas du SAT, les nœuds peuvent représenter les contribuables (personnes physiques ou morales) et les arêtes les relations ou interactions entre eux, comme les transactions commerciales, les liens financiers ou les réseaux de fournisseurs.

L’analyse de graphes permet de repérer des schémas et des relations dans ces données. Par exemple, elle peut détecter des réseaux de contribuables qui interagissent fréquemment, ce qui pourrait indiquer des pratiques frauduleuses ou des structures d’évasion fiscale.

Elle a également la capacité de visualiser l’interconnexion entre entreprises ou individus susceptibles d’adopter des pratiques telles que la simulation d’opérations ou l’utilisation de sociétés fictives, étant donné que les relations entre ceux-ci peuvent suivre des comportements atypiques.

2. Apprentissage automatique :

L’apprentissage automatique est une branche de l’intelligence artificielle qui permet aux systèmes d’apprendre à partir des données, d’identifier des schémas et de faire des prévisions sans avoir été explicitement programmés pour cela.

Le SAT peut recourir à des modèles prédictifs basés sur l’apprentissage automatique pour classifier les contribuables par niveaux de risque, par exemple :

Risque faible : Contribuables qui respectent régulièrement leurs obligations fiscales.

Risque élevé : Contribuables dont le comportement laisse suspecter une évasion fiscale ou une élusion d’impôts.

Ces modèles peuvent s’appuyer sur des données historiques, des comportements fiscaux, des déclarations précédentes, des transactions commerciales et d’autres facteurs pour évaluer la probabilité qu’un contribuable s’engage dans des pratiques à risque, comme la non-déclaration de revenus ou la fraude pour réduire les impôts.

Comment les deux approches se complètent-elles ?

Les graphes et l’apprentissage automatique se complètent, car ils permettent aux algorithmes d’analyser non seulement des données individuelles (par exemple, la déclaration fiscale d’un contribuable), mais aussi d’examiner les relations de ce contribuable avec d’autres acteurs du système fiscal (au travers de graphes) pour fournir une évaluation plus précise du risque.

À mesure que le système apprend à partir de davantage de données, il peut ajuster ses prédictions pour identifier plus efficacement les contribuables susceptibles d’être impliqués dans des activités frauduleuses.

Avantages pour le SAT :

Amélioration de la détection de l’évasion fiscale : Grâce à des schémas cachés qui ne seraient pas évidents dans une analyse traditionnelle.

Optimisation des ressources : En classifiant automatiquement les contribuables, le SAT peut concentrer ses efforts d’audit et de contrôle sur ceux présentant le plus haut risque.

Réduction des fraudes et de l’évasion : En identifiant précocement les contribuables opérant dans des réseaux frauduleux, des mesures préventives peuvent être mises en place plus efficacement.

En résumé, l’adoption de modèles d’analyse de graphes et d’apprentissage automatique permet au SAT d’améliorer son efficacité dans l’identification des réseaux d’évasion fiscale, de classifier les contribuables selon leur niveau de risque, et d’optimiser ses efforts de contrôle.

Il est essentiel, dans cette dynamique, que nous nous tenions à jour, voire en avance, en matière d’utilisation des outils technologiques pour le respect de nos obligations fiscales. Il est crucial de considérer ces outils comme des aides, car notre expertise et nos compétences demeurent irremplaçables et se voient renforcées grâce à l’intelligence artificielle.

L’information est un pouvoir. Nous vous encourageons à explorer en profondeur les sujets liés à la technologie appliquée à la fiscalité, ainsi qu’à l’utilisation de l’IA dans ce domaine. Ces thématiques seront abordées lors du 2e Forum Économique Fiscal organisé par l’Institut des Comptables Publics de Nuevo León, qui se tiendra au Club Industriel le 23 janvier 2025. Nous vous y attendons !

.