Mario E. Pitones: La verdad sospechosa de la tecnología usada por el SAT

Aunque el uso de la tecnología siempre ha sido la carta fuerte del Servicio de Administración Tributaria (SAT), suena muy sofisticado el hecho de que en el último plan maestro de fiscalización, haya anunciado con bombo y platillos el uso de la inteligencia artificial (IA) para una mejor planeación en los procesos de recaudación, desde mi perspectiva fue solo para efectos de persuasión, al estilo del comercial de los Polivoces de finales de los 70’s “Cumples y te encuentras con Lolita, fallas y te encuentras a Dolores”.

Literalmente, el SAT señala en dicho plan maestro, la implementación de: “modelos de analítica de grafos y machine learning (aprendizaje automático) para la clasificación de los contribuyentes de riesgo, la identificación de redes complejas de elusión y evasión, así como la detección de inconsistencias en CFDI asociadas con el contrabando y empresas fachada, para revisar los siguientes rubros: Actividades vulnerables; Aplicaciones improcedentes de saldos a favor de IVA; Impuestos de comercio exterior; Impuestos internos; Mercado de combustibles; Operaciones simuladas; Simulación de pensiones; Tercerización de pago de nómina.”

Al respecto, utilizado una herramienta de Inteligencia Artificial buscamos una explicación de que son los modelos de analítica de grafos y machine learning, arrojando en menos de un minuto los resultados siguientes:

1. Modelos de analítica de grafos:

Los grafos son estructuras matemáticas que consisten en nodos (puntos) y aristas (conexiones entre puntos). En el caso del SAT, los nodos podrían representar a los contribuyentes (personas físicas o morales) y las aristas serían las relaciones o interacciones entre ellos, como transacciones comerciales, vínculos financieros, o conexiones en redes de proveedores.

La analítica de grafos permite identificar patrones y relaciones dentro de estos datos. Por ejemplo, puede detectar redes de contribuyentes que se asocian constantemente entre sí, lo que podría indicar posibles prácticas fraudulentas o estructuras de evasión fiscal.

Además, permite visualizar la interconexión entre empresas o personas que podrían estar utilizando prácticas como la simulación de operaciones o el uso de empresas fantasma, ya que las relaciones entre ellas pueden seguir patrones atípicos de comportamiento.

2. Machine learning (aprendizaje automático):

El aprendizaje automático es una rama de la inteligencia artificial que permite a los sistemas aprender de los datos, identificar patrones y hacer predicciones sin ser programados explícitamente para ello.

El SAT puede usar modelos predictivos basados en machine learning para clasificar a los contribuyentes en categorías de riesgo, por ejemplo:

Riesgo bajo: Contribuyentes que cumplen con sus obligaciones fiscales de manera regular.

Riesgo alto: Contribuyentes que muestran comportamientos sospechosos de evasión fiscal o elusión tributaria.

Estos modelos pueden usar datos históricos, patrones de comportamiento fiscal, declaraciones previas, transacciones comerciales y otros factores para predecir la probabilidad de que un contribuyente esté incurriendo en prácticas de riesgo, como la no declaración de ingresos, la omisión de pagos o el uso de mecanismos fraudulentos para reducir impuestos.

¿Cómo se complementan ambos enfoques?

Grafos y machine learning se complementan al permitir que los algoritmos no solo analicen datos individuales (por ejemplo, la declaración de impuestos de un contribuyente) sino que también examinen la relación de ese contribuyente con otros actores en el sistema tributario (a través de grafos) y utilicen esa información para hacer una evaluación más precisa de su riesgo.

A medida que el sistema aprende de más datos, puede ajustar sus predicciones para identificar de manera más eficiente a los contribuyentes que tienen mayor probabilidad de estar involucrados en actividades fraudulentas.

Beneficios para el SAT:

Mejora en la detección de evasión fiscal: A través de patrones ocultos que no serían evidentes en un análisis tradicional.

Optimización de recursos: Al poder clasificar automáticamente a los contribuyentes, el SAT puede enfocar sus esfuerzos de auditoría y fiscalización en aquellos de mayor riesgo.

Reducción de fraudes y evasión: Con la identificación temprana de contribuyentes que están operando en redes fraudulentas, se pueden tomar medidas preventivas de manera más efectiva.

En resumen, el uso de modelos de analítica de grafos y aprendizaje automático permite al SAT mejorar su capacidad para identificar redes de evasión fiscal, clasificar a los contribuyentes según su riesgo y optimizar sus esfuerzos de fiscalización.

Ya en su justa medida, nuestra obligación es estar a la par, si no es que pasos adelante, en materia de uso de herramientas tecnológicas para el debido cumplimiento de las obligaciones fiscales. Hago énfasis en que son herramientas porque así debemos de verlas, sin duda nuestra experiencia y habilidades no son sustituibles, en realidad se potencializan con el uso de la inteligencia artificial.

El conocimiento es poder, te invito a que conozcas a profundidad temas relacionados con la tecnología aplicada a los impuestos, así como el uso de la IA en el ámbito fiscal, así como otros temas de interés, que el Instituto de Contadores Públicos de Nuevo León abordará en el 2do Foro Económico Fiscal que tendrá verificativo en el Club Industrial el próximo 23 de enero de 2025. ¡Te esperamos!

El autor es Miembro de la Comisión Fiscal del Instituto de Contadores Públicos de Nuevo León (ICPNL).

Contacto: cfiscal.icpnl@gmail.com