Χαμένοι στόχοι εσόδων, αναποτελεσματικές διαδικασίες και μεγάλοι όγκοι δεδομένων στις φορολογικές υπηρεσίες έχουν αυξήσει την ζήτηση για ‘έξυπνα’ συστήματα που μπορούν να βοηθήσουν αποτελεσματικά τις φορολογικές αρχές της χώρας μας.
Στο πλαίσιο αυτό, η ΑΑΔΕ ανακοίνωσε πρόσφατα την ένταξη της τεχνητής νοημοσύνης στο οπλοστάσιο της για την ανάλυση μεγάλων συνόλων δεδομένων από διάφορες πηγές, όπως τραπεζικές συναλλαγές, ψηφιακές δημόσιες πλατφόρμες, και μέσα κοινωνικής δικτύωσης και την ανίχνευση συμπεριφορικών προφίλ, όπως ασυνήθιστες συναλλαγές ή μεταφορές χρημάτων και πληρωμές μέσω καρτών σε μη καταχωρημένους πωλητές. Ο στόχος της ενσωμάτωσης αυτών των συστημάτων θα είναι η πρόβλεψη φορολογικών παραβάσεων βασιζόμενοι σε προηγούμενα μοτίβα συμπεριφοράς και η ανάπτυξη προφίλ κινδύνου για φορολογούμενους και επιχειρήσεις σχετικά με την πιθανότητα φοροδιαφυγής και φοροαποφυγής.
Η συγκεκριμένη πρωτοβουλία ακολουθεί έστω και σε μεταγενέστερο χρόνο τις σχετικές διεθνείς τάσεις καθώς σύμφωνα με τις πιο πρόσφατες εκθέσεις, πάνω από το 75% των εθνικών φορολογικών διοικήσεων ήδη χρησιμοποιούν μεγάλα δεδομένα και αυτοματοποιημένες διαδικασίες για να βοηθήσουν περιπτώσεις φοροδιαφυγής. Μάλιστα, η γειτονική μας Ιταλία αποτελεί τον πιο ένθερμο χρήστη της τεχνητής νοημοσύνης για τον εντοπισμό περιπτώσεων φοροδιαφυγής δεδομένου ότι μόνο πέρυσι κατάφερε να εντοπίσει πάνω από 1 εκατομμύριο περιπτώσεις υψηλού κινδύνου μέσω της δημιουργίας ενός ‘έξυπνου’ αλγόριθμου (VeRa) που συγκρίνει φορολογικές δηλώσεις, κέρδη, περιουσιακά στοιχεία, τραπεζικούς λογαριασμούς και ηλεκτρονικές πληρωμές αναζητώντας αποκλίσεις.
Παράλληλα με τα όποια ωφελη της, η εφαρμογή της τεχνητής νοημοσύνης στον χώρο της φορολογικής πολιτικής δημιουργεί προβληματισμό και ανησυχίες. Ανάμεσα σε αυτές, περιλαμβάνονται οι ενδεχόμενοι κίνδυνοι από τη χρήση μη έγκυρων δεδομένων για την εκπαίδευση και την λειτουργία των σχετικών συστημάτων, τον κίνδυνο διαρροής εμπιστευτικών προσωπικών πληροφοριών των πολιτών αλλά και της ενδεχόμενης σταδιακής αντικατάστασης του ανθρώπινου στοιχείου στις φορολογικές υπηρεσίες.
Είναι πρόσφατο το παράδειγμα της Ολλανδίας όπου στο πλαίσιο της περίφημης υπόθεσης ‘toeslagenaffaire,’ τον Ιανουάριο του 2021 η κυβέρνηση αναγκάστηκε να παραιτηθεί εξαιτίας ενός ‘έξυπνου’ αλγορίθμου τον οποίο οι ολλανδικές φορολογικές αρχές ανέπτυξαν και χρησιμοποίησαν για να δημιουργήσουν συγκεκριμένα προφίλ κινδύνου σε μια προσπάθεια να εντοπίσουν απάτες στο πλαίσιο της χορήγησης κοινωνικών επιδομάτων. Στην πραγματικότητα, ο ελαττωματικός αυτός αλγόριθμος οδήγησε τις αρχές να επιβάλουν κυρώσεις σε οικογένειες λόγω απλής υποψίας απάτης με βάση τους δείκτες κινδύνου του συστήματος ωθώντας πολλές από αυτές σε επαχθή χρέη ενώ κάποια θύματα αυτοκτόνησαν και πάνω από χίλια παιδιά μεταφέρθηκαν σε ειδικά ιδρύματα.
Αξίζει επίσης να αναφέρουμε ότι αυτή δεν ήταν η πρώτη φορά όπου η χρήση αλγορίθμων μηχανικής μάθησης από τη φορολογική διοίκηση ενός κράτους μέλους της ΕΕ αμφισβητήθηκε καθώς στις 13 Φεβρουαρίου 2020, τα ολλανδικα δικαστηρια διέταξαν την απαγόρευση την χρήση του Systeem Risico Indicatie (SyRI), ενός αλγόριθμου βαθμολόγησης κινδύνου μηχανικής μάθησης που προέβλεπε τον κίνδυνο απάτης από ορισμένους αποδέκτες κοινωνικής πρόνοιας. Μάλιστα πρόσφατα το Ανώτατο Συνταγματικό Δικαστήριο της Σλοβακίας έκρινε, στην υπόθεση eKasa, ότι η υποχρεωτική χρήση ηλεκτρονικών ταμειακών μηχανών – που αποστέλλουν δεδομένα σε πραγματικό χρόνο στην κεντρική βάση δεδομένων της φορολογικής διοίκησης της Σλοβακίας για περαιτέρω επεξεργασία από αλγόριθμους βαθμολόγησης κινδύνου- αντιβαίνει σε πολλές διατάξεις της Ευρωπαϊκής Σύμβασης Δικαιωμάτων του Ανθρώπου καθώς δεν διασφαλίζεται η νομιμότητα και η αναλογικότητα των τεχνολογικών λύσεων που έχουν τεθεί σε εφαρμογή.
Καθώς οι κυβερνήσεις σε όλο τον κόσμο στρέφονται στην τεχνητή νοημοσύνη για να αυτοματοποιήσουν τα συστήματά φορολογικού ελέγχου, οι προαναφερόμενες υποθέσεις καταδεικνύουν την ανάγκη προσεκτικής εφαρμογής, πολλαπλών ελέγχων επαλήθευσης και της υιοθέτησης των ακόλουθων διασφαλίσεων στο πλαίσιο της συγκεκριμένης μορφής αλγοριθμικής διακυβέρνησης.
Πρώτον, η εγκυρότητα των συμπερασμάτων που προκύπτουν από την εφαρμογή αυτών των συστημάτων πρέπει να επαληθεύεται διαρκώς και τα σχετικά ευρήματα δεν θα πρέπει να αντικαθιστούν, το έργο των φορολογικών ελεγκτών, αλλά να λειτουργούν συμπληρωματικά. Δεδομένου ότι έχουν προκύψει αρκετές περιπτώσεις όπου τα μοντέλα μηχανικής μάθησης αποδείχθηκαν επιρρεπή σε εσφαλμένες κρίσεις, ειδικά στο συνεχώς εξελισσόμενο φορολογικό νομικό περιβάλλον, ο κύριος στόχος πρέπει να είναι οι μέθοδοι που χρησιμοποιούνται να παραμείνουν ανθρωποκεντρικες.
Δεύτερον, καθώς η χρήση και η πολυπλοκότητα αλγοριθμικών συστημάτων αυξάνεται, οι φορολογούμενοι πρέπει να ενημερώνονται επαρκώς εάν διερευνώνται βάσει αλγοριθμικής ανάλυσης, ποια δεδομένα χρησιμοποιήθηκαν για την εκπαίδευση του αλγόριθμου και ποια κριτήρια επιλογής χρησιμοποιήθηκαν. Η διαφάνεια είναι το κλειδί για την ευρύτερη αποδοχή τέτοιων εργαλείων φορολογικού ελέγχου επομένως ο εξωτερικός έλεγχος και πιστοποίηση των αλγορίθμων ως προϋπόθεση για την εγκυρότητα των αποφάσεων θα μπορούσε να καταστεί υποχρεωτικός σύμφωνα και με το γαλλικό μοντέλο.
Τρίτον, η διασφάλιση της ασφάλειας των δεδομένων εκ μέρους των φορολογικών διοικήσεων και η επαρκής προστασία του δικαιώματος σεβασμού της ιδιωτικής ζωής και των προσωπικών δεδομένων είναι απαραίτητη για την διατήρηση της εμπιστοσύνης του κοινού στις φορολογικές αρχές και της προστασίας των δικαιωμάτων των φορολογουμένων επομένως η εμπλοκή της Αρχής Προστασίας Προσωπικών Δεδομένων για την επίβλεψη της δημιουργίας αλγορίθμων τεχνητής νοημοσύνης είναι απαραίτητη.
Με άλλα λόγια, η καταπολέμηση της απάτης δεν μπορεί να βασίζεται σε απλούς αλγόριθμους ανίχνευσης ούτε πρέπει να αντιμετωπίζεται ως ακραιφνώς τεχνολογικό ζήτημα. Η αναγκαιότητα συλλογικών ελέγχων και η διαρκής αξιολόγηση της ποιότητας των συστημάτων αυτών αποτελεί όχι μόνο θεμελιώδη πρόκληση αλλά και αναγκαία προϋπόθεση για την αποτελεσματική εφαρμογή τους στο πεδιο της φορολογικής πολιτικής και εν τέλει για την κοινωνική αποδοχή και μακροημέρευση της στο ελληνικό οικονομικό και τεχνολογικό περιβάλλον.
O Δρ. Μιχάλης Kρητικός είναι ερευνητής του ΕΛΙΑΜΕΠ και Επίκουρος Καθηγητής σε θέματα Τεχνητής Νοημοσύνης και Ψηφιακής Μετάβασης στη Σχολή Διακυβέρνησης του Vrije Universiteit Brussel.