¿Cómo aprovecha la función fiscal las tecnologías de automatización y por qué es importante?
Fateh Amroune y Sergio Ruiz de Gracia de Deloitte Luxembourg discuten cómo las autoridades fiscales globales están aumentando sus tecnologías de automatización.
Durante 2020, las autoridades fiscales luxemburguesas recibieron un total de 317,944 expedientes para personas físicas, 306,506 expedientes para personas jurídicas y 1,329,808 formularios fiscales, e intercambiaron más de tres millones de informes con otras autoridades fiscales de todo el mundo (Rapport d’activité du Ministère des finances Exercice 2020).
Huelga decir que para procesar esta enorme cantidad de información, las autoridades fiscales de todo el mundo están reforzando sus tecnologías de automatización, centrándose en una variedad de recursos diferentes, como el uso intensivo de la automatización de procesos robóticos (RPA), extraer, transformar y carga (ETL) y aprendizaje automático (ML).
¿Cuáles son estas tecnologías?
RPA es el uso de software para automatizar tareas repetitivas de gran volumen. En impuestos, RPA se refiere al software utilizado para crear automatizaciones, o robots (bots), que están configurados para ejecutar procesos repetitivos, como enviar presentaciones a los portales web de las autoridades fiscales. La RPA se adapta mejor a los procesos que son transaccionales y de naturaleza repetitiva, de gran volumen, que requieren mucho tiempo y están bien documentados, tienen bajas tasas de error o variaciones de proceso y tienen procesos de toma de decisiones que pueden codificarse y utilizan datos electrónicos estructurados. (Deloitte, RPA for Tax, 2021.).
ETL es el proceso mediante el cual los datos se extraen de diferentes fuentes, se transforman en un recurso utilizable y confiable y, posteriormente, se cargan en sistemas a los que los usuarios finales pueden acceder y utilizar en sentido descendente para resolver problemas comerciales relevantes.
ML es una tecnología asociada a la inteligencia artificial (IA). El concepto fue acuñado por Arthur Samuel en 1959 y se refiere al estudio de algoritmos informáticos que pueden mejorar automáticamente a través de la experiencia y el uso de datos. Los algoritmos de ML construyen un modelo basado en datos de muestra, conocidos como datos de entrenamiento, para hacer predicciones o decisiones sin estar programados explícitamente para hacerlo.
¿Cómo se utilizan?
¿Ha recibido usted o su empresa una comunicación de sus autoridades fiscales recientemente? Lo más probable es que haya sido redactado con RPA. De hecho, tanto las autoridades fiscales como los profesionales fiscales ya han utilizado la RPA durante algún tiempo. Por ejemplo, los preparadores de impuestos a menudo reciben información financiera pertinente, incluidos formularios de declaración de impuestos, en formato PDF. Tradicionalmente, los preparadores pasaban una cantidad significativa de tiempo extrayendo manualmente datos de estos PDF y cargándolos en hojas de cálculo y sistemas.
Ahora, ya existen bots que leen y extraen automáticamente datos de dichos archivos PDF, lo que libera tiempo para actividades más estratégicas y valiosas, como la revisión y el análisis. El impacto de este proceso mejorado se puede traducir rápidamente en horas ahorradas, calidad mejorada y riesgo reducido de errores manuales. Es un ejemplo simple pero poderoso de cómo la RPA puede agilizar un proceso estructurado, creando eficiencias para la función tributaria.
Muchos profesionales de impuestos se relacionarán con el uso de hojas de cálculo o macros con un alto riesgo de error manual y la ejecución de cálculos que requieren mucho tiempo varias veces. Sin embargo, los equipos de impuestos muy avanzados ya están aplicando ETL a la función de impuestos, con el objetivo de minimizar o incluso eliminar la entrada manual de datos.
La mayoría de los asesores fiscales de cumplimiento han experimentado cómo los datos son uno de los mayores puntos débiles durante la temporada de cumplimiento. El proceso de recopilación de datos puede ser engorroso y, a menudo, se requieren procesos manuales para obtener datos listos para el cálculo (Deloitte, Tax Analytics: Why is Mastery of Tax Data More Important Than Ownership? 2016.). Las soluciones ETL ya están en su lugar para extraer datos de fuentes dispares y agregarlos en el formato requerido para completar los cálculos de la declaración de impuestos, lo que potencialmente da como resultado datos en tiempo real, listos para el cálculo con menos riesgo, así como capacidades de modelado que permiten que la tecnología vuelva a funcionar. -Ejecutar cálculos en tiempo real. De hecho, una solución ETL que tenga en cuenta las complejidades e interdependencias puede aportar agilidad a la función fiscal en un entorno fiscal en constante cambio.
Otro ejemplo del uso de nuevas tecnologías en el entorno fiscal es la propuesta legislativa de 2020 de la Comisión Europea destinada a mejorar la recopilación de datos sobre transacciones comerciales electrónicas. Para luchar contra el fraude del IVA en el comercio electrónico, los proveedores de servicios de pago (por ejemplo, bancos y monederos electrónicos) ahora transfieren información a los estados miembros de la UE sobre los pagos transfronterizos recibidos por los operadores económicos. A continuación, esta información se centralizará en una base de datos europea, la información del Sistema de Pago de Europa Central (CESOP).
El objetivo de esta nueva medida es brindar a las autoridades fiscales de los estados miembros los instrumentos adecuados para detectar posibles fraudes del IVA en el comercio electrónico llevados a cabo por vendedores establecidos en otro estado miembro o en un país no perteneciente a la UE. CESOP ofrecerá a las administraciones tributarias una plataforma unificada y en evolución que permite operaciones de análisis avanzado sobre las fuentes de datos disponibles para detectar el fraude del IVA. CESOP recibirá miles de millones de pagos por trimestre y procesará esta información de manera significativa, proporcionando nuevos indicadores de autoaprendizaje, análisis predictivo y pronóstico de tendencias de fraude futuro.
Ya existen ciertos modelos que ayudan a las autoridades fiscales a verificar el cumplimiento tributario a nivel individual, por ejemplo, detectando cambios en la residencia y la jurisdicción. Por ejemplo, se ha reconocido públicamente que la administración tributaria noruega formuló un modelo de LD para que pueda detectar automáticamente a los residentes noruegos que han emigrado del país sin notificar a la administración tributaria y al gobierno central. El modelo se construyó utilizando 200 variables anonimizadas para el preprocesamiento, y el modelo de prueba alcanza un nivel de confianza del 68% en la identificación de los que se fueron de Noruega (verdaderos positivos) y un nivel de confianza del 99,5% en la identificación de los que no se fueron (verdaderos negativos ). Esta prueba de concepto dio como resultado una lista de 23.000 personas que, según las estimaciones del modelo, habrían salido de Noruega sin pagar sus impuestos anuales.
¿Por qué eso importa?
Las tecnologías de automatización ya son una realidad del panorama tributario. Aunque no hay duda de los beneficios que RPA, ETL y ML están aportando a las organizaciones para optimizar el uso de sus recursos y aprovechar la tecnología para sus procesos, el hecho de que las autoridades tributarias ya estén invirtiendo y aprovechando estas tecnologías los movió de un ‘agradable tener’ a un ‘imprescindible’.
Para ayudar a los directores financieros y a los gerentes de impuestos a superar esos desafíos, la fábrica digital de impuestos de Deloitte Luxembourg ha desarrollado soluciones digitales específicas para impuestos para informes de fondos de inversión alternativos (AIF), archivos de auditoría estándar para impuestos (FAIA o SAF-T), DAC6 y muchos otros. requisitos de cumplimiento tributario.
Estas tecnologías son los peldaños para el desarrollo futuro de las aplicaciones tributarias, algo para lo que tanto los contribuyentes como las autoridades tributarias deberían prepararse, comenzando con el uso de RPA, ETL y ML.
Fuente: www.internationaltaxreview.com
