Human-in-the-Loop Tax Auditing: Optimal Triage Between AI and Human Inspectors
Este artículo presenta un modelo económico formal y experimentos sintéticos a gran escala que demuestran que el triaje óptimo de auditoría fiscal asigna la escasa capacidad de inspección humana basándose en el valor incremental combinado de la generación de evidencia y los procedimientos de recuperación superiores, produciendo ganancias de bienestar significativamente mayores que las estrategias de asignación basadas únicamente en el riesgo o en la incertidumbre, al tiempo que contabiliza factores complejos como la dependencia de errores y la disuasión conductual.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Las autoridades fiscales se enfrentan a un problema tan antiguo como el concepto mismo de la tributación: hay muchas más declaraciones de impuestos que revisar que personas para revisarlas. Los gobiernos siempre han tenido que decidir qué declaraciones merecen una mirada más cercana y cuáles pueden dejarse pasar. En el pasado, esta decisión dependía de la intuición humana o de reglas simples sobre quién era más propenso a hacer trampas. Hoy en día, sin embargo, las agencias tributarias cuentan con potentes sistemas de inteligencia artificial que pueden analizar millones de declaraciones en segundos, señalando aquellas que parecen sospechosas. Pero estas máquinas no pueden hacerlo todo. Pueden detectar patrones, pero a menudo no pueden reunir las pruebas físicas necesarias para probar un delito, ni pueden navegar por los complejos pasos legales requeridos para cobrar dinero de un contribuyente obstinado. La cuestión crítica para los gobiernos modernos ya no es solo cómo encontrar a los malos actores, sino cómo decidir cuándo dejar de confiar en la máquina y empezar a confiar en un inspector humano.
Este es el rompecabezas específico que aborda Kun Huang, economista de la Universidad de Wuhan. La investigación no pregunta si la inteligencia artificial es mejor que los humanos, un debate que suele dominar los titulares. En su lugar, plantea una pregunta más práctica: una vez que una computadora ya ha realizado su filtrado, ¿cuál es la forma más valiosa de utilizar el número limitado de inspectores humanos que quedan? El estudio construye un modelo económico formal para simular cómo una autoridad fiscal debería clasificar los casos. Compara tres caminos: dejar un caso sin realizar ninguna acción adicional, someterlo a una verificación automatizada de bajo costo o enviarlo a un investigador humano. El modelo trata la investigación humana no como una varita mágica que lo arregla todo, sino como una herramienta específica que ofrece dos ventajas distintas. Primero, un humano puede encontrar nueva evidencia que la computadora pasó por alto. Segundo, incluso si la computadora ya sabe que un contribuyente debe dinero, un investigador humano podría ser más efectivo para cobrar ese dinero debido a mejores habilidades de negociación o procedimientos legales.
Para probar estas ideas, el investigador no recurrió a registros fiscales reales, lo cual sería imposible de usar para este tipo de experimento controlado. En su lugar, el estudio creó un mundo sintético masivo de 100,000 casos fiscales falsos. En este laboratorio digital, cada detalle se conocía: qué contribuyentes eran realmente incumplidores, cuánto debían, qué tan complejas eran sus declaraciones y qué tan probable era que la computadora y el inspector humano cometieran errores. La computadora fue programada para ser bastante precisa, mientras que el inspector humano fue programado para ser ligeramente mejor encontrando evidencia, pero también más costoso de emplear. La simulación se ejecutó miles de veces, probando diferentes estrategias para asignar los limitados cupos humanos. Algunas estrategias enviaban los casos más sospechosos a los humanos, mientras otras enviaban los casos más confusos, o simplemente elegían casos al azar.
Los resultados revelaron que la intuición más común suele ser errónea. Muchas personas asumen que la mejor estrategia es enviar los casos con la mayor probabilidad de incumplimiento a los inspectores humanos. La simulación mostró que este enfoque de "solo riesgo" es ineficiente. Un caso puede tener una alta probabilidad de ser una mentira, pero si la computadora ya puede resolverlo fácilmente mediante el cotejo de documentos, enviar a un inspector humano allí es una pérdida de tiempo. Por el contrario, un caso que parece solo moderadamente sospechoso podría valer la atención de un humano si es probable que la computadora falle al intentar cobrar el dinero, incluso si identifica correctamente el problema. El estudio encontró que la estrategia óptima es enviar a un humano a un caso solo cuando el valor adicional que aportan —ya sea nueva evidencia o un mejor cobro— supera el valor de la mejor alternativa que la computadora podría proporcionar. Esto crea un complejo mapa de toma de decisiones donde los mejores casos para los humanos no son siempre los más riesgosos, ni los más inciertos.
La investigación también descubrió comportamientos sorprendentes cuando la relación entre la computadora y el humano cambia. Si el inspector humano comete exactamente los mismos errores que la computadora, el humano no añade valor en términos de encontrar nueva información. Sin embargo, el estudio mostró que, incluso en este escenario, el humano podría seguir siendo valioso si es mejor en el paso final de la recaudación. Además, el estudio demostró que a medida que la inteligencia artificial se vuelve más inteligente, el número de casos enviados a los humanos no necesariamente disminuye en una línea recta. A veces, una mejor computadora ayuda a identificar un subconjunto específico de casos difíciles donde las habilidades únicas de un humano se vuelven aún más críticas, creando una situación donde la mejor tecnología y la mano de obra humana trabajan juntas en lugar de reemplazarse mutuamente.
Uno de los hallazgos más significativos concierne a la diferencia entre lo que es bueno para el presupuesto del gobierno y lo que es bueno para la sociedad en su conjunto. Una estrategia que maximice la cantidad de impuestos recaudados también podría imponer cargas pesadas a los contribuyentes honestos, como obligarlos a pasar horas preparando documentos para una falsa alarma. El estudio mostró que cuando se cuentan estos costos ocultos, la "mejor" estrategia cambia. Una política que parece una victoria financiera para el tesoro puede ser en realidad una pérdida neta para la sociedad si hostiga a demasiados ciudadanos cumplidores. La investigación también exploró cómo la amenaza de una auditoría cambia el comportamiento del contribuyente. Cuando los contribuyentes saben que un humano podría estar investigándolos, es más probable que paguen voluntariamente antes de que ocurra la auditoría. Este efecto de "disuasión" puede a veces revertir la clasificación de qué casos son más importantes de investigar, sugiriendo que el valor de un inspector humano incluye el temor que infunde, no solo la evidencia que encuentra.
El estudio concluye que no existe una regla universal para cuándo llamar a un humano. La mejor decisión depende enteramente de los detalles específicos de la situación: qué tan buena es la computadora, cuánto cuesta contratar a un inspector, qué tan difícil es cobrar el dinero y cuánta carga impone el proceso al contribuyente. La investigación proporciona un marco claro para pensar en estos compromisos, mostrando que el valor de un inspector humano no es un número fijo, sino un cálculo dinámico. Sugiere que las autoridades fiscales deberían dejar de intentar clasificar los casos mediante una única puntuación de "riesgo" y, en su lugar, calcular la ganancia económica específica de enviar a un humano a ese caso en particular. Al hacerlo, pueden asegurar que sus escasos recursos humanos se utilicen donde realmente marquen la diferencia, en lugar de simplemente llenar puestos con los objetivos más obvios.
Este trabajo sigue siendo una simulación, un experimento cuidadosamente construido en un mundo digital en lugar de un informe de una oficina fiscal real. Los números generados no son estimaciones de lo que sucederá en cualquier país específico, sino más bien una demostración de cómo interactúan diferentes fuerzas económicas. El estudio no pretende haber resuelto el problema de la aplicación de impuestos, ni ofrece un paquete de software listo para que los gobiernos lo compren. En cambio, ofrece una forma rigurosa de pensar en el problema, eliminando suposiciones para revelar la mecánica subyacente de cómo los humanos y las máquinas pueden trabajar juntos. Muestra que el futuro de la auditoría fiscal no consiste en elegir entre la inteligencia artificial y el juicio humano, sino en encontrar el punto preciso, y a menudo contraintuitivo, donde ambos deben encontrarse para crear el máximo valor para todos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.