Human-in-the-Loop Tax Auditing: Optimal Triage Between AI and Human Inspectors
Questo articolo presenta un modello economico formale e sperimentazioni sintetiche su larga scala che dimostrano come il triage ottimale dell'accertamento fiscale allochi la scarsa capacità di ispezione umana sulla base del valore incrementale combinato della generazione di prove e di procedure di recupero superiori, producendo guadagni di benessere significativamente più elevati rispetto alle strategie di allocazione basate solo sul rischio o sulla priorità dell'incertezza, pur tenendo conto di fattori complessi quali la dipendenza dagli errori e il deterrente comportamentale.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le autorità fiscali affrontano un problema vecchio quanto il concetto stesso di tassazione: ci sono molti più dichiarazioni dei redditi da controllare di quante persone ci siano per controllarle. I governi hanno sempre dovuto decidere quali dichiarazioni meritano un esame più approfondito e quali possono essere lasciate stare. In passato, questa decisione si basava sull'intuizione umana o su regole semplici su chi avesse maggiori probabilità di imbrogliare. Oggi, tuttavia, le agenzie fiscali dispongono di potenti sistemi di intelligenza artificiale in grado di scansionare milioni di dichiarazioni in pochi secondi, segnalando quelle che appaiono sospette. Ma queste macchine non possono fare tutto. Possono individuare schemi, ma spesso non riescono a raccogliere le prove fisiche necessarie per dimostrare un reato, né possono navigare nei complessi passaggi legali richiesti per riscuotere i soldi da un contribuente testardo. La domanda cruciale per i governi moderni non è più solo come trovare i malintenzionati, ma come decidere quando smettere di fidarsi della macchina e iniziare a fidarsi di un ispettore umano.
Questo è l'enigma specifico affrontato da Kun Huang, un economista della Wuhan University. La ricerca non chiede se l'intelligenza artificiale sia migliore degli esseri umani, un dibattito che spesso domina i titoli dei giornali. Al contrario, pone una domanda più pratica: una volta che un computer ha già effettuato lo screening, qual è il modo più prezioso per utilizzare il numero limitato di ispettori umani rimasti? Lo studio costruisce un modello economico formale per simulare come un'autorità fiscale debba dare priorità ai casi. Confronta tre percorsi: lasciare che un caso passi senza ulteriori azioni, sottoporlo a un controllo automatizzato a basso costo, oppure inviarlo a un investigatore umano. Il modello tratta l'investigazione umana non come una bacchetta magica che risolve tutto, ma come uno strumento specifico che offre due vantaggi distinti. Primo, un essere umano può trovare nuove prove che il computer ha saltato. Secondo, anche se il computer sa già che un contribuente deve dei soldi, un investigatore umano potrebbe essere più efficace nell'effettiva riscossione di quel denaro grazie a migliori capacità di negoziazione o procedure legali.
Per testare queste idee, il ricercatore non ha esaminato veri registri fiscali, il che sarebbe stato impossibile da usare per un esperimento controllato di questo tipo. Inveio, lo studio ha creato un enorme mondo sintetico di 100.000 casi fiscali fittizi. In questo laboratorio digitale, ogni dettaglio era noto: quali contribuenti erano effettivamente inadempienti, quanto dovevano, quanto erano complesse le loro dichiarazioni e quanto era probabile che il computer e l'ispettore umano commettessero errori. Il computer era stato programmato per essere piuttosto accurato, mentre l'ispettore umano era programmato per essere leggermente più bravo nel trovare prove, ma anche più costoso da impiegare. La simulazione è stata poi eseguita migliaia di volte, testando diverse strategie per assegnare i limitati slot umani. Alcune strategie inviavano i casi più sospetti agli umani, altre quelli più confusi, o semplicemente ne sceglieva alcuni a caso.
I risultati hanno rivelato che l'intuizione più comune è spesso errata. Molte persone presumono che la strategia migliore sia quella di inviare i casi con la più alta probabilità di non conformità agli ispettori umani. La simulazione ha mostrato che questo approccio basato "solo sul rischio" è inefficiente. Un caso potrebbe avere un'alta probabilità di essere una menzogna, ma se il computer può già risolverlo facilmente incrociando i documenti, inviare un ispettore umano lì è uno spreco di tempo. Al contrario, un caso che appare solo moderatamente sospetto potrebbe meritare l'attenzione di un umano se il computer è probabilmente destinato a fallire nella riscossione del denaro, anche se identifica correttamente il problema. Lo studio ha scoperto che la strategia ottimale consiste nell'inviare un umano in un caso solo quando il valore aggiunto che porta — sia esso nuove prove o una migliore riscossione — supera il valore della migliore alternativa che il computer potrebbe fornire. Ciò crea una complessa mappa decisionale in cui i casi migliori per gli umani non sono necessariamente quelli più rischiosi, né quelli più incerti.
La ricerca ha anche svelato comportamenti sorprendenti quando la relazione tra il computer e l'umano cambia. Se l'ispettore umano commette esattamente gli stessi errori del computer, l'umano non aggiunge valore in termini di ricerca di nuove informazioni. Tuttavia, lo studio ha dimostrato che anche in questo scenario, l'umano potrebbe essere prezioso se è più bravo nell'ultimo passaggio della riscossione dell'imposta. Inoltre, lo studio ha dimostrato che man mano che l'intelligenza artificiale diventa più intelligente, il numero di casi inviati agli umani non diminuisce necessariamente in linea retta. A volte, un computer migliore aiuta effettivamente a identificare un sottoinsieme specifico di casi difficili in cui le abilità uniche di un umano diventano ancora più critiche, creando una situazione in cui la tecnologia migliore e il lavoro umano collaborano invece di sostituirsi a vicenda.
Uno dei risultati più significativi riguarda la differenza tra ciò che è buono per il bilancio del governo e ciò che è buono per la società nel suo complesso. Una strategia che massimizza l'importo delle tasse riscosse potrebbe anche imporre pesanti oneri ai contribuenti onesti, come costringerli a passare ore a preparare documenti per un falso allarme. Lo studio ha mostrato che quando questi costi nascosti vengono conteggiati, la "migliore" strategia cambia. Una politica che sembra una vittoria finanziaria per il tesoro può in realtà essere una perdita netta per la società se molesta troppi cittadini conformi. La ricerca ha anche esplorato come la minaccia di un accertamento cambi il comportamento del contribuente. Quando i contribuenti sanno che un essere umano potrebbe investigarli, sono più propensi a pagare volontariamente prima ancora che avvenga l'accertamento. Questo effetto di "deterrenza" può talvolta invertire la classifica di quali casi siano più importanti da investigare, suggerendo che il valore di un ispettore umano include anche il timore che incute, non solo le prove che trova.
Lo studio conclude che non esiste una regola universale per decidere quando chiamare un essere umano. La decisione migliore dipende interamente dai dettagli specifici della situazione: quanto sia bravo il computer, quanto costi assumere un ispettore, quanto sia difficile riscuotere il denaro e quanto carico di lavoro il processo pone sul contribuente. La ricerca fornisce un quadro chiaro per pensare a questi compromessi, mostrando che il valore di un ispettore umano non è un numero fisso, ma un calcolo dinamico. Suggerisce che le autorità fiscali dovrebbero smettere di cercare di classificare i casi secondo un singolo punteggio di "rischio" e invece calcolare il guadagno economico specifico dell'invio di un umano in quel particolare caso. In questo modo, possono garantire che le loro scarse risorse umane siano utilizzate dove possono davvero fare la differenza, anziché limitarsi a riempire i posti con i bersagli più ovvi.
Questo lavoro rimane una simulazione, un esperimento accuratamente costruito in un mondo digitale piuttosto che un rapporto proveniente da un vero ufficio fiscale. I numeri generati non sono stime di ciò che accadrà in un paese specifico, ma piuttosto una dimostrazione di come diverse forze economiche interagiscano tra loro. Lo studio non pretende di aver risolto il problema dell'applicazione delle leggi fiscali, né offre un pacchetto software pronto all'uso che i governi possano acquistare. Invece, offre un modo rigoroso per pensare al problema, spogliandolo dalle assunzioni per rivelare la meccanica sottostante di come umani e macchine possano lavorare insieme. Dimostra che il futuro dell'accertamento fiscale non riguarda la scelta tra intelligenza artificiale e giudizio umano, ma il trovare il punto preciso, spesso controintuitivo, in cui i due debbano incontrarsi per creare il massimo valore per tutti.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.