Human-in-the-Loop Tax Auditing: Optimal Triage Between AI and Human Inspectors
Dit artikel presenteert een formeel economisch model en grootschalige synthetische experimenten die aantonen dat optimale triage bij belastingcontroles de schaarse menselijke inspectiecapaciteit toewijst op basis van de gecombineerde incrementele waarde van bewijsgeneratie en superieure incassoprocedures, wat welvaartswinst oplevert die significant hoger is dan bij strategieën die uitsluitend op risico of op onzekerheid zijn gericht, terwijl complexe factoren zoals foutafhankelijkheid en gedragsmatige afschrikking worden meegewogen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Belastingautoriteiten worden geconfronteerd met een probleem dat even oud is als het concept van belastingheffing zelf: er zijn veel meer belastingaangiften te controleren dan er mensen zijn om ze te controleren. Overheden hebben altijd moeten beslissen welke aangiften een nadere blik verdienen en welke ongemoeid kunnen blijven. In het verleden steunde deze beslissing op menselijke intuïtie of eenvoudige regels over wie het meest waarschijnlijk aan de bedriegarij deed. Tegenwoordig beschikken belastingdiensten echter over krachtige kunstmatige intelligentiesystemen die miljoens aangiften in seconden kunnen scannen en die er verdacht uitzien. Maar deze machines kunnen niet alles. Ze kunnen patronen herkennen, maar ze kunnen vaak niet het fysieke bewijs verzamelen dat nodig is om een misdaad te bewijzen, noch kunnen ze de complexe juridische stappen doorlopen die nodig zijn om geld te innen bij een koppige belastingbetaler. De cruciale vraag voor moderne overheden is niet langer alleen hoe ze de kwaadwillenden vinden, maar hoe ze beslissen wanneer ze de machine niet langer moeten vertrouwen en een menselijke inspecteur moeten gaan vertrouwen.
Dit is het specifieke puzzelstuk waar Kun Huang, een econoom aan de Wuhan Universiteit, zich mee bezighoudt. Het onderzoek vraagt niet of kunstmatige intelligentie beter is dan mensen, een debat dat vaak de krantenkoppen domineert. In plaats daarvan stelt het een meer praktische vraag: zodra een computer al een screening heeft uitgevoerd, wat is dan de meest waardevalle manier om de beperkte aantallen menselijke inspecteurs die overblijven te gebruiken? De studie bouwt een formeel economisch model om te simuleren hoe een belastingautoriteit zaken moet prioriteren. Het vergelijkt drie paden: een zaak laten rusten zonder verdere actie, deze door een goedkope geautomatiseerde controle laten gaan, of deze doorsturen naar een menselijke onderzoeker. Het model beschouwt menselijk onderzoek niet als een toverstaf die alles oplost, maar als een specifiek instrument dat twee duidelijke voordelen biedt. Ten eerste kan een mens nieuw bewijs vinden dat de computer heeft gemist. Ten tweede, zelfs als de computer al weet dat een belastingbetaler geld verschuldigd is, kan een menselijke onderzoeker effectiever zijn in het daadwerkelijk innen van dat geld vanwege betere onderhandelingsvaardigheden of juridische procedures.
Om deze ideeën te testen, keek de onderzoeker niet naar echte belastinggegevens, wat onmogelijk zou zijn voor een dergelijk gecontroleerd experiment. In plaats daarvan creëerde de studie een enorme synthetische wereld van 100.000 nepbelastinggevallen. In dit digitale laboratorium was elk detail bekend: welke belastingbetalers daadwerkelijk niet aan de regels hadden voldaan, hoeveel zij verschuldigd waren, hoe complex hun aangiften waren, en hoe groot de kans was dat de computer en de menselijke inspecteur fouten zouden maken. De computer werd geprogrammeerd om redelijk accuraat te zijn, terwijl de menselijke inspecteur werd geprogrammeerd om iets beter te zijn in het vinden van bewijs, maar ook duurder om in dienst te nemen. De simulatie werd vervolgens duizenden keren uitgevoerd, waarbij verschillende strategieën werden getest voor het toewijzen van de beperkte menselijke plekken. Sommige strategieën stuurden de meest verdachte gevallen naar mensen, terwijl andere de meest verwarrende gevallen kozen, of simpelweg willekeurige gevallen selecteerden.
De resultaten toonden aan dat de meest voorkomende intuïtie vaak onjuist is. Veel mensen gaan ervan uit dat de beste strategie is om de gevallen met de hoogste waarschijnlijkheid van niet-naleving naar menselijke inspecteurs te sturen. De simulatie toonde aan dat deze "risico-alleen"-benadering inefficiënt is. Een geval kan zeer waarschijnlijk een leugen zijn, maar als de computer het al gemakkelijk kan oplossen door documenten te matchen, is het een verspilling van tijd om een menselijke inspecteur daarheen te sturen. Omgekeerd kan een geval dat er slechts matig verdacht uitziet, de aandacht van een mens waard zijn als de computer waarschijnlijk zal falen bij het innen van het geld, zelfs als hij het probleem correct identificeert. De studie vond dat de optimale strategie is om een mens naar een geval te sturen alleen wanneer de extra waarde die zij brengen — ofwel nieuw bewijs of betere inning — de waarde van het beste alternatief dat de computer kon bieden, overstijgt. Dit creëert een complexe kaart van besluitvorming waarbij de beste gevallen voor mensen niet altijd de meest risicovolle zijn, noch de meest onzekere.
Het onderzoek onthulde ook verrassende gedragingen wanneer de relatie tussen de computer en de mens verandert. Als de menselijke inspecteur precies dezelfde fouten maakt als de computer, voegt de mens geen waarde toe in termen van het vinden van nieuwe informatie. Echter, de studie toonde aan dat de mens zelfs in dit scenario nog steeds waardevol kan zijn als zij beter zijn in de laatste stap van het innen van de belasting. Bovendien demonstreerde de studie dat naarmate kunstmatige intelligentie slimmer wordt, het aantal gevallen dat naar mensen wordt gestuurd niet noodzakelijkerwijs in een rechte lijn afneemt. Soms helpt een betere computer juist bij het identificeren van een specifieke subset van moeilijke gevallen waar de unieke vaardigheden van een mens nog crucialer worden, wat leidt tot een situatie waarin betere technologie en menselijke arbeid samenwerken in plaats van elkaar te vervangen.
Een van de meest significante bevindingen betreft het verschil tussen wat goed is voor de begroting van de overheid en wat goed is voor de samenleving als geheel. Een strategie die de inning van belastingen maximaliseert, kan ook zware lasten opleggen aan eerlijke belastingbetalers, zoals het dwingen van hen om urenlang documenten voor te bereiden voor een vals alarm. De studie toonde aan dat wanneer deze verborgen kosten worden meegerekend, de "beste" strategie verandert. Een beleid dat eruitziet als een financieel succes voor de schatkist, kan in werkelijkheid een netto verlies voor de samenleving betekenen als het te veel compliant burgers lastigvalt. Het onderzoek verkende ook hoe de dreiging van een audit het gedrag van belastingbetalers beïnvloedt. Wanneer belastingbetalers weten dat een mens hen mogelijk onderzoekt, zijn ze eerder geneigd vrijwillig te betalen voordat de audit zelfs plaatsvindt. Dit "afschrikkingseffect" kan soms de rangorde van welke gevallen het belangrijkst zijn om te onderzoeken zelfs omdraaien, wat suggereert dat de waarde van een menselijke inspecteur ook de angst omvat die zij inboezemen, en niet alleen het bewijs dat zij vinden.
De studie concludeert dat er geen universele regel is voor wanneer men een mens moet oproepen. De beste beslissing hangt volledig af van de specifieke details van de situatie: hoe goed de computer is, hoeveel het kost om een inspecteur in te huren, hoe moeilijk het is om het geld te innen, en hoeveel last het proces legt op de belastingbetaler. Het onderzoek biedt een duidelijk kader om over deze afwegingen na te denken, en laat zien dat de waarde van een menselijke inspecteur geen vast getal is, maar een dynamische berekening. Het suggereert dat belastingautoriteiten moeten stoppen met het proberen te rangschikken van gevallen op basis van een enkele score van "risico", en in plaats daarvan de specifieke economische winst moeten berekenen van het sturen van een mens naar dat specifieke geval. Door dit te doen, kunnen ze ervoor zorgen dat hun schaarse menselijke middelen worden ingezet waar ze echt een verschil maken, in plaats van simpelweg plekken te vullen met de meest voor de hand liggende doelwitten.
Dit werk blijft een simulatie, een zorgvuldig geconstrueerd experiment in een digitale wereld in plaats van een rapport uit een echt belastingkantoor. De gegenereerde cijfers zijn geen schattingen van wat er in een specifiek land zal gebeuren, maar eerder een demonstratie van hoe verschillende economische krachten op elkaar inwerken. De studie beweert niet het probleem van belastinghandhaving te hebben opgelost, noch biedt het een kant-en-klaar softwarepakket aan dat overheden kunnen kopen. In plaats daarvan biedt het een rigoureuze manier om over het probleem na te denken, waarbij aannames worden weggelaten om de onderliggende mechanica te onthullen van hoe mensen en machines samen kunnen werken. Het laat zien dat de toekomst van belastingcontrole niet gaat over de keuze tussen kunstmatige intelligentie en menselijk oordeel, maar over het vinden van het precieze, vaak contra-intuïtieve punt waar de twee elkaar moeten ontmoeten om de meeste waarde voor iedereen te creëren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.