Taxing Artificial Intelligence

Resumo Técnico: Tributação da Inteligência Artificial

Definição do Problema
O artigo aborda o reconhecimento crescente de que o desenvolvimento e a implementação da Inteligência Artificial (IA) geram custos sociais significativos, ou externalidades, que não são internalizados pelas empresas que capturam os ganhos privados. Essas externalidades incluem o aumento dos custos de água e eletricidade para as comunidades locais, o deslocamento de mão de obra e de criatividade, a degradação ambiental, a desinformação, o viés, os riscos de privacidade e os riscos catastróficos sistêmicos. Embora estruturas regulatórias (ex.: obrigações de transparência, auditoria, gestão de risco) estejam sendo propostas, elas enfrentam desafios relativos à aplicabilidade, infraestrutura incipiente e à dificuldade de os governos competirem com o setor privado pela expertise técnica. O problema central é como projetar instrumentos de política que possam efetivamente corrigir esses danos, redistribuir custos suportados de forma desigual e financiar a capacidade regulatória necessária sem sufocar a inovação ou criar distorções econômicas indesejadas.

Metodologia
Este artigo emprega uma estrutura conceitual e de análise de políticas em vez de experimentação empírica. Os autores:

1. Categorizam as Externalidades da IA: Eles mapeiam sistematicamente danos específicos relacionados à IA (ex.: consumo de recursos de centros de dados, substituição de mão de obra, deslocamento criativo) para a definição econômica de externalidades negativas.
2. Levantam Instrumentos Tributários: Eles revisam mecanismos fiscais existentes (imposto de renda corporativo, de consumo, de extrabalanço/excise, sobre folha de pagamento, sobre renda e lucros extraordinários) e analisam sua aplicabilidade ao setor de IA.
3. Mapeiam Externalidades ao Desenho Tributário: Eles constroem uma estrutura para combinar externalidades específicas com bases tributárias apropriadas (ex.: uso de eletricidade, volume de tokens, lucros), contribuintes (ex.: desenvolvedores, implantadores, operadores de centros de dados) e instrumentos.
4. Avaliam Viabilidade e Armadilhas: Eles avaliam os desafios práticos de implementação, incluindo dificuldades de medição, incidência tributária (quem acaba arcando com o custo), fuga de jurisdição, captura política e potenciais impactos na inovação e competitividade global.

Principais Contribuições
O artigo apresenta várias contribuições distintas para a literatura sobre governança de IA e finanças públicas:

• Reenquadramento da Tributação da IA: Argumenta que a tributação da IA não deve ser vista apenas sob a ótica da correção Pigouviana (precificação de um dano específico). Em vez disso, identifica três propósitos distintos para os impostos de IA:
  1. Corretivo: Precificar atividades prejudiciais na margem para remodelar incentivos (ex.: tributar o uso de água por centros de dados).
  2. Redistributivo: Reequilibrar a distribuição desigual de custos e ganhos da IA (ex.: financiar programas de transição para trabalhadores ou compensar criadores).
  3. Capacidade Regulatória: Gerar fluxos de receita dedicados para financiar a infraestrutura de monitoramento, auditoria e aplicação necessária para a supervisão da IA.
• Vantagens Institucionais: Os autores destacam os benefícios institucionais únicos da tributação sobre novos regimes regulatórios. A tributação aproveita a infraestrutura administrativa, de auditoria e de conformidade já existente, tornando-se mais rápida de implementar e menos onerosa para pequenas empresas do que construir novos órgãos reguladores especializados do zero. No contexto dos EUA, observam que a legislação tributária pode ser aprovada via reconciliação orçamentária, contornando o filibuster.
• Estrutura de Design: O artigo fornece uma taxonomia detalhada para o desenho de impostos de IA, abordando pontos de decisão críticos, tais como:
  • Base Tributária: Escolha entre proxies mensuráveis (ex.: horas de computação, tokens, eletricidade) versus métricas de dano direto.
  • Contribuinte e Remetente: Navegar pela cadeia de suprimentos difusa da IA (desenvolvedores, curadores, implantadores) para determinar a responsabilidade.
  • Seleção de Instrumento: Combinar o instrumento (imposto de consumo, de extrabalanço, sobre renda) com a externalidade e o objetivo de política específicos.
• Propostas Tributárias Específicas:
  • Deslocamento de Mão de Obra: Sugere adaptar impostos sobre a folha de pagamento ou implementar impostos sobre o consumo de serviços de IA para compensar a perda de receita proveniente do trabalho humano deslocado e incentivar decisões de automação cuidadosas.
  • Externalidades de Centros de Dados: Propõe impostos de extrabalanço sobre o uso de eletricidade e água ou impostos sobre o consumo de computação em centros de dados para abordar a pressão sobre recursos e custos ambientais.
  • Concentração de Mercado: Discute impostos sobre renda ou sobre lucros extraordinários para capturar "super lucros" derivados de insumos escassos (computação, dados, talento) na IA de fronteira.

Resultos e Análise
A análise conclui que, embora nenhum instrumento tributário seja uma panaceia, um mix cuidadosamente desenhado de impostos pode abordar efetivamente externalidades específicas da IA.

• Viabilidade: Impostos sobre insumos mensuráveis (eletricidade, água, tokens de computação) são mais administrativamente viáveis do que impostos sobre conceitos abstratos como "IA-idade" ou outputs algorítmicos específicos.
• Compensações (Trade-offs): O artigo identifica compensações significativas. Por exemplo, tributar insumos a montante (como a eletricidade de centros de dados) garante cobertura ampla, mas pode repassar custos indiretamente aos usuários a jusante. Tributar o consumo a jusante (uso de API) é mais fácil de direcionar, mas pode ignorar os custos de treinamento a montante ou incentivar as empresas a construir infraestrutura própria para evitar o imposto.
• Limitações: Os autores identificam armadilhas críticas, incluindo:
  • Medição: Dificuldade em atribuir o uso de recursos especificamente à IA versus computação em nuvem geral.
  • Incidência: O risco de que o ônus econômico recaia sobre consumidores ou empresas menores, em vez dos grandes atores de IA pretendidos.
  • Fuga (Leakage): O potencial para empresas realocarem operações para jurisdições de menor tributação.
  • Captura Política: O risco de que poderosas empresas de IA façam lobby por bases ou isenções estreitas.
  • Licenciamento Moral: A preocupação de que as empresas possam tratar um imposto como uma "taxa" para continuar práticas prejudiciais, em vez de um sinal para mudar o comportamento.

Significância
O artigo afirma que a tributação da IA é um componente viável e necessário de um conjunto mais amplo de ferramentas de governança de IA. Argumenta que a tributação não é um substituto para outras regulamentações, mas um mecanismo complementar que pode:

1. Internalizar Custos: Forçar os atores a precificar danos sociais que os mercados atualmente ignoram.
2. Financiar a Governança: Fornecer uma fonte de receita sustentável para a capacidade técnica e regulatória necessária para supervisionar a IA, que atualmente é subfinanciada.
3. Redistribuir Ganhos: Abordar a distribuição desigual dos benefícios e custos da IA.

Os autores mantêm uma postura modesta, enfatizando que a tributação da IA requer um design cuidadoso e específico ao contexto para evitar distorcer a inovação ou a competitividade. Concluem que o argumento mais forte para a tributação da IA reside em instrumentos direcionados combinados com objetivos de política específicos, em vez de um imposto único e generalizado sobre a IA. O artigo posiciona a tributação como um mecanismo pragmático, flexível e familiar que pode preencher a lacuna entre o rápido avanço da IA e o desenvolvimento mais lento de uma infraestrutura regulatória abrangente.