El uso más importante a corto plazo de la inteligencia artificial en la administración tributaria no consiste en que una máquina emita una decisión fiscal final.
Ocurre antes.
Las administraciones pueden utilizar analítica e IA para conectar registros, identificar anomalías, ordenar riesgos y decidir qué casos merecen atención humana. Esto cambia la economía del enforcement aunque la liquidación, la decisión de inspeccionar o la conclusión jurídica sigan correspondiendo a una persona.
El cambio práctico es pasar de encontrar manualmente un problema a utilizar máquinas para decidir dónde deberían mirar primero los humanos.
Tres ideas clave
- La IA ya se utiliza ampliamente para evaluación de riesgo y detección de fraude fiscal. El caso de uso mejor documentado es el triage, no la decisión administrativa final autónoma.
- El mecanismo es cruce de datos → detección de anomalías → scoring de riesgo → selección de casos → revisión humana. Una mejor selección puede hacer mucho más eficaces unos recursos de inspección limitados.
- Las mismas herramientas generan riesgos de gobernanza. Datos deficientes, modelos opacos y falsos positivos pueden dirigir el escrutinio hacia el contribuyente equivocado, por lo que explicabilidad y revisión humana son esenciales.
Hechos: la IA ya está dentro de la administración tributaria
Los datos de la OCDE muestran que la IA ha dejado de ser experimental para muchas administraciones.
En su trabajo de 2025 sobre transformación digital, la OCDE indicó que el 72% de las administraciones encuestadas utilizaba IA. Entre las administraciones que la utilizaban, el 74,4% declaraba emplearla para detectar evasión y fraude y el 64,1% en procesos de evaluación de riesgo.
La misma encuesta contenía un límite importante: ninguna administración participante declaró utilizar IA para adoptar decisiones administrativas finales.
Esta diferencia debería ordenar todo el debate.
La pregunta inmediata no es si una máquina sustituye al inspector. Es si el software cambia qué contribuyente llega a la mesa del inspector.
Austria: analítica predictiva como capa de selección
Austria ofrece un ejemplo concreto.
El Ministerio Federal de Finanzas opera un Predictive Analytics Competence Center, o PACC. Su descripción oficial incluye evaluación de riesgo en tiempo real, selección centralizada de casos de inspección, comprobaciones automatizadas y apoyo analítico para fiscalidad y aduanas.
En agosto de 2025, el Ministerio informó de que los modelos de riesgo del PACC habían analizado alrededor de 6,6 millones de casos durante 2024 y de que las actuaciones inspectoras relacionadas con esos modelos generaron aproximadamente 354 millones de euros de ingresos fiscales adicionales.
El propio Ministerio delimita claramente la responsabilidad institucional: el PACC aporta información sobre casos de mayor riesgo, mientras las regularizaciones las realizan exclusivamente los órganos de inspección competentes.
El modelo queda así muy claro:
selección asistida por máquina, actuación administrativa humana.
Grecia: cruces, profiling y priorización
Grecia aporta un segundo ejemplo.
La Independent Authority for Public Revenue ha descrito públicamente la IA como herramienta para detectar evasión y contrabando, priorizar inspecciones, predecir infracciones, analizar el comportamiento fiscal empresarial, identificar transacciones sospechosas, realizar cruces masivos y aplicar técnicas de análisis de riesgo.
Su infraestructura digital refuerza el mecanismo. La plataforma myDATA digitaliza información de transacciones empresariales y el nuevo sistema tributario integrado incluye expresamente análisis de riesgo, compliance, asignación de casos y apoyo a inspecciones.
Esto no significa que todos los contribuyentes griegos estén siendo «inspeccionados por IA».
Significa que la administración está construyendo un entorno informacional mucho más denso en el que las máquinas pueden ayudar a decidir qué merece atención.
Interpretación: la inspección empieza antes de la inspección
La selección siempre ha formado parte del enforcement fiscal.
Ninguna administración puede inspeccionar manualmente a todos los contribuyentes. Por ello decide dónde concentrar personal.
La IA cambia el coste y la escala de ese proceso.
Un sistema puede comparar declaraciones históricas, pagos, información de terceros, transacciones y otros datos en un número de casos imposible de revisar individualmente por un equipo humano.
El cambio principal es, por tanto, procedimental.
Una inspección puede empezar de hecho en un modelo de riesgo mucho antes de que el contribuyente reciba una notificación.
El mecanismo
El mecanismo de transmisión es:
recogida de datos → identificación y matching de entidades → detección de anomalías → indicadores de riesgo → priorización → selección o revisión humana → actuación formal de compliance.
Cada fase importa.
El matching determina si registros referidos a la misma persona, empresa o activo están correctamente conectados.
La detección de anomalías identifica patrones diferentes de un baseline esperado.
El scoring prioriza esas señales.
Los funcionarios deciden después si la señal justifica una pregunta, una intervención o una inspección.
Un modelo no necesita comprender todo el derecho tributario para modificar materialmente el enforcement. Solo necesita mejorar —o parecer que mejora— la asignación de atención humana.
La mejor objeción
Los modelos de riesgo pueden equivocarse.
La OCDE identifica mala calidad de datos, sesgo, falta de transparencia y escasa explicabilidad como riesgos materiales de la IA tributaria.
Una persona internacionalmente móvil puede tener legítimamente domicilios, ingresos, sociedades y relaciones bancarias en varios países. Una reestructuración puede producir un gran cambio estadístico sin abuso. Un identificador mal escrito puede generar un falso mismatch. Los datos históricos de enforcement pueden reproducir sesgos históricos.
Un modelo optimizado únicamente para encontrar comportamientos inusuales puede confundir complejidad con incumplimiento.
Por eso es importante que la encuesta de la OCDE no encontrase decisiones administrativas finales autónomas.
La revisión humana no es solo una limitación temporal de la tecnología. Es parte de la legitimidad del sistema.
Escenarios, no predicciones
Con triage bien gobernado, las administraciones utilizan IA para reducir grandes universos de datos manteniendo revisión humana documentada, trazabilidad y mecanismos de impugnación.
Con targeting de caja negra, modelos cada vez más complejos influyen sobre quién es seleccionado sin que contribuyentes o funcionarios puedan explicar adecuadamente la señal.
Con automatización impugnable, derecho administrativo, tribunales y marcos de gobernanza obligan a reforzar transparencia, validación y mecanismos de corrección.
Los triggers observables son marcos públicos de gobernanza de IA, reglas de selección, litigios, decisiones de protección de datos e informes oficiales sobre performance de modelos.
Consecuencias prácticas
La respuesta práctica no consiste en intentar que un perfil fiscal parezca estadísticamente ordinario.
Consiste en hacer que los hechos sean coherentes y explicables.
Las residencias deben documentarse. Propiedad y gestión societaria deberían ser consistentes con los filings. Grandes movimientos de capital necesitan una cadena de evidencia. La información de terceros y los registros internos no deberían contar historias contradictorias sin una razón legítima.
La complejidad internacional no es en sí misma un problema.
La inconsistencia no explicada sí lo es.
Cuanto más eficientemente puedan las autoridades identificar anomalías, más valiosa se vuelve una buena documentación antes de que exista una inspección formal.
Fuentes
- OCDE, Tax Administration Digitalisation and Digital Transformation Initiatives, 2025: https://www.oecd.org/en/publications/tax-administration-digitalisation-and-digital-transformation-initiatives_c076d776-en.html
- OCDE, Tax Administration 2025 — Compliance Management: https://www.oecd.org/en/publications/tax-administration-2025_cc015ce8-en/full-report/compliance-management_988ac964.html
- OCDE, AI in tax administration, 2025: https://www.oecd.org/en/publications/governing-with-artificial-intelligence_795de142-en/full-report/ai-in-tax-administration_30724e43.html
- Ministerio Federal de Finanzas de Austria, Predictive Analytics Competence Center: https://www.bmf.gv.at/en/topics/combating-fraud/anti-fraud-units/pacc.html
- Ministerio Federal de Finanzas de Austria, €354 million additional tax revenue through AI methods, 13 de agosto de 2025: https://www.bmf.gv.at/presse/pressemeldungen/2025/august/pacc-ki.html
- IAPR Grecia, IAPR at BEYOND Expo 2025: https://aade.gr/en/news/events/ekdiloseis/iapr-beyond-expo-2025-metropolitan-expo-45642025
- IAPR Grecia, myDATA — IAPR e-books: https://www.aade.gr/myDATA-IAPR-e-books
Disclaimer
Este Insight ofrece información y análisis generales. No constituye asesoramiento fiscal, jurídico, de protección de datos ni de derecho administrativo. Las administraciones utilizan sistemas, salvaguardas jurídicas y fuentes de datos diferentes, y el tratamiento de cualquier contribuyente depende de la ley y los hechos aplicables.
