L’utilizzo dell’Intelligenza Artificiale negli Accertamenti da indagini finanziarie: molte certezze ma molti interrogativi – Avvocato Giuseppe Durante | Tributarista | Bari

Come ormai accade in qualsiasi comparti cruciali della nostra vita, l’utilizzo dell’intelligenza artificiale (IA)

è diventato sempre più diffuso anche nei contesti di controllo fiscale e accertamenti bancari rispondendo, pertanto, alla crescente necessità di gestire un’enorme mole di dati finanziari, in modo efficace ed efficiente. In particolare, gli accertamenti bancari, ovvero, l’analisi delle transazioni bancarie e finanziarie di un contribuente per verificare la correttezza della sua dichiarazione fiscale sono diventati un ambito in cui l’IA sta offrendo importanti innovazioni. Questi strumenti possono rivelarsi essenziali per l’individuazione di comportamenti illeciti, come l’evasione fiscale, il riciclaggio di denaro e la frode fiscale, grazie alla loro capacità di analizzare e interpretare un volume di dati che sarebbe impraticabile da esaminare manualmente. Ma, al contempo, ci sono altresì anche criticità notevoli dovute all’utilizzo invadente di questo nuovo strumento tecnologico che non possiamo disattendere.

In questo nuovo contesto ormai imprescindibile, il sistema bancario è un punto nodale in quanto i flussi di denaro, la movimentazione dei capitali e le transazioni bancarie (anche internazionali) sono frequentemente utilizzati per nascondere comportamenti fraudolenti o illeciti. L’impiego dell’IA per analizzare le transazioni bancarie permette di rilevare anomalie, schemi sospetti e tendenze che possono sfuggire all’occhio umano. Tuttavia, questo impiego comporta anche rischi e sfide legate alla privacy, alla sicurezza dei dati e alla protezione dei diritti dei contribuenti. Pertanto, è senza dubbio necessario un approfondimento sull’applicazione dell’IA negli accertamenti da indagini finanziarie con un focus sui meccanismi di funzionamento, gli algoritmi utilizzati, le implicazioni legali e le sfide etiche. Il processo di accertamento bancario, si articola in più fasi, che comprendono la raccolta e l’analisi dei dati bancari del contribuente, il confronto con le dichiarazioni fiscali presentate e la rilevazione di eventuali incongruenze. L’A.I viene utilizzata per semplificare, velocizzare e migliorare l’accuratezza di queste fasi. I sistemi IA impiegati nei controlli bancari si basano principalmente su Machine Learning (ML) ossia, un sottoinsieme dell’IA che permette ai sistemi di “apprendere” dai dati passati per fare previsioni o riconoscere schemi senza essere esplicitamente programmati, un Deep Learning (DL) vale a dire una forma avanzata di ML che utilizza reti neurali artificiali per risolvere problemi complessi, come il riconoscimento di pattern in transazioni bancarie particolarmente intricate o la gestione di grandi dataset. Ancora, il Natural Language Processing (NLP) sistema applicato all’analisi di documenti, contratti bancari e dichiarazioni fiscali che consente l’estrazione automatica di informazioni da documenti non strutturati, come ad esempio quelli legali o i contratti bancari in tempi velocissimi con la possibilità di incrociare tutti i dati rinvenienti dalla documentazione di riferimento. Da ultimo, ma non per importanza, reti Neurali e algoritmi di Anomaly Detection, va a dire, tecniche utilizzate per identificare transazioni bancarie che deviano dal comportamento “normale” o meglio ordinario di un soggetto o di una determinata categoria economica.

Tuttavia, si tratta, comunque, di sistemi di informazione e recupero dati standardizzati che seguono in modo asettico e schematico il dato algoritmico, non considerando le peculiarità specifiche riconducibili ad ogni situazione soggettiva caratterizzante il correntista di riferimento nonché l’operazione di conto corrente dallo stesso effettuata e attenzionata dall’ufficio verificatore.

Uno degli utilizzi più significativi dell’IA negli accertamenti bancari è il rilevamento di anomalie nelle transazioni bancarie. Questo processo si basa su algoritmi di anomaly detection (rilevamento delle anomalie) che confrontano le transazioni esaminate con modelli di riferimento che possono includere: comportamenti bancari storici di un individuo o di una società, ossia, si considera la storicità di un correntista in quelle che sono state le sue movimentazioni bancario o transazioni fiscali, come i pattern di spesa e le tipiche transazioni, dati statistici di categoria (per esempio, il comportamento bancario di imprese simili in termini di dimensioni e settore).

L’IA può essere utilizzata per identificare transazioni sospette come per esempio, variazioni significative nelle abitudini di spesa o nei flussi di denaro quali per esempio, prelievi elevati o transazioni insolite, transazioni ricorrenti frazionate per aggirare soglie di segnalazione previste dalla legge o politiche bancarie (es. frazionamento di importi in più pagamenti),transazioni verso paesi a rischio che non sono giustificate dalla tipologia di attività economica del soggetto o della società. Flussi di denaro tra conti non correlati che possono suggerire schemi di evasione fiscale o riciclaggio. L’algoritmo di anomaly detection solitamente utilizza il machine learning per migliorare costantemente la sua capacità di identificare comportamenti anomali adattandosi dinamicamente ai cambiamenti nel comportamento economico del soggetto. Il riciclaggio di denaro è una delle principali attività monitorate dagli accertamenti bancari. L’IA svolge un ruolo chiave nell’identificazione di schemi di riciclaggio attraverso modelli predittivi basati su ML, che apprendono da un’analisi di transazioni passate per prevedere potenziali movimenti sospetti. Questi modelli possono rilevare schemi di transazioni finanziarie, come il passaggio di fondi attraverso una serie di conti, la creazione di entità fittizie per dissimulare la provenienza del denaro, o l’inserimento di transazioni in paesi a bassa regolamentazione fiscale.

Ancora, reti neurali per l’analisi di pattern complessi: grazie alla loro capacità di elaborare grandi volumi di dati in tempo reale le reti neurali possono identificare schemi complessi come quelli tipici di operazioni di “smurfing” (frammentazione di fondi in piccole somme per nascondere movimenti illeciti) o di layering (uso di passaggi intermedi per “lavare” denaro).

Poi, ancora, sistemi di monitoraggio in tempo reale: in particolare, l’IA può applicare modelli di rilevamento delle anomalie su tutte le transazioni bancarie in tempo reale segnalando prontamente movimenti sospetti, come ad esempio, flussi elevati di denaro in conti appena aperti, depositi consistenti in conti aziendali senza giustificazione economica, trasferimenti tra entità legali apparentemente non collegate. Ma, l’IA è particolarmente potente e veloce nell’incrocio di dati bancari e dati fiscali come le dichiarazioni dei redditi, i bilanci aziendali, e i dati patrimoniali. L’analisi incrociata permette di individuare incongruenze in tempi rapidissimi tra le informazioni fornite dal contribuente in sede dichiarativa o nei questionari informativi e quelle provenienti dal sistema bancario.

L’IA consente di confrontare i redditi dichiarati con i flussi di denaro provenienti da conti bancari, al fine di verificare se il volume di transazioni giustifica i redditi dichiarati, ancora,  consente di rilevare discrepanze nei bilanci aziendali e correlare le voci di reddito dichiarato con i movimenti finanziari (es. flussi di denaro verso conti esteri, acquisti di beni di lusso non giustificati dal reddito dichiarato), di individuare la sottocapitalizzazione, vale a dire, l’analisi del bilancio di una società e dei relativi flussi bancari può evidenziare se una società sta cercando di mascherare redditi non dichiarati mediante operazioni bancarie fuori bilancio.

Il sistema di IA può essere addestrato a riconoscere schemi fiscali irregolari, come la sottovalutazione delle vendite o la mancata dichiarazione di determinati introiti. Una volta rilevate le incongruenze, l’intelligenza artificiale può generare l’alert o segnali di rischio per indirizzare gli accertamenti verso le aree più problematiche. In altre parole, è compito poi dei verificatori andare a scandagliare i settori di maggiore rischio che potrebbero fare presumere l’esistenza di operazioni finalizzate ad evadere il fisco.

Un altro aspetto rilevante dell’utilizzo dell’IA negli accertamenti bancari riguarda l’applicazione del Natural Language Processing (NLP). L’NLP permette di estrarre informazioni da documenti non strutturati come contratti bancari, dichiarazioni fiscali, estratti conto e comunicazioni legali.

L’analisi automatica di questi documenti consente di estrarre automaticamente i dati fiscali da documenti bancari complessi o contratti, non solo, ma, di identificare incongruenze nei contratti bancari rispetto ai dati fiscali dichiarati, analizzare documenti in linguaggi diversi per l’individuazione di transazioni sospette o attività bancarie transfrontaliere che potrebbero essere collegate a operazioni evasive o riciclaggio. L’analisi NLP consente di velocizzare e automatizzare il processo di revisione documentale migliorando la capacità di monitoraggio continuo delle attività bancarie sospette. Uno degli aspetti più critici nell’utilizzo dell’IA per gli accertamenti bancari riguarda la protezione dei dati personali. La normativa GDPR impone che i dati bancari che includono informazioni sensibili sul reddito e le transazioni bancarie di un individuo o di una società vengano trattati in modo conforme alle leggi sulla privacy. Pertanto, gli organi istituzionali preposti devono garantire che l’elaborazione dei dati sia limitata al minimo necessario e che i diritti dei contribuenti vengano rispettati, comprese le misure di sicurezza per evitare l’accesso non autorizzato a questi dati. Le decisioni automatizzate basate sull’IA possono comportare il rischio di errori o distorsioni nel trattamento delle informazioni.

È necessario garantire che le decisioni prese da un sistema IA possano essere tracciate, verificate e contestabili. Questo implica, inevitabilmente, la presenza di un controllo umano nei processi decisionali più complessi, l’obbligo di fornire ai contribuenti informazioni trasparenti sul funzionamento degli algoritmi e sulla logica utilizzata per determinare i risultati. Non solo, ma, anche un meccanismo di revisione e correzione degli errori che in qualche modo possa essere attivato da parte dei contribuenti. Il rischio di bias algoritmico è un altro aspetto da considerare. Gli algoritmi di IA sono addestrati su dati storici e se questi dati contengono pregiudizi o distorsioni e l’IA potrebbe perpetuarli. Ad esempio, un algoritmo di analisi delle transazioni potrebbe erroneamente identificare come sospette transazioni da determinate categorie socio-economiche più vulnerabili. Pertanto, al fine di evitare che si possano creare tali incongruenze riconducibili a situazioni specifiche che poi non corrispondono a quanto segnalato dalla I.A. è fondamentale che i modelli di IA siano periodicamente testati e validati per evitare qualsiasi forma di discriminazione.

Da quanto sopra richiamato non c’è dubbio che l’intelligenza artificiale sta giocando sicuramente un ruolo sempre più centrale negli accertamenti da indagini finanziarie permettendo all’Amministrazione finanziaria e, in genere, a tutti gli organi deputati alla individuazione di comportamenti finalizzati all’evasione fiscale, di analizzare, in modo molto più rapido ed efficiente, enormi quantità di dati bancari per rilevare tutti i possibili fenomeni di evasione fiscale, riciclaggio di denaro e frodi fiscali. Tuttavia, l’introduzione di queste tecnologie solleva interrogativi e sfide significative sul fronte della privacy, della responsabilità legale e dell’equità. È essenziale che l’uso dell’IA venga accompagnato da un quadro normativo rigoroso che sappia bilanciare l’efficienza tecnologica con la protezione dei diritti individuali, la trasparenza e l’accesso alla giustizia. Pertanto, la sfida del futuro sarà trovare il giusto equilibrio tra due esigenze distinte entrambe rilevanti per assicurare alla nostra società una vita migliore

Prof. Avv. Durante Giuseppe

Docente a contratto in diritto Tributario Internazionale e Comunitario presso la facoltà di Economia dell’Università LUM “G. De Gennaro” in Bari – Tributarista