•     علاوه بر استفاده از هوش مصنوعی برای اولویت‌بندی بازرسی‌ها، مقامات مالیاتی از تحلیل داده‌ها و تکنیک‌های یادگیری ماشین برای شناسایی موارد تقلب مالیاتی استفاده می‌کنند. تقلب مالیاتی به معنای فرار غیرقانونی از پرداخت مالیات توسط افرادی است که مشمول مالیات هستند.
•     بر اساس مطالعه مذکور از سازمان همکاری و توسعه اقتصادی OECD، ادارات مالیاتی می‌توانند مدل‌های هوش مصنوعی مبتنی بر یادگیری بدون نظارت ایجاد کنند که به دنبال شناسایی الگوهای غیرمعمول در داده‌ها هستند. به عنوان مثال، اداره مالیات ایرلند و هلند از تکنیک‌های بخش‌بندی بدون نظارت استفاده کرده‌اند. این تکنیک‌ها یک کاربرد بخشی از تحلیل خوشه‌ای گسترده‌تر را نشان می‌دهند که از طریق آن می‌توان گروه‌هایی از مالیات‌دهندگان را شناسایی کرد که از جنبه‌های قابل توجهی به یکدیگر شبیه هستند و با دیگر گروه‌ها تفاوت دارند. 
•      به عنوان مثال، در بریتانیا، HMRC در سال 2017 سیستم Connect را توسعه داد، یک سیستم تحلیل داده‌های رایانه‌ای مبتنی بر تحلیل شبکه‌های اجتماعی که اطلاعات مالیاتی شرکت‌ها و افراد را با دیگر پایگاه‌های داده مقایسه می‌کند تا فعالیت‌های متقلبانه را شناسایی کند. این سیستم به دنبال همبستگی درآمد اعلام‌شده با سبک زندگی می‌گردد و آن را با مدل‌های آماری چند‌متغیره با استفاده از هوش مصنوعی مقایسه می‌کند. داده‌ها از منابع مختلفی شامل بانک‌ها، ثبت زمین، کارت‌های اعتباری، خودروها، مالیات‌های شهرداری، ثبت‌نام VAT، اظهارنامه‌های مالیاتی، تحقیقات مالیاتی، درآمد کارفرمایان، پلتفرم‌های آنلاین، شبکه‌های اجتماعی، وب‌گردی و  ایمیل جمع‌آوری می‌شود.
•      دولت بلژیک یک سیستم هوش مصنوعی به کار می‌گیرد که به دنبال الگوهای تقلب در مقادیر زیادی از داده‌ها است تا تقلب در محل اقامت شرکت ها را شناسایی کند. این نوع تقلب زمانی رخ می‌دهد که شرکت‌ها به طور فریبکارانه تلاش می‌کنند محل اقامت خود را در کشوری با مالیات پایین قرار دهند تا از پرداخت مالیات‌های بالاتر در محل واقعی خود اجتناب کنند. داده‌ها شامل دو نوع داده هستند: از یک سو، داده‌های ساختاریافته در مورد شرکت‌های بلژیکی (بخش، شهر و غیره) و از سوی دیگر، داده‌های تراکنشی  بین شرکت‌های بلژیکی و خارجی.
•     یک کاربرد تحلیل خودکار برای شناسایی تقلب توسط وزارت دارایی فدرال آلمان در اصلاحیه‌ای در قانون مالیات بر ارزش افزوده VAT در سال 2016 منتشر  شد. این اصلاحیه امکان اجرای ابزارهای تحلیل داده‌های پیشرفته و هوش مصنوعی را برای شناسایی فعالیت‌های مشکوک و پتانسیل تقلب مالیات بر ارزش افزوده فراهم کرد. این سیستم از داده‌های ساختاریافته و غیرساختاریافته مانند سوابق تراکنش‌ها، فاکتورها و حتی فعالیت‌های رسانه‌های اجتماعی استفاده می‌کند تا ناهماهنگی‌ها و نشانه‌های رفتارهای تقلبی را تشخیص دهد. 
•     این سیستم‌های هوش مصنوعی و یادگیری ماشین برای افزایش کارایی و دقت مقامات مالیاتی در شناسایی و رسیدگی به تقلب‌های مالیاتی طراحی شده‌اند. با اولویت‌بندی موارد بر اساس امتیازهایی که نشان‌دهنده احتمال عدم‌مطابقت و ریسک تقلب هستند، این سیستم‌ها به مأموران مالیاتی کمک می‌کنند تا تلاش‌های خود را در جاهایی متمرکز کنند که بیشترین نیاز به آن وجود دارد. با تجزیه و تحلیل و ادغام داده‌های بیشتر در این مدل‌ها، سیستم‌ها به طور مداوم بهبود می‌یابند و الگوریتم‌های خود را برای شناسایی بهتر الگوهای عدم‌مطابقت و تقلب اصلاح می‌کنند. این رویکرد پویا نه تنها به جلوگیری از کاهش درآمدهای ناشی از فرار مالیاتی کمک می‌کند، بلکه با اطمینان از اجرای استانداردهای یکسان برای همه مالیات‌دهندگان، به اجرای عدالت در رویه‌های مالیاتی نیز کمک می‌کند.
•     این بخش اصلاحات اخیر در قوانین مالیاتی آلمان را توضیح می‌دهد، که به ویژه بر معرفی یک "رویه کاملاً خودکار" برای مدیریت ریسک به منظور مقابله با فرار مالیاتی تمرکز دارد. این رویه کاملاً خودکار بر اساس داده‌های ارائه‌شده توسط مالیات‌دهنده، اطلاعاتی که قبلاً در دسترس مقامات مالیاتی است، و داده‌هایی که توسط اشخاص ثالث به مقامات مالیاتی منتقل می‌شود، بنا شده است. هدف این سیستم، تضمین ریسک مناسب برای کشف و امکانات تأیید متناظر است، به‌طوری که به‌طور خودکار موارد پرریسک را فیلتر کرده و آن‌ها را برای بررسی جامع توسط مقامات دولتی ارجاع می‌دهد.                 

مدیریت مالیات‌دهندگان

•     علاوه بر بررسی‌های شکلی و محتوایی، اداره‌های مالیاتی مسئول تضمین صحت و به‌موقع بودن اظهارنامه‌های مالیاتی و پرداخت مالیات هستند. به‌ویژه، مدیریت پرداخت مالیات در مواردی که فرار مالیاتی قبلاً کشف شده و یک مجازات اعمال شده است، یا در مواردی که اظهارنامه مالیاتی صحیح است اما مالیات‌دهنده ورشکسته است. برای تضمین اظهارنامه و پرداخت مالیات، مقامات مالیاتی می‌توانند از هوش مصنوعی به روش‌های مختلفی استفاده کنند. به عنوان مثال، HMRC اداره مالیات و گمرکات بریتانیا یک برنامه مدل‌سازی ریسک و آزمایش را اجرا کرده است که مالیات‌دهندگانی را که احتمالاً به تعهدات اظهارنامه مالیاتی خود عمل نخواهند کرد، شناسایی می‌کند. این مدل از یادگیری ماشین  برای پیش‌بینی مالیات‌دهندگانی که احتمالاً مهلت‌های اظهارنامه را از دست می‌دهند استفاده کرده و مشوق هایی را برای ترغیب به رعایت قوانین ارائه می‌دهد. چنین کاربردی بر اساس دسته بندی رفتار شهروندان بریتانیایی برای شناسایی کسانی است که، بر اساس اطلاعات شخصی و سبک زندگی خود، به احتمال زیاد در انجام تعهدات خود کوتاهی می‌کنند. این از نظریه تلنگر (نودج) برای بهبود سیاست‌ها و خدمات دولتی استفاده می‌کند.
•      در همین راستا، از کاربردهای هوش مصنوعی برای مدیریت پرداخت مالیات نیز استفاده شده است. تعدادی از اداره‌های مالیاتی از تکنیک‌های مدل‌سازی مبتنی بر ریسک استفاده می‌کنند که افرادی یا شرکت‌هایی را که به احتمال زیاد به تعهدات پرداخت خود عمل نخواهند کرد، شناسایی می‌کنند. به عنوان مثال، استرالیا و نروژ از سیستم مدیریت بدهی در زمان واقعی استفاده می‌کنند که برای مالیات‌دهندگان ساز و کار پرداخت مختلفی را بر اساس تمایل و توانایی پیش‌بینی‌شده‌شان برای پرداخت، پیشنهاد می‌دهد. در زمینه مدیریت مالیات‌دهندگان، کاربردهای هوش مصنوعی به طور قابل توجهی کارایی و اثربخشی خدمات ارائه شده به مالیات‌دهندگان را بهبود بخشیده است. این نوآوری‌ها شامل پیام‌رسانی پیشگیرانه، تماس‌ها، و خدمات اطلاعاتی و مشاوره‌ای هستند که به افزایش رعایت قوانین مالیاتی توسط مالیات‌دهندگان کمک می‌کنند. به عنوان مثال، در سنگاپور از پردازش زبان طبیعی NLPبرای تحلیل و طبقه‌بندی محتوای ایمیل‌های دریافتی مشتریان استفاده می‌شود که به ارائه بینش‌های عمیق‌تری در مورد سوالات مالیات‌دهندگان کمک می‌کند.
•     هوش مصنوعی همچنین نقش مهمی در ارزیابی سیاست‌های مالیاتی، به‌ویژه در اندازه‌گیری شکاف مالیاتی و پیش‌بینی اثرات تغییرات سیاست‌های مالیاتی ایفا می‌کند. تحلیل شکاف مالیاتی از تکنیک‌های خوشه‌بندی و شناسایی نقاط خارج از محدوده برای شناسایی مسائل مهم است، مانند الگوهای فرار مالیاتی بر اساس نوع مالیات، موقعیت جغرافیایی و عوامل دیگر استفاده می‌کند. این متغیر برای تدوین سیاست‌ها و قوانین جدید مالیاتی بسیار حیاتی هستند.           

•    علاوه بر این، هوش مصنوعی و تجزیه و تحلیل کلان‌داده‌ها به مقامات مالیاتی و نهادهای دولتی امکان می‌دهد تا اثرات احتمالی مقررات مالیاتی پیشنهادی را مدل‌سازی کنند و قوانین دقیق‌تر و متناسب‌تری ارائه دهند. تجزیه و تحلیل پیش‌بینی‌کننده می‌تواند درآمد مالیاتی را نیز پیش‌بینی کند و در برنامه‌ریزی دولتی برای رفاه اجتماعی و بهینه‌سازی مالیات‌ها برای بهبود نتایج رفاهی اجتماعی کمک کند.استفاده از هوش مصنوعی در سیستم مالیاتی احتمالاً مزایای زیادی به همراه دارد، از جمله تحلیل سریع‌تر و خودکار حجم زیادی از داده‌ها، کاهش خطاها و صرفه‌جویی در زمان. با این حال، چنین توسعه‌هایی در خلاء قانونی اتفاق نمی‌افتند.
•     قانون حفاظت از داده‌های عمومیGDPR نقش برجسته‌ای دارد. GDPR یک چارچوب کلی است که برای همه اشخاص حقیقی و حقوقی که داده‌های شخصی را پردازش می‌کنند، اعمال می‌شود؛ این قانون به افراد حقوقی شفافیت پیش از جمع‌آوری داده‌ها برای کنترل دسترسی به داده‌های شخصی و حقوقی پس از جمع‌آوری ارائه می‌دهد، در حالی که الزامات متعددی را نیز بر گردآورندگان داده تحمیل می‌کند تا اطمینان حاصل شود که داده‌های شخصی با احترام به حقوق بنیادین شهروندان پردازش می‌شوند. علاوه بر این، پذیرش هوش مصنوعی در سیستم قانون مالیاتی باید به توسعه‌های قانونی اخیر در زمینه هوش مصنوعی نیز توجه داشته باشد. در 21 آوریل 2021، کمیسیون اروپا پیشنهادی برای تنظیم سیستم‌های هوش مصنوعی در اتحادیه اروپا صادر کرد. این پیشنهاد رویکرد مبتنی بر ریسک را اتخاذ کرده و برخی از شیوه‌های هوش مصنوعی را ممنوع کرده و مقررات دقیقی برای سیستم‌های پرخطر ارائه می‌دهد. علاوه بر این، سیستم‌های حقوقی اصول و قوانین رویه‌ای را تدوین کرده‌اند که حقوق فردی مالیات‌دهندگان را با منافع عمومی برای مالیات‌گیری مؤثر و عادلانه متعادل می‌کند.  در زمینه استفاده از فناوری‌های هوش مصنوعی در حقوق مالیات، رعایت قوانین حریم خصوصی و حفاظت از داده‌ها، به ویژه مقررات عمومی حفاظت از داده‌ها GDPR، از اهمیت بالایی برخوردار است. برنامه‌های کاربردی هوش مصنوعی در این حوزه معمولاً با داده‌های شخصی مودیان مالیاتی و مشتریان آنها سروکار دارند که باید مطابق با الزامات GDPR پردازش شوند.
  
  

ملاحظات کلیدی

•     سیستم‌های هوش مصنوعی ممکن است از داده‌های مودیان برای آموزش مدل‌ها یا ارزیابی ریسک‌ها استفاده کنند که شامل اطلاعات شخصی حساس است.GDPR الزام می‌کند که هر پردازش داده‌های شخصی باید تحت یکی از مبانی قانونی مندرج در ماده 6 توجیه شود. در زمینه حقوق مالیات، مبنای قانونی مرتبط معمولاً ماده 6(1) eاست که پردازش داده‌ها را برای انجام وظیفه‌ای در منافع عمومی یا اجرای اختیارات رسمی مجاز می‌داند.   پردازش باید بر اساس مبنای قانونی مشخص شده توسط قوانین اتحادیه یا دولت عضو باشد و اطمینان حاصل شود که پردازش متناسب با هدف مشروع و عمومی است.بر اساس ماده 22 GDPR، افراد حق دارند که تحت تصمیمات مبتنی solely بر پردازش خودکار، از جمله پروفایل‌سازی، قرار نگیرند، مگر اینکه شرایط خاصی رعایت شده باشد. این موضوع زمانی مهم است که مقامات مالیاتی از هوش مصنوعی برای اتخاذ تصمیمات affecting individuals، مانند ارزیابی ریسک عدم رعایت مالیات، استفاده کنند.

پیامدها برای مقامات مالیاتی

•     مقامات مالیاتی باید اطمینان حاصل کنند که سیستم‌ها و فرآیندهای هوش مصنوعی به گونه‌ای طراحی و پیاده‌سازی شده‌اند که این الزامات قانونی را رعایت کنند. این شامل ایجاد تدابیر حفاظتی برای تصمیمات خودکار، اطمینان از شفافیت و فراهم کردن راه‌های مداخله انسانی و جبران خسارت در صورت لزوم است. رعایت این مقررات به حفاظت از حقوق داده‌های افراد و حفظ اعتماد به سیستم مالییاتی منجرمی شود ماده 22 GDPR به مواردی که داده‌های شخصی برای پروفایل‌سازی مالیات‌دهندگان استفاده می‌شود و سیستم‌های خودکار برای اتخاذ تصمیماتی که اثرات قانونی تولید می‌کند یا به‌طور مشابه به طور قابل توجهی بر داده‌موضوع تأثیر می‌گذارد، اعمال می‌شود. این موضوع ممکن است زمانی صدق کند که تصمیم مالیاتی برای داده‌موضوع الزامی است یا برخی از تعهدات قانونی را ایجاد می‌کند.
  
  
•      قابلیت سیستم‌های هوش مصنوعی برای ارائه دلایل تصمیمات اتخاذ شده در بازرسی‌ها و کنترل‌های مالیاتی بسیار مهم است. اهمیت این موضوع با توجه به حق بنیادین به یک محاکمه عادلانه که در کل فرایند مالیاتی نیز اعمال می‌شود، بیشتر مشخص می‌گردد. این بدان معناست که مالیات‌دهندگان باید بتوانند اطلاعاتی را که مقامات مالیاتی بر اساس آن تصمیم می‌گیرند، به طور موثر بررسی کنند. به عنوان مثال، مالیات‌دهنده باید به عوامل قانونی که برای تصمیم‌گیری در مورد اجرای قانون مالیات مورد توجه قرار می‌گیرد و منطق پشت مدل هوش مصنوعی که مقامات را به اتخاذ یک تصمیم مالیاتی خاص سوق می‌دهد، دسترسی داشته باشد تا بتواند به طور کامل درک کند که چگونه تصمیم مالیاتی گرفته شده است. در غیر این صورت، توانایی مالیات‌دهندگان برای ارائه استدلال مخالف و ارائه مدارک مقابله به مقامات مالیاتی تضعیف خواهد شد.
  
  
•      توضیح نتایج مالیاتی باید به گونه‌ای ارائه شود که برای انسان‌ها قابل درک باشد ،عواملی که مدل هوش مصنوعی را به اتخاذ تصمیم برای اجرای یا عدم اجرای قانون مالیات سوق داده است. این امکان را برای انسان‌ها فراهم می‌کند که این تصمیمات را به چالش بکشند، حتی قبل از اینکه به طور رسمی اتخاذ شود. این رویکردها تمرکز را از قوانین محاسباتی به کنترل قوانین تصمیم‌گیری تغییر می‌دهد. حق به چالش کشیدن تصمیماتی که توسط سیستم‌های هوش مصنوعی ارائه شده است، به ویژه در تعیین‌هایی که بر اساس پیش‌بینی‌ها صورت می‌گیرد، بسیار مهم است. در واقع، مسئله سازگاری استفاده از پیش‌بینی‌ها برای تعیین میزان تعهد مالیاتی و جریمه‌ها با تضمین‌های فرآیندی مالیات‌دهندگان موضوع جدیدی نیست.
  
  
•     این مسئله یادآور سوالات مربوط به مشروعیت است که به عنوان مثال، در ایتالیا در مورد استفاده از روش‌های استنتاجی برای محاسبه پایه مالیاتی مطرح شده است. مشاهده شده است که محاسبه مالیات بر اساس شاخص‌های آماری و فرضی که مستقیماً با درآمد واقعی یا واقعیت اقتصادی مالیات‌دهندگان مطابقت ندارد، غیر معمول است. این رویکرد نگرانی‌هایی در مورد انصاف و دقت به وجود می‌آورد، به ویژه زمانی که مالیات‌دهندگان نمی‌توانند به راحتی فرضیات و روش‌شناسی‌های زیربنایی که توسط سیستم‌های هوش مصنوعی استفاده می‌شود را درک یا به چالش بکشند.   مقررات عمومی حفاظت از داده‌ها GDPR، به ویژه ماده 22، بر اهمیت شفافیت و پاسخگویی در فرآیندهای تصمیم‌گیری خودکار تأکید می‌کند.  حق توضیح تضمین می‌کند که افراد، مانند مالیات‌دهندگان، در مورد منطق و عواملی که منجر به یک تصمیم می‌شود، آگاه می‌شوند. این شفافیت برای حفظ اعتماد به سیستم‌های هوش مصنوعی و اطمینان از اینکه تصمیمات قابل بررسی و به چالش کشیدن هستند، ضروری است.
  
  
•      در زمینه‌های مالیاتی، اعمال هوش مصنوعی برای تصمیم‌گیری یا پیش‌بینی در مورد تعهدات مالیاتی باید شفاف باشد. مالیات‌دهندگان باید به منطق پشت این تصمیمات، که شامل درک پایه‌های قانونی و واقعی و همچنین نحوه عملکرد مدل‌های هوش مصنوعی مورد استفاده است، دسترسی داشته باشند. این نه تنها یک مسئله خوب نیست بلکه یک الزام قانونی و حق بنیادی به محاکمه عادلانه و فرآیند قانونی است که اطمینان می‌دهد مالیات‌دهندگان می‌توانند تصمیمات را به طور موثر بررسی و به چالش بکشند.
  
  
•     اگر سیستم هوش مصنوعی از مدل‌های آماری یا پیش‌بینی برای تعیین تعهدات مالیاتی استفاده ‌کند، مالیات‌دهنده باید یک توضیح واضح در مورد نحوه عملکرد این مدل‌ها و چگونگی اعمال آن‌ها در مورد خاص خود داشته باشد. این تضمین می‌کند که مالیات‌دهندگان می‌توانند  اعتبار یا دقت این تصمیمات چالش بکشند، به ویژه زمانی که این تصمیمات بر اساس پیش‌بینی‌ها و نه شواهد مستقیم درآمد یا تراکنش‌ها گرفته شده‌اند. هدف این است که از وضعیت‌هایی که تصمیمات بر اساس معیارهای مبهم یا نادرست گرفته می‌شوند و می‌تواند منجر به ارزیابی‌های نادرست مالیاتی و کاهش اعتماد به سیستم مالیاتی شود، جلوگیری شود.
  
  
•      در مجموع، GDPR و اصول مرتبط قصد دارند این اطمینان را حاصل کنند که تصمیمات خودکار، از جمله آن‌هایی که در زمینه‌های مالیاتی هستند، به طور شفاف و عادلانه گرفته می‌شوند،  این نه تنها از حقوق مالیات‌دهندگان محافظت می‌کند، بلکه یکپارچگی و پاسخگویی کلی فرایند اداره مالیات را نیز افزایش می‌دهد. این الزام به شفافیت به این معنا نیست که پاسخ‌های ارائه شده توسط سیستم‌های هوش مصنوعی لزوماً با واقعیت مطابقت دارند. تصمیمات سیستم‌های هوش مصنوعی بر اساس استدلال‌های منطقی نیست که در آن فرضیات خاص (مانند درآمد، تبادل و غیره) به نتیجه‌گیری‌های خاصی (مانند مبلغ مالیات پرداختی، تصمیم برای بازرسی و غیره) منجر شوند. بلکه این تصمیمات بر اساس رویکرد آماری هستند که  از موارد گذشته کشف شده‌اند و الگوریتم‌ها پاسخ‌های محتمل را ارائه می‌دهند  اما هرگز پاسخ‌های قطعی نیستند.
  

انصاف

• ·   علاوه بر شفافیت، یک مسئله کلیدی برای اطمینان از استفاده عادلانه از هوش مصنوعی در هر دو حوزه تطابق مالیاتی و کنترل مالیاتی این است که تعیینات خودکار منجر به نتایج تبعیض‌آمیز نشود.    ممنوعیت تبعیض همراه با حفاظت از مالکیت تحت ECHR ایجاب می‌کند که مقامات مالیاتی تصمیمات مالیاتی را به گونه‌ای اتخاذ کنند که از هر گونه تبعیض یا رفتار ناعادلانه جلوگیری شود. این اصل در زمینه هوش مصنوعی بسیار مهم است زیرا این سیستم‌ها اغلب به داده‌های بزرگی تکیه دارند که ممکن است حاوی سوگیری‌های تاریخی باشند. اگر به درستی مدیریت نشود، این سوگیری‌ها می‌توانند توسط هوش مصنوعی تداوم یافته یا حتی تشدید شوند، که منجر به نتایج تبعیض‌آمیز در ارزیابی‌ها یا بازرسی‌های مالیاتی می‌شود.  به عنوان مثال، یک سیستم هوش مصنوعی ممکن است به طور ناخواسته گروه‌های خاصی را بر اساس متغیرهایی مانند سطح درآمد، موقعیت جغرافیایی یا سایر عوامل مورد تبعیض قراردهد این می‌تواند منجر به هدف‌گیری ناعادلانه برخی از مالیات‌دهندگان برای بازرسی‌ها یا تعیین اشتباه تعهدات مالیاتی شود.
  
•     برای کاهش این خطرات، ضروری است که سیستم‌های هوش مصنوعی مورد استفاده در مدیریت مالیات با توجه به انصاف طراحی شوند. این شامل اجرای تدابیری برای شناسایی و تصحیح سوگیری‌ها در داده‌ها و الگوریتم‌ها، اطمینان از اینکه سیستم‌ها به‌طور منظم و عادلانه در بین تمامی گروه‌های مالیات‌دهندگان استفاده می‌شوند، و فراهم کردن مکانیزم‌هایی برای افراد آسیب‌دیده جهت اعتراض و تصحیح تصمیماتی است که به نظر آنها ناعادلانه یا تبعیض‌آمیز است.   علاوه بر این، شفافیت در طراحی و عملکرد این سیستم‌های هوش مصنوعی بسیار حیاتی است. مقامات مالیاتی باید بتوانند توضیح دهند که سیستم‌هایشان چگونه کار می‌کنند، از چه داده‌هایی استفاده می‌کنند و چگونه تصمیم‌گیری‌ها انجام می‌شود. این نه تنها باعث اعتماد به سیستم می شود، بلکه اطلاعات لازم را برای مالیات‌دهندگان فراهم می‌کند تا درک کنند و در صورت لزوم، به تصمیماتی که بر آنها تأثیر می‌گذارد، اعتراض کنند. 
  
  
•      به طور خلاصه، در حالی که هوش مصنوعی مزایای بالقوه زیادی برای تطابق و اجرای مالیاتی دارد، توجه دقیق به اطمینان از شفافیت، انصاف و عدم وجود سوگیری در این سیستم‌ها ضروری است. این نیازمند یک رویکرد جامع است که شامل نظارت‌های قانونی، اقدامات فنی و تعهد به شفافیت و پاسخگویی از سوی مقامات مالیاتی می‌شود.
  
  
•      به شیوه‌ای غیر تبعیض‌آمیز، یعنی بدون تفاوت قائل شدن بین مالیات‌دهندگان بدون توجیه عینی و منطقی. بر اساس قوانین مرتبط، تفاوت در رفتار با مالیات‌دهندگان تا زمانی که برای دستیابی به هدف مشروعی که توسط اداره مالیات دنبال می‌شود مناسب و ضروری باشد، مجاز است.   با این حال، چنین رفتار تبعیض‌آمیزی در مالیات می‌تواند نتیجه‌های ناخواسته‌ای از مدل‌های هوش مصنوعی باشد. این مدل‌ها به طور طبیعی از تعصب رنج می‌برند که ممکن است ناشی از مجموعه داده‌های نامتعادلی باشد که برای آموزش استفاده شده است. این می‌تواند به وضعیتی منجر شود که در آن سیستم هوش مصنوعی تصمیم خود را بر اساس ویژگی‌های ممنوعه (مانند تبعیض بر اساس نژاد، قومیت یا جنسیت) یا ویژگی‌هایی که برای تصمیم‌گیری مرتبط نیستند، اتخاذ کند. این خطر وجود دارد که سیستم تعیینات نادرستی ارائه دهد، به ویژه اگر داده‌های آموزشی موجود خیلی گسترده بوده (شامل اطلاعات شخصی غیر مرتبط با مقاصد مالیاتی) یا خیلی کم بوده باشد (مانند زمانی که فقط داده‌های مربوط به مالیات‌دهندگان زن قبلاً بازرسی شده برای ساخت مدل استفاده شده باشد).
  
  

مسوولیت‌پذیری و نظارت

•     استفاده از فناوری‌های هوش مصنوعی در حوزه مالیات این سوال را به وجود اورده  اگر تعیینات سیستم مالیاتی هوش مصنوعی نادرست باشد، چه کسی مسئول است؟ . این  زمانی حادث می شود که اداره مالیات یا سیستم مورد استفاده توسط مالیات‌دهندگان در تعیین تعهدات مالیاتی اشتباه کند. این سوال در مورد سیستم‌های هوش مصنوعی که توسط ادارات مالیاتی استفاده می‌شوند، اهمیت ویژه‌ای پیدا می‌کند.  تقریباً در تمام سیستم‌های حقوق مالیاتی، اصول حقوق اداری اعمال می‌شود. از جمله این اصول، اصل مسئولیت‌پذیری است که نیازمند آن است که همیشه یک فرد مسئول تصمیم اداری باشد. این اصل ایجاب می‌کند که شهروندان همیشه بدانند که در صورت خطای نهاد اداری، به چه کسی می‌توانند برای جبران خسارت مراجعه کنند. از این لحاظ، مشاهده شده است که این اصل مستلزم آن است که همیشه یک ناظر انسانی وجود داشته باشد که مسئولیت تصمیمات اتخاذ شده توسط سیستم‌های هوش مصنوعی را بر عهده داشته باشد. این امر تضمین می‌کند که  افرادی که تحت تأثیر تصمیمات مبتنی بر هوش مصنوعی قرار گرفته‌اند، دارای راهی برای درخواست جبران و اصلاح هستند. اصل مسئولیت‌پذیری بسیار حائز اهمیت است زیرا با اطمینان از شفافیت و مسئولیت‌پذیری در اقدامات اداری، یکپارچگی سیستم حقوقی را حفظ می‌کند.
  
  
•      علاوه بر این، استفاده از هوش مصنوعی در اداره مالیات نیاز به مکانیزم‌های نظارتی دقیقی دارد تا از بروز  اشتباهات یا تعصبات احتمالی جلوگیری کند. این مکانیزم‌ها باید شامل بازرسی‌های منظم از سیستم‌های هوش مصنوعی، فرآیندهای شفاف برای تصمیم‌گیری و راهکارهایی برای مالیات‌دهندگان جهت به چالش کشیدن تصمیماتی که معتقدند نادرست یا متعصبانه هستند، باشند. به طور کلی، در حالی که هوش مصنوعی می‌تواند کارایی و دقت در اداره مالیات را افزایش دهد، لازم است که استفاده از آن به دقت مدیریت و نظارت شود تا عدالت، مسئولیت‌پذیری و حاکمیت قانون حفظ شود.
  

نکات کلیدی شامل موارد زیر است:

•      مسئولیت‌پذیری در امور مالیاتی:
  مودیان مالیاتی باید حق داشته باشند که تصمیمات گرفته‌شده توسط هوش مصنوعی مورد بازنگری انسانی قرار گیرد. این امر نیازمند شفافیت در فرآیند تصمیم‌گیری هوش مصنوعی است تا حق مداخله انسانی به‌طور معنادار قابل اجرا باشد.
•      حق توضیح و مداخله انسانی:
  استفاده مؤثر از حق مداخله انسانی نیازمند فهم چگونگی رسیدن مدل‌های هوش مصنوعی به نتایج است. این ارتباط نشان‌دهنده نیاز به شفافیت و وضوح در فرآیندهای هوش مصنوعی است.
•      اصل انسان در کنترل:
  ماده 14  قانون هوش مصنوعی تأکید دارد که سیستم‌های هوش مصنوعی پرخطر باید به‌گونه‌ای طراحی شوند که نظارت مؤثر انسانی ممکن باشد، به طوری که اشخاص حقیقی بتوانند در طول مدت استفاده از هوش مصنوعی مداخله کنند
•      جلوگیری از اقدامات غیرقانونی:
  هوش مصنوعی می‌تواند برای فرار مالیاتی یا اجتناب از پرداخت مالیات سوءاستفاده شود، مانند بهره‌برداری از شکاف‌های قانونی یا بهینه‌سازی تعهدات مالیاتی به‌صورت غیرقانونی. این مسئله به دوگانگی استفاده از فناوری‌های هوش مصنوعی و نیاز به حفاظت‌های قانونی برای جلوگیری از سوءاستفاده اشاره دارد.

جمع بندی

•     در این مقاله، مروری بر مهمترین چالش‌های حقوق مالیاتی ناشی از استفاده از هوش مصنوعی ارائه شده است. ما به بررسی نحوه تغییر هوش مصنوعی در فرآیند تولید و زنجیره ارزش و به چالش کشیدن مفاهیم حقوقی سنتی مالیات پرداخته‌ایم. علاوه بر این، به بررسی کاربردهای فعلی و نویدبخش هوش مصنوعی برای رعایت داوطلبانه مودیان و اجرای قانون مالیات پرداخته‌ایم. 
•      در خصوص بخش اول، در رابطه با مفهوم شخص مالیاتی، این مقاله به بررسی بحث جاری در مورد احتمال اعطای وضعیت حقوقی به ربات‌ها پرداخته است. این دیدگاه به نظر می‌رسد به دلیل نیاز به مقابله با اثرات اتوماسیون وظایف انسانی و حفظ اقتصادهای ملی ایجاد شده باشد. با این حال، فقدان تعریف مشخص از ربات‌ها و دشواری نسبت دادن توانایی پرداخت به آن‌ها  و نه به مالک یا کاربر  به یک راه‌حل جایگزین نیاز دارد. نکات کلیدی شامل:
•      تعریف اشخاص مالیاتی و مسئولیت‌ها: با سیستم‌های هوش مصنوعی و ربات‌هایی که وظایف انسان‌ها را انجام می‌دهند، بحثی درباره اینکه آیا این سیستم‌ها باید وضعیت مالیاتی مستقلی داشته باشند یا اینکه مالکان/اپراتورهای آن‌ها باید مسئولیت کامل داشته باشند، وجود دارد. عدم تعریف واضح و دشواری در نسبت دادن ظرفیت اقتصادی به نهادهای هوش مصنوعی این موضوع را پیچیده می‌کند. 
•      قیمت‌گذاری انتقالی و فرار مالیاتی: هوش مصنوعی می‌تواند برای دستکاری قیمت‌گذاری انتقالی و انتقال سود به مناطق با مالیات پایین استفاده شود. مکانیزم‌های نظارتی مؤثر و همکاری‌های بین‌المللی قوی لازم است تا با چنین اعمالی مقابله شود و اطمینان حاصل شود که سود در جایی که ارزش واقعاً ایجاد شده، مالیات‌گیری می‌شود.
•      اصل سرزمینی و حضور اقتصادی: مفهوم سنتی  اصل سرزمینی که مالیات‌گیری را به حضور فیزیکی مرتبط می‌کند، با مدل‌های کسب و کار دیجیتال به چالش کشیده می‌شود. نیاز به درک دقیق‌تری از حضور اقتصادی وجود دارد.      
•      اقدامات نظارتی و انطباق: برای جلوگیری از سوء استفاده از هوش مصنوعی در فرار مالیاتی، باید مقررات جامع و چارچوب‌های انطباقی ایجاد شود. این باید شامل دستورالعمل‌هایی برای استفاده اخلاقی از هوش مصنوعی، شفافیت در فرآیندهای تصمیم‌گیری هوش مصنوعی و استانداردهای حسابرسی سخت‌گیرانه باشد.
•     همکاری بین‌المللی: با توجه به جهانی بودن اقتصادهای دیجیتال، همکاری بین‌المللی ضروری است. استانداردسازی قوانین و تعاریف مالیاتی در مرزها می‌تواند به کاهش خطرات فرسایش پایه مالیاتی و انتقال سود کمک کند و اطمینان حاصل کند که مالیات‌گیری منصفانه و مداوم در سراسر جهان انجام می‌شود.
•     در نتیجه، افزایش هوش مصنوعی و اتوماسیون هم فرصت‌ها و هم چالش‌هایی را در حوزه حقوق مالیات ایجاد می‌کند. سیاست‌گذاران باید به صورت پیش‌گیرانه به این مسائل پرداخته و یک محیط مالیاتی منصفانه را که با چشم‌انداز اقتصادی در حال تکامل هماهنگ است، در حالی که از سوء استفاده جلوگیری کرده و انطباق را تضمین می‌کنند، طراحی کنند.

نویسنده اصلی مقاله: فدریکو گالی و الیسیا فیلد انجلی

سایت منتشر کننده: research gate.com