Por Alexandre Alcantara<\/p>\n
O estudo \u201cTax authorities deploy AI machine learning and RPI to detect VAT fraud<\/strong>\u201d publicado hoje por uma empresa global de tecnologia especializada em Impostos de Valor Adicionado (Value Added Tax \u2013 VAT, ou IVA, Imposto de Valor Adicionado, o futuro IBS e CBS brasileiro) apresenta v\u00e1rios exemplos sobre como as novas tecnologias tem sido grande aliadas das administra\u00e7\u00f5es tribut\u00e1rias ao redor mundo para recupera\u00e7\u00e3o e controle de cr\u00e9dito tribut\u00e1rio.<\/p>\n No estudo s\u00e3o apresentados experi\u00eancia de pa\u00edses como Brasil, Canad\u00e1, Singapura, It\u00e1lia Fran\u00e7a, Pol\u00f4nia, Su\u00e9cia, Malta, Reino Unido, Holanda,\u00a0 Irlanda, \u00cdndia, Estados unidos, Vietn\u00e3. S\u00e3o descritos utiliza\u00e7\u00f5es na \u00e1rea de controle de arrecada\u00e7\u00e3o, cruzamento de dados financeiros com a escritura\u00e7\u00e3o dos contribuintes, an\u00e1lise de pedidos de compensa\u00e7\u00e3o do VAT, an\u00e1lise de ocupa\u00e7\u00e3o do solo via sat\u00e9lite para c\u00e1lculo dos impostos de propriedade de im\u00f3veis, dentre tantas outras aplica\u00e7\u00f5es.<\/p>\n Um dos casos citados, e que abre o texto do estudo cita a Rom\u00eania, que a partir de janeiro de 2024 passar\u00e1 a utilizar a Fatura Eletr\u00f4nica (equivalente a NF-e brasileira).<\/p>\n O Ministro da Digitaliza\u00e7\u00e3o da Rom\u00e9nia<\/a> afirmou\u00a0que\u00a0a utiliza\u00e7\u00e3o da aprendizagem autom\u00e1tica de Intelig\u00eancia Artificial e da Automa\u00e7\u00e3o Rob\u00f3tica de Processos (RPA – Robotic Process Automation) aumentou as receitas de IVA do pa\u00eds entre 0,9% e 1,0%.<\/em><\/p>\n \u00a0<\/em><\/p>\n A administra\u00e7\u00e3o fiscal tem utilizado IA, ERPs, rob\u00f4s que processam dados automaticamente e os correlacionam para obter dados financeiros relevantes, para aumentar a arrecada\u00e7\u00e3o de IVA.<\/em> [2]<\/p><\/blockquote>\n A Automa\u00e7\u00e3o Rob\u00f3tica de Processos<\/em> (RPA) \u00e9 uma tecnologia disruptiva, que tem por objetivo a execu\u00e7\u00e3o automatizada de tarefas rotineiras, que geralmente seriam desempenhadas por seres humanos, de maneira automatizada, descomplicada e altamente flex\u00edvel. Isso resulta em um aprimoramento significativo da efici\u00eancia das organiza\u00e7\u00f5es em seus fluxos de trabalho, sejam elas p\u00fablicas ou privadas<\/p>\n Outro caso \u00e9 o Xenon, desenvolvido na Holanda e que j\u00e1 est\u00e1 sendo utilizado por seis pa\u00edses da Uni\u00e3o Europeia. Essa ferramenta levou em considera\u00e7\u00e3o que \u201cnos \u00faltimos anos, o volume de atividades (tribut\u00e1veis) realizadas na Internet aumentou. Por conseguinte, tornou-se necess\u00e1rio o desenvolvimento de um instrumento automatizado para a dete\u00e7\u00e3o dessas atividades tribut\u00e1veis. Um rob\u00f4 web, XENON, foi desenvolvido pela Administra\u00e7\u00e3o Tribut\u00e1ria Holandesa e est\u00e1 em uso desde 2004\u201d. \u00a0<\/em>[2]<\/p>\n O case brasileiro destacado no estudo foi a Fiscaliza\u00e7\u00e3o de Alto Performance (FAPE) desenvolvida pela Receita Federal do Brasil (RFB):<\/em><\/p>\n O Brasil tem usado insights comportamentais de IA (chamados de ‘Fiscaliza\u00e7\u00e3o de Alto Performance – FAPE) para analisar os resultados de diversas solicita\u00e7\u00f5es de cartas fiscais padr\u00e3o aos contribuintes. Tem avaliado a resposta do contribuinte com base nos seus antecedentes e circunst\u00e2ncias particulares para determinar o tom ideal das comunica\u00e7\u00f5es fiscais e a alavanca de afirma\u00e7\u00e3o. A partir disto, as autoridades s\u00e3o capazes de determinar a melhor abordagem a adoptar em futuras consultas ou auditorias dos contribuintes.<\/em><\/p>\n<\/blockquote>\n A tecnologia brasileira citado neste estudo consiste em utiliza\u00e7\u00e3o de plugins desenvolvidos por auditores fiscais da Receita Federal do Brasil para rodar no aplicativo de auditoria Cont\u00e1gil, utiizando informa\u00e7\u00f5es das bases de dados da pr\u00f3prias RFB e integrando com o m\u00f3dulo \u201cProjeto Farol\u201d da ferramenta. Isto tem possibilitado grandes avan\u00e7os nos trabalhos de a\u00e7\u00f5es de autoregulariza\u00e7\u00e3o pelos contribuintes jurisdicionados pela RFB. [3] e [4]<\/p>\n Em um trabalho premiado no Pr\u00eamio de Criatividade e Inova\u00e7\u00e3o da Receita Federal do Brasil, o FAPE \u00e9 descrito em detalhes, e nele \u00e9 descrito alguns dos ganhos de produtividade ap\u00f3s a sua implementa\u00e7\u00e3o:<\/p>\n Importante citar como exemplo factual que um Auditor que se dedicasse apenas a lan\u00e7amentos de GILRAT [Grau de Incid\u00eancia de Incapacidade Laborativa decorrente dos Riscos Ambientais do Trabalho] manuais, fazia em m\u00e9dia 7 lan\u00e7amentos ano. A equipe do FAPE com 6 a 8 Auditores e Analistas efetuou 2 mil lan\u00e7amentos al\u00e9m de obter a regulariza\u00e7\u00e3o de 5 mil contribuintes sem a necessidade de lan\u00e7amento. Assim temos uma m\u00e9dia de 1000 contribuintes\/Auditor\/ ano contra a realidade anterior de 7 contribuintes\/Auditor\/ ano<\/em><\/p>\n Quanto a Sele\u00e7\u00e3o, um auditor experiente em sele\u00e7\u00e3o conseguia manualmente selecionar 150 contribuintes\/ano para serem fiscalizados sendo que boa parte n\u00e3o seria fiscalizada por falta de recursos humanos, vimos que na primeira etapa em 2017 foram selecionados 7200 contribuintes e na segunda etapa em 2018 35.000.<\/em><\/p>\n Assim, temos que com os 7 a 8 auditores envolvidos no projeto, realizamos em 2017 o trabalho de mais de 1060 auditores e estamos realizando em 2018 o trabalho que antes s\u00f3 poderia ser feito por mais de 5000 auditores, praticamente o total do contingente de Auditores na fiscaliza\u00e7\u00e3o da RFB.<\/em><\/p>\n <\/p>\n Com essa iniciativa e seu desenvolvimento e consolida\u00e7\u00e3o, a Receita Federal ter\u00e1 ferramenta capaz de proporcionar r\u00e1pida e pouco custosa a\u00e7\u00e3o de incremento de percep\u00e7\u00e3o da presen\u00e7a fiscal e conseq\u00fcente arrecada\u00e7\u00e3o.<\/em><\/p>\n<\/blockquote>\n Notas de Refer\u00eancia<\/strong><\/p>\n [1] Tax authorities deploy AI machine learning and RPI to detect VAT fraud. <\/strong>[2023] Dispon\u00edvel em: <https:\/\/www.vatcalc.com\/romania\/romania-credits-ai-for-1-increase-in-vat-revenues\/<\/a>> \u00a0Acesso em: 13 nov. 2023.<\/p>\n [2] Conforme descrito em \u201cCompliance Risk Management: Guide for Tax Administrations<\/strong>\u201d. Uni\u00e3o Europeia [2010] . Dispon\u00edvel em: <https:\/\/taxation-customs.ec.europa.eu\/system\/files\/2023-01\/Compliance%20risk%20management%20guide%20for%20tax%20administrations.pdf<\/a>> Acesso em: 13 nov. 2023.<\/p>\n [3] Fiscaliza\u00e7\u00e3o de Alta Performance – FAPE<\/strong>. [2018] Dispon\u00edvel em: <http:\/\/repositorio.enap.gov.br\/handle\/1\/4641<\/a>> Acesso em: 13 nov. 2023.<\/p>\n [4] Opera\u00e7\u00e3o GILRAT da Receita Federal pode resultar em mais de 242 milh\u00f5es para a Previd\u00eancia dos Trabalhadores<\/strong>. Receita Fdeeral do Brasil [2021] Dispon\u00edvel em: <https:\/\/www.gov.br\/receitafederal\/pt-br\/assuntos\/noticias\/2021\/outubro\/operacao-gilrat-da-receita-federal-pode-resultar-em-mais-de-242-milhoes-para-a-previdencia-dos-trabalhadores<\/a>> Acesso em: 13 nov. 2023.<\/p>\n\n
\n
\n
\n\n