La Commissione Parlamentare di vigilanza sull’anagrafe tributaria ha pubblicato una indagine conoscitiva su “Misure di contrasto all’evasione fiscale, sicurezza delle banche dati dell’anagrafe tributaria e tutela della riservatezza dei dati dei contribuenti”.
Il documento contiene le riflessioni di Giacomo Ricotti (Banca d’Italia) con uno sguardo anche a UE, UK e USA — e un capitolo su privacy e diritti. Dallo studio emerge che la vera difficoltà è nell’approccio all’utilizzo della AI: ci troviamo di fronte ad un ausilio potentissimo a servizio della intelligenza umana, non ad un suo surrogato.
Indice degli argomenti
Perché l’IA è diventata centrale per la lotta all’evasione
L’intelligenza artificiale non “sostituisce” l’accertatore: lo assiste. Questa è la chiave. Oggi le amministrazioni fiscali dispongono di flussi massivi —fatture elettroniche, corrispettivi telematici, anagrafe dei rapporti finanziari, scambi internazionali — che nessun team umano potrebbe setacciare a mano. L’IA può intervenire in vari modi.
- Supporto a politiche di compliance – nell’ottica di scoraggiare l’evasione fiscale, possono essere organizzate attività finalizzate ad indurre i contribuenti a rispettare gli obblighi.
- Selezione mirata dei rischi – modelli predittivi e analisi su grafici portano a galla reti di fatturazione anomale (frodi carosello, fatture per operazioni inesistenti o comunque irregolari), “hub” sospetti, incoerenze tra vendite, margini e movimenti finanziari3. Non oracoli, ma liste di rischio spiegabili: punteggio, perché e quali fattori hanno contribuito.
- Tempestività – nel contrasto alla evasione fiscale, il tempo è tutto. L’IA consente alert quasi in tempo reale: una sequenza di fatture inaudita, un picco di rimborsi, un pattern che ricorda una frode nota. Intervenire prima che il danno maturi vale più che recuperare tardi.
- Capacità istruttoria – natural language processing (NLP) e sistemi di ricerca “intelligenti” consentono il risparmio di ore alla lettura di atti, perizie, scritture contabili; suggeriscono lacune documentali, costruiscono checklist per il contraddittorio, aggiungono coerenza alla motivazione degli atti. Queste tecnologie, oltre a migliorare l’efficienza dell’amministrazione finanziaria, ma consentire l’analisi predittiva dei comportamenti e del rischio di evasione e l’esame in tempo reale dei dati; nell’ambito dei servizi al contribuente, la Gen-AI può permettere l’implementazione di forme di assistenza virtuale. La stessa delega fiscale promuove l’impiego dell’AI per migliorare l’analisi del rischio5.
L’obiettivo è quindi: più colpi a segno, meno intrusività sui contribuenti in regola. Ciò però può avvenire solo se si riesce a coniugare il metodo con le garanzie.
Cosa serve davvero: infrastruttura, regole, governance
La tecnologia da sola non basta. Tre pilastri sorreggono l’IA “utile”.
1) Infrastruttura (interoperabilità e qualità dei dati). La promessa dell’IA cade se i data set non “parlano” tra loro o se i metadati sono incoerenti. Servono standard, glossari condivisi, log e tracciabilità: chi ha consultato cosa, quando, perché. Questo serve anche per dare manforte alla analisi rivolte alla tutela della privacy.
2) Regole (base giuridica e processo). Le norme recenti spingono su analisi del rischio e scambio dati. Ma il messaggio corretto è: l’automazione aiuta l’istruttoria, non decide al posto dell’amministrazione. Ogni esito va ricondotto a motivazioni comprensibili e sostenibili in giudizio.
3) Governance (organizzazione e tutela della privacy). I progetti funzionano quando siedono allo stesso tavolo esperti fiscali, legali/privacy e data science. Con ruoli chiari: data owner e steward, un manuale di Model Risk Management (validazioni indipendenti, metriche, versioning), e procedure di explainability obbligatorie.
Casi d’uso che fanno la differenza (e come misurarli)
Le applicazioni devono essere accompagnate da Key Performance Indicators (indicatori chiave di performance – KPI) chiari.
- Selezione dei controlli IVA e redditi.
Come: gradient boosting7 o random forest8 per punteggi, analisi su grafi per reti; regole precise per evitare sconfinamenti e perdita di efficacia dei controlli.
- KPI: tasso di accertamenti con esito positivo (hit-rate), recupero medio per intervento, giorni di istruttoria risparmiati.
- Antifrode intra-UE (ViDA/DRR).
Come: streaming su operazioni B2B transfrontaliere per intercettare “frodi carosello” soprattutto in ambito IVA.
KPI: tempo medio di intercettazione di schemi carosello; analisi preventiva del gettito IVA (o l’imposta/rischio economico) che l’amministrazione evita di perdere grazie a interventi prima che la frode si completi (es. stop a rimborsi anomali, sospensione di partite IVA/cartiere, blocco di compensazioni indebite, fermo di operazioni intra-UE sospette).
- Nudging e “compliance-by-design”.
Come: comunicazioni proattive su anomalie lievi, assistenti fiscali integrati nei gestionali.
KPI: percentuale di regolarizzazioni entro 30/60 giorni; calo degli errori formali.
- Riscossione data-driven.
Come: modelli di propensione al pagamento, piani rateali dinamici, priorità su beni più recuperabili.
KPI: incassi a 90/180 giorni; tasso di successo dei piani; riduzione dello stock “deteriorato”.
- Supporto istruttorio con Natural Language Processing
Come: classificazione atti, estrazione elementi probatori, suggerimenti di quesiti per il contraddittorio, accesso anche mediante sistemi di IA. La trasparenza ed accessibilità anche agli utenti del sistema NLP potrebbe risolvere drasticamente una buona parte delle presunte irregolarità.
KPI: ore/uomo risparmiate; coerenza delle motivazioni; esiti in contenzioso.
Il confronto internazionale
Spagna e Francia hanno investito da anni su basi dati integrate e servizi pro-contribuente; l’IA viaggia su una ferrovia già posata: e-invoicing, API pubbliche, precompilata estesa. Risultato: selettività maggiore, VAT gap in calo.
Germania e Regno Unito puntano su analytics e integrazioni robuste con i “sistemi naturali” delle imprese (software contabili, paghe, fatturazione). Meno clamore, più ingegneria dei dati.
USA recuperano terreno con investimenti su modernizzazione e analytics; l’adozione di IA cresce, ma il mosaico federale e la legacy rallentano l’omogeneità dei risultati.
La lesson learned? La riduzione del gap dipende prima dalla qualità dei dati e dei processi, poi dagli algoritmi. L’IA amplifica ciò che c’è: se i dati sono frammentati, amplifica le imperfezioni.
Privacy e diritti: il “come” vale quanto il “cosa”
L’IA fiscale è accettabile solo se è giuridicamente sostenibile e socialmente legittima. Tradotto in pratica:
- AI-assisted, non AI-driven. Le liste di rischio non sono decisioni. Ogni atto conclusivo richiede valutazione umana, motivazione e contraddittorio effettivo. Questo rappresenta un attuale limite dei controlli della AF: si ha l’impressione che una volta avviato il controllo, questo debba concludersi necessariamente con esito positivo per l’AF10.
- Trasparenza e spiegabilità. Niente “scatole nere”: tracciabilità degli input, versioni dei modelli e ragioni comprensibili nel provvedimento (quali elementi non sono stati accolti e perché)11;
- Minimizzazione e proporzionalità. Si devono utilizzare solo i dati necessari, per finalità determinate; evitando riutilizzi disinvolti o incontrollati. Data Protection Impact Assessment e diagrammi e scenari ex ante di protezione dati sui progetti più invasivi.
- Sicurezza by design. Cifratura, controllo accessi granulare, logging immutabile, data residency, controlli periodici.
- Gestione fornitori12. Clausole su responsabilità, portabilità dei modelli/dati, piani di exit per evitare stalli. Preferenza per soluzioni sotto controllo pubblico quando si trattano dati sensibili.
- Indicatori di qualità e trasparenza. Monitorare falsi positivi, deviazioni per settori/territori, analisi preventiva degli scostamenti dei modelli; prevedere canali semplici di contestazione e rettifica.
L’analisi della situazione
Nei rapporti tra Fisco e Contribuente, assistiamo ad un paradosso: l’esito dei controlli formali ingolfa l’intero sistema, generando un folto contraddittorio che non sempre si risolve e quindi spesso alimenta il processo Tributario o, comunque, la emissione di cartelle di pagamento a pioggia. Attualmente, sia che il controllo formale riguardi pochi Euro o milioni di Euro, proceduralmente non fa alcuna differenza. Se sotto un profilo squisitamente metodologico la rilevanza quantitativa dovrebbe essere irrilevante13, dal momento che le risorse umane della Amministrazione Finanziaria sono “scarse”, sarebbe opportuno introdurre quanto meno canali differenziati in relazione alla dimensione della “non conformità”, in modo da non correre il rischio che si perseguano debiti “bagattellari” e si lascino sfuggire debiti rilevanti. L’unico modo equo per trovare un rimedio sarebbe quello di gestire a monte le “non conformità”, per esempio attribuendo alle categorie degli intermediari un maggior potere di esame e risoluzione dei casi “minori”, magari previa apposita convenzione con l’Agenzia delle Entrate e con la prestazione di adeguate garanzie, limitando l’intervento della Amministrazione Finanziaria solo ai casi più controversi.
L’IA non è una bacchetta una magica né uno spauracchio.
È una forza moltiplicatrice: premia i sistemi che hanno dati puliti, regole chiare e governance seria. Laddove si è investito prima sull’infrastruttura e sulla qualità, l’IA ha già mostrato di poter ridurre l’evasione e semplificare la vita ai contribuenti. Il confine da non superare è limpido: diritti e trasparenza non sono un ostacolo, sono il motore di fiducia che rende sostenibile — tecnicamente, giuridicamente e socialmente — l’innovazione fiscale. Perché ciò si realizzi, oltre la infrastruttura, occorre anche instaurare un clima di fiducia soprattutto tra le categorie professionali intermediarie e l’Amministrazione Finanziaria.
