Από το 2026, οι φορολογικοί έλεγχοι στην Ελλάδα εισέρχονται σε μια νέα φάση. Η ΑΑΔΕ ενεργοποιεί ένα αναβαθμισμένο μοντέλο ελεγκτικών διαδικασιών που βασίζεται σε ανάλυση μεγάλων δεδομένων (big data analytics) και εργαλεία τεχνητής νοημοσύνης (AI), με στόχο την πιο στοχευμένη επιλογή υποθέσεων, την ταχύτερη ανίχνευση αποκλίσεων και την αποτελεσματικότερη καταπολέμηση της απάτης , ιδίως στον ΦΠΑ.Για να γίνει κατανοητό , σε επίπεδο φιλοσοφίας, οι νέοι έλεγχοι της ΑΑΔΕ θυμίζουν το μοντέλο «προληπτικής επιτήρησης» της ταινίας Minority Report , όχι γιατί «προβλέπουν» την παραβατικότητα με απόλυτη βεβαιότητα, αλλά γιατί λειτουργούν με δείκτες κινδύνου και μοτίβα που οδηγούν σε στοχευμένη παρέμβαση πριν η απόκλιση παγιωθεί.
Η αλλαγή λοιπόν δεν είναι μόνο τεχνολογική ,αλλά οργανωτική και επιχειρησιακή , αφού η φορολογική διοίκηση μετακινείται από τον παραδοσιακό έλεγχο, που συχνά στηριζόταν σε δειγματοληψία, καταγγελίες ή τοπικές πρωτοβουλίες, σε ένα σύστημα risk profiling. Δηλαδή, σε έναν μηχανισμό που αξιολογεί κάθε φορολογούμενο (φυσικό πρόσωπο ή επιχείρηση) με βάση πιθανότητες κινδύνου και ενδείξεις ασυνέπειας, μέσα από την επεξεργασία πολλαπλών πηγών δεδομένων.
Στο νέο περιβάλλον, το κρίσιμο βήμα δεν είναι απλώς να γίνει ο έλεγχος, αλλά να επιλεγεί σωστά ο στόχος. Η ΑΑΔΕ επενδύει σε συστήματα που δημιουργούν και ενημερώνουν δυναμικά ένα ψηφιακό προφίλ για κάθε φορολογούμενο. Το προφίλ αυτό δεν περιλαμβάνει μόνο δηλωτικά δεδομένα (δηλώσεις εισοδήματος, ΦΠΑ κ.λπ.), αλλά εμπλουτίζεται με πληροφορία από πραγματικές συναλλαγές και οικονομικό αποτύπωμα.Η επιλογή των υποθέσεων θα γίνεται πλέον με βάσητις αποκλίσεις από ιστορικά δεδομένα του ίδιου φορολογούμενου,αποκλίσεις από τον μέσο όρο του κλάδου ή της γεωγραφικής περιοχής,ασυνήθιστα μοτίβα συναλλαγών,δικτυακές συσχετίσεις (προμηθευτές, πελάτες, ενδιάμεσοι),συμπεριφορές που εμφανίζονται συχνότερα σε υποθέσεις μη συμμόρφωσης.Με τον τρόπο αυτό, οι φορολογικοί έλεγχοι γίνονται λιγότερο «τυχαίοι» και περισσότερο στοχευμένοι. Πρακτικά, η ΑΑΔΕ δεν αναζητά πλέον μόνο παραβάσεις ως μεμονωμένες πράξεις. Αναζητά μοτίβα ασυνέπειας, γιατί αυτά συνήθως οδηγούν σε ουσιαστικά ευρήματα.
Δεδομένα από myDATA, POS, τράπεζες, τελωνεία
Η τεχνητή νοημοσύνη λειτουργεί μόνο όταν έχει διαρκή πρόσβαση σε αξιόπιστα δεδομένα. Τα τελευταία χρόνια η ΑΑΔΕ έχει αποκτήσει δυνατότητα συλλογής, διασύνδεσης και αξιοποίησης μεγάλων όγκων πληροφοριών, με κρίσιμες πηγές όπως : myDATA , διασύνδεση ταμειακών μηχανών με την ΑΑΔΕ,συναλλαγές μέσω POS και ηλεκτρονικές πληρωμές,δεδομένα από τραπεζικές κινήσεις (εισπράξεις, πληρωμές, μεταφορές),τελωνειακή πληροφορία μέσω ICISnet, διάφορα μητρώα (ακίνητα, οχήματα, εταιρικές μεταβολές, δηλωτικά στοιχεία).
Η μεγάλη διαφορά του νέου μοντέλου είναι η συνδυαστική ανάγνωση. Δεν εξετάζεται πια μόνο η φορολογική δήλωση. Εξετάζεται η συνολική εικόνα: τι δηλώνεται σε σχέση με το τι καταγράφεται ψηφιακά ως οικονομική δραστηριότητα. Όταν προκύπτει ασυμφωνία, το σύστημα μπορεί να τη χαρακτηρίσει ως «απόκλιση» και να τη μετατρέψει σε ένδειξη ελέγχου.
Τι μπορεί να εντοπίσει ένα “έξυπνο” σύστημα
Τα σύγχρονα εργαλεία ανάλυσης δεδομένων και μηχανικής μάθησης μπορούν να εντοπίζουν συγκεκριμένες κατηγορίες κινδύνου, χωρίς να απαιτούνται χρονοβόρες χειροκίνητες διασταυρώσεις.
Ενδεικτικά:
Ανωμαλίες τζίρου και κερδοφορίας : Ξαφνικές μεταβολές εσόδων ή περιθωρίου κέρδους χωρίς εύλογη εξήγηση.
Ασυνέπειες εισροών–εκροών: Υψηλές αγορές και προμήθειες χωρίς αντίστοιχες πωλήσεις ή δήλωση ΦΠΑ.
Αποκλίσεις POS – δηλωμένων εσόδων: Διαφορές μεταξύ εισπράξεων μέσω καρτών και δηλωθέντων εσόδων.
Υπερβολικές ακυρώσεις αποδείξεων:Μοτίβα που παραπέμπουν σε χειρισμούς με στόχο τη μείωση του δηλωμένου τζίρου.
Δικτυακή απάτη στον ΦΠΑ: Υποθέσεις τύπου «καρουζέλ» και «εξαφανισμένων εμπόρων», που στηρίζονται σε αλυσίδες συναλλαγών μεταξύ πολλών εταιρειών.
Ο κοινός παρονομαστής είναι ότι η ΑΑΔΕ στρέφεται σε μοντέλο ελέγχου που προσεγγίζει περισσότερο την «ανάλυση κινδύνου» παρά τον κλασικό εντοπισμό μεμονωμένης παράβασης.
Παραδείγματα από την αγορά
Τουριστική επιχείρηση με ασυνήθιστες αποκλίσεις
Μια επιχείρηση εστίασης σε τουριστική περιοχή εμφανίζει χαμηλά δηλωμένα έσοδα στους μήνες αιχμής. Ταυτόχρονα, οι αγορές πρώτων υλών και αναλώσιμων είναι υψηλές, ενώ οι εισπράξεις μέσω POS δείχνουν μεγαλύτερο όγκο συναλλαγών από αυτόν που αποτυπώνεται στα δηλωμένα δεδομένα. Το σύστημα δεν χρειάζεται «υποψία». Χρειάζεται μόνο τη διαπίστωση ότι τα δεδομένα δεν συμφωνούν.
Κατάστημα λιανικής με αυξημένες ακυρώσεις
Επιχείρηση εμφανίζει υπερβολικό αριθμό ακυρώσεων αποδείξεων, ιδίως σε συγκεκριμένες ώρες ή ημέρες. Σε συνδυασμό με ασυνέπειες μεταξύ διαβίβασης στο myDATA και εισπράξεων μέσω καρτών, ο δείκτης κινδύνου ανεβαίνει. Αυτό μπορεί να οδηγήσει σε αιτήματα παροχής στοιχείων ή σε έλεγχο.
Εμπορική επιχείρηση με “ύποπτο” δίκτυο συναλλαγών
Το σύστημα εντοπίζει συναλλαγές με προμηθευτές που παρουσιάζουν υψηλό δείκτη κινδύνου ή χαρακτηριστικά «σχήματος» που συνδέεται με απάτη ΦΠΑ (π.χ. βραχύβιες εταιρείες, έντονη ενδοκοινοτική δραστηριότητα, συχνές μεταβολές). Σε τέτοιες περιπτώσεις, ο έλεγχος δεν επικεντρώνεται μόνο σε μία επιχείρηση αλλά επεκτείνεται στο δίκτυο συναλλαγών.
Σε όλα τα παραπάνω, η τεχνητή νοημοσύνη δεν «αποφαίνεται» ενοχή. Παράγει ενδείξεις. Όμως αυτές οι ενδείξεις αυξάνουν την πιθανότητα ελέγχου και μειώνουν τη δυνατότητα να περάσουν απαρατήρητες σοβαρές ασυνέπειες.
Desk audits: περισσότεροι έλεγχοι, λιγότερη φυσική παρουσία
Μια ακόμη κρίσιμη διάσταση του νέου μοντέλου είναι η ενίσχυση των desk audits: ελέγχων που διεξάγονται από τις υπηρεσίες της ΑΑΔΕ χωρίς επιτόπια παρουσία, μέσω ψηφιακών διασταυρώσεων και συλλογής στοιχείων. Αυτό αναμένεται να αυξήσει τον όγκο των ελέγχων και να μειώσει τον χρόνο αντίδρασης.Για τις επιχειρήσεις, αυτό σημαίνει ότι η φορολογική συμμόρφωση δεν θα αξιολογείται μόνο σε ετήσια βάση ή σε περιόδους έντονων ελέγχων, αλλά θα λειτουργεί σχεδόν συνεχώς μέσα από τη ροή των δεδομένων. Σε αυτό το πλαίσιο, ακόμη και «αθώες» ασυνέπειες ή λάθη διαβίβασης μπορεί να δημιουργήσουν εικόνα κινδύνου.
Η διεθνής εμπειρία και οι θεσμικές προϋποθέσεις
Η αξιοποίηση AI από φορολογικές αρχές αποτελεί διεθνή τάση. Πολλές χώρες του ΟΟΣΑ χρησιμοποιούν εργαλεία μηχανικής μάθησης για ανάλυση κινδύνου και βελτίωση της στόχευσης ελέγχων. Η Ιταλία αξιοποιεί εκτεταμένα ηλεκτρονική τιμολόγηση και διασταυρώσεις, η Εσθονία έχει αναπτύξει πρότυπες ψηφιακές υποδομές, ενώ η εμπειρία της Ολλανδίας υπενθυμίζει τη σημασία διαφάνειας και ανθρώπινης εποπτείας ώστε να αποφεύγονται αδικαιολόγητες στοχοποιήσεις επιχειρήσεων.Το ζητούμενο φυσικά για κάθε χώρα είναι να συνδυάσει την τεχνολογική αποτελεσματικότητα με θεσμικές δικλείδες: σωστή χρήση δεδομένων, προστασία προσωπικών πληροφοριών, και διαδικασίες που επιτρέπουν στον φορολογούμενο να τεκμηριώνει τις συναλλαγές του.
Η μετάβαση της ΑΑΔΕ σε «έξυπνους» ελέγχους σηματοδοτεί μια νέα ισορροπία. Το πεδίο περιορίζεται για όσους βασίζονταν σε αδιαφάνεια, ενώ ενισχύεται η δυνατότητα να εντοπίζονται απάτες και συστηματικές αποκλίσεις. Ταυτόχρονα όμως, ανεβαίνουν οι απαιτήσεις για συνέπεια μεταξύ δηλωτικών δεδομένων και πραγματικής οικονομικής δραστηριότητας.Στην πράξη, το νέο περιβάλλον επιβάλλει ένα σαφές συμπέρασμα: οι φορολογούμενοι και οι επιχειρήσεις χρειάζονται καλύτερη οργάνωση δεδομένων, σωστές διαδικασίες και έγκαιρη καθοδήγηση. Ο ρόλος του λογιστή–φοροτεχνικού μετατρέπεται σε ρόλο ουσιαστικού συμβούλου συμμόρφωσης και διαχείρισης κινδύνου, ο οποίος δεν περιορίζεται στην υποβολή δηλώσεων, αλλά στη διαρκή ευθυγράμμιση της επιχειρησιακής λειτουργίας με τη νέα ψηφιακή πραγματικότητα.Σε ένα περιβάλλον όπου οι αποκλίσεις εντοπίζονται με αλγοριθμικά κριτήρια και οι διασταυρώσεις γίνονται σχεδόν σε πραγματικό χρόνο, η συνεργασία με καταρτισμένους συμβούλους παύει να είναι επιλογή άνεσης. Γίνεται επιλογή ασφάλειας.
* Το παραπάνω κείμενο εκφράζει προσωπικές απόψεις και εκτιμήσεις του συντάκτη.Για την σύνταξη και διόρθωση του παρόντος, έγινε χρήση εργαλείων τεχνητής νοημοσύνης.
*Ο Βασίλης Βογιατζής MSc , είναι Λογιστής – Φοροτεχνικός Α’ Τάξης , ιδρυτής της Λογιστικής εταιρείας VoyiatzisGroup , με έδρα την Κω.