Portal del Contribuyente del Ayuntamiento de Madrid

La aplicación de tecnologías avanzadas en la gestión tributaria municipal puede transformar radicalmente los procesos de inspección, detección del fraude y atención al contribuyente. El uso de la inteligencia artificial en todos los ámbitos no es el futuro, es ya el presente, y los pasos agigantados a los que avanza es un tren al que la Agencia Tributaria Madrid (ATM) ya se ha subido.

Concretamente, la Administración tributaria tiene un amplio campo de materias donde explorar las bondades de la inteligencia artificial. La Inspección tributaria es una de ellas, pudiendo materializar más fácilmente la función que tiene encomendada según el primer apartado del artículo 141 de la Ley General Tributaria, “la investigación de los supuestos de hecho de las obligaciones tributarias para el descubrimiento de los que sean ignorados por la Administración”, con la finalidad de cumplir, en el ámbito estrictamente tributario, el principio de “nada hay oculto que no llegue a descubrirse, nada secreto que no llegue a saberse [por la Inspección tributaria]”.

La ATM ha emprendido una profunda transformación digital orientada a mejorar la eficiencia en la gestión tributaria, fortalecer la lucha contra el fraude y consolidar un modelo de “tributos inteligentes”. Este artículo analiza las estrategias que están siendo objeto de implementación por la ATM en el marco de sus planes estratégicos y de actuación, con especial atención al papel de la inteligencia artificial (IA), del Laboratorio Tributario y de las medidas aplicadas en la Inspección tributaria. Se destaca la relevancia de la tecnología como herramienta preventiva, la integración de datos para la detección de irregularidades y la evolución hacia una administración tributaria proactiva, conectada y centrada en el ciudadano.

La prevención del fraude fiscal se sitúa como eje central, abordada desde una perspectiva multidisciplinar que incluye la inspección, la recaudación, la asistencia al contribuyente y el uso intensivo de tecnologías emergentes como la inteligencia artificial. La prevención del fraude requiere herramientas potentes que permitan seleccionar candidatos de forma ágil y, sobre todo, precisa, para poder regularizar su situación tributaria. Estas herramientas deben transformar la inspección tributaria, pasando de un enfoque reactivo a uno predictivo, basado en datos y evidencias.

La estrategia de la ATM implementada desde 2021 ha incidido en la utilización de servicios y aplicaciones de análisis de información avanzada mediante el uso de algoritmos para mejorar y automatizar gran parte de los procesos de trabajo para la detección y prevención del fraude en todos los tributos. Concretamente, como se desarrollará más adelante, se ha comenzado con los trabajos de cruces de información en el Impuesto sobre el Incremento de Valor de los Terrenos de Naturaleza Urbana (IIVTNU), en el Impuesto sobre Construcciones, Instalaciones y Obras (ICIO), en el Impuesto sobre Actividades Económicas (IAE), en la Tasa por Utilización Privativa o Aprovechamiento Especial del Dominio Público Local en el ámbito de Terrazas y la Tasa por Utilización Privativa y Aprovechamientos Especiales Constituidos en el Suelo, Subsuelo o Vuelo de la Vía Pública a favor de empresas explotadoras de servicios de suministros (“Tasa del 1,5”), sin perjuicio de que, en un futuro cercano, se aborden el resto de tributos municipales.

Tanto el Plan Estratégico de la ATM para el periodo 2021 a 2024, como el recién aprobado para los ejercicios 2025 a 2028, inciden en la línea del fortalecimiento tributario mediante una redefinición y modernización de los procedimientos de investigación y de las actuaciones de comprobación del fraude tributario, con el desarrollo de medidas proactivas en la prevención del fraude (behavioural insights) y la utilización de tecnologías innovadoras en todos los ámbitos de la Inspección.

En el mismo sentido, a los tributos se les añade el apellido de “inteligentes”, creando en un primer momento el Laboratorio Tributario como servicio centralizador de toda la información y gestor en última instancia de la analítica avanzada de datos, el BigData y la inteligencia artificial en la prevención del fraude en el ámbito local.

La ATM está progresando activamente hacia una gestión más avanzada en la detección del fraude. Rápidamente se ven resultados medibles en la prevención, con una exploración activa del análisis de datos, la IA y la automatización. Si bien es posible que las capacidades aún no estén completamente optimizadas, la ATM demuestra un claro impulso y un fuerte compromiso con la implantación definitiva de la IA.

El Plan de Control Tributario de 2025, siguiendo la línea de los precedentes, también sitúa en primer plano la detección del fraude mediante mecanismos de alta tecnología e Inteligencia Artificial, recalcando la necesaria sinergia que debe existir entre el Laboratorio Tributario y la Inspección tributaria. El “cocinado” de los datos a través de algoritmos avanzados deben transformar la gestión de la información para que sea clara, precisa y veraz, y convertirse en sujetos individualizados sobre los que incoar los procedimientos de regularización de su situación tributaria. Como objetivo final, dichos procedimientos deben retroalimentar a la “cocina”, con la finalidad de detectar eficaz y eficientemente los supuestos de verdadero fraude, eliminando casos que pueden distorsionar los resultados y permitiendo una optimización en el funcionamiento de todas las partes implicadas.

Toda libertad conlleva su responsabilidad y, siguiendo las directrices del Plan Estratégico de la ATM, es necesaria la implementación de un marco legal y operativo, en el que se trabaja en la actualidad, que regule el uso de la IA en este ámbito, garantizando que su aplicación cumpla con las normativas vigentes y proteja los derechos de los contribuyentes. Este artículo analizará también los obstáculos a los que se puede enfrentar la utilización de la inteligencia artificial en el ámbito de la Inspección tributaria, las posibles trabas que pueden alegar los ciudadanos que se conviertan en sujetos inspeccionados, y las garantías que se están implementando en la ATM para salvaguardar los principios y derechos generales que puedan verse afectados.

2.1 Situación previa en la Inspección tributaria

Antes de la entrada en funcionamiento del Laboratorio Tributario, la labor de detección del fraude e identificación de omisiones de los diferentes tributos se basaba en la artesanía orfebre: el resultado era preciso y muy detallado, pero consumía muchos recursos tanto humanos como temporales.

En concreto, se recolectaba toda la información posible de todos los tributos que iban a ser objeto de análisis: IIVTNU, ICIO, Tasas por ocupación, etcétera. Partiendo de los ficheros de escrituras notariales, defunciones obtenidas del Instituto Nacional de Estadística (INE) o las licencias o declaraciones responsables que se han concedido en los distintos Distritos, se agrupaba, ordenaba y clasificaba dicha información para proceder a su depuración.

Dicha depuración se realizaba a través de las herramientas ofimáticas básicas y disponibles a nivel usuario que, aunque son precisas y dan la posibilidad de realizar el cruce de datos entre diferentes variables, no son óptimamente eficientes por consumir demasiado tiempo en su extracción. Los cruces realizados generaban miles de registros con numerosos campos que, gracias a la pericia de los “joyeros”, podían clasificarse y presentarse para proceder a un segundo nivel de filtrado.

El segundo filtrado requiere el estudio pormenorizado de la información por parte de numerosas personas que, dejando a un lado su labor ordinaria de actuarios en el ámbito de la Inspección, debían ponerse la bata blanca y examinar con el microscopio cada uno de los resultados que se habían obtenido con los cruces comentados. Distinguir el trigo de la paja en el ámbito de la detección del fraude no es tarea baladí, toda vez que los cruces de información pueden arrojar resultados no siempre deseados o, en numerosos supuestos, duplicados.

Pensemos, por ejemplo, en los casos en los que no se comunica correctamente los datos de la operación inmobiliaria realizada en escritura pública. Cualquier mínimo baile de números en el NIF, errores en la referencia catastral, pagos no referenciados que no se identifican con la autoliquidación presentada, entre otros pequeños fallos, pueden hacer saltar las alarmas de que ha dejado de declararse una “plusvalía” de gran importe con los que arreglar el presupuesto municipal para el próximo trimestre. Sin embargo, una vez analizado minuciosamente el supuesto, la burbuja explota y el expediente queda arrinconado por tratarse de una duplicidad, una errata o un simple fallo en los cruces que realiza la hoja de cálculo.

Partamos del ejemplo en IIVTNU. En la Inspección tributaria de la ATM, seis personas estaban dedicadas en exclusiva a analizar los registros que previamente se habían cruzado con las distintas fuentes de información en una hoja de cálculo correspondiente, que correspondía a los filtros aplicados a un periodo de tiempo determinado, generalmente de carácter bimensual. Los cruces se basaban en los datos de fecha de transmisión (distinguiendo mortis causa de intervivos), fecha de escritura pública, notario interviniente y protocolo de la escritura, junto con los datos de presentación de autoliquidaciones de IIVTNU y de pagos abonados.

Las seis personas dedicadas a esta tarea debían repartirse cada día del periodo extraído para su análisis pormenorizado. En concreto, debían realizar las siguientes tareas:

1. Depuración: la tarea principal suponía distinguir las inscripciones con erratas en fecha de transmisión, protocolo y notario. Individualmente, debían excluir transmisiones exentas o no sujetas, así como transmisiones de inmuebles de otros municipios incorrectamente comunicados por los notarios, o cualquier otra incidencia que pudieran detectar en la transmisión y que supusiera la exclusión del registro (errores en el notario interviniente por ser sustituto, extinciones de condominio, etcétera). Ésta era la tarea más tediosa y que consumía mayores recursos temporales, toda vez que era un trabajo de análisis fino que conllevaba resultados óptimos, pero no certeros en su totalidad por la desviación, propia de todos los trabajos manuales, que podía producirse en la selección o exclusión de los registros.
2. Envío y carga de los registros filtrados a la aplicación informática de tratamiento de los expedientes de Inspección. Los expedientes cargados estaban doblemente filtrados y, en principio, preparados para proceder a su regularización.
3. Análisis de la depuración: cada registro analizado, bien se hubiera cargado en la aplicación para su regularización, bien se hubiera excluido, debía registrarse para llevar un control pormenorizado de la bondad en el cruce de información. Los supuestos que generaban problemas por conflictos en los sujetos, objetos tributarios no normalizados, etcétera, debían examinarse individualmente en un siguiente paso final, por si procedía solventarlos y, en su caso, incluirlos en la carga de inspección de forma manual.

En idénticos términos se realizan los trabajos de depuración en ICIO o en el resto de las tasas inspeccionadas. El cruce, filtrado y análisis se realiza de forma individual partiendo de una información en muchos casos incompleta, principalmente por fallos en el grabado y falta de uniformidad en el tratamiento de la información en la fuente de origen. En el momento en que el punto de partida no es correcto, la posterior regularización que se pretenda llevar a cabo va a tener que corregir las deficiencias que no se han podido detectar en los cruces previos, alargando los procedimientos y dedicando excesivos recursos que podían haberse optimizado con buenas herramientas de grabado y filtrado de la información.

A pesar de haberse realizado un trabajo pormenorizado tanto en un primer cruce como a través de los posteriores filtrados realizados por quienes actúan como “trillos” separando el trigo de la paja, en un porcentaje demasiado elevado se producían alertas por los actuarios que detectaban registros en los que no debía procederse a su regularización. Así, surgían supuestos de exenciones no detectadas, operaciones no sujetas u omisiones de otros candidatos a inspeccionar que no habían sido alertados en los cruces realizados.

Involucrar a tantas personas de una organización como la Inspección tributaria (que, en la inmensa mayoría de administraciones tributarias, es la dotada con menos recursos humanos) y durante tanto tiempo, impidiendo la verdadera labor del actuario de enfocarse en las regularizaciones tributarias oportunas, supone una merma considerable en el funcionamiento y en la consecución de objetivos propios de la Inspección.

Si bien es cierto que estas actuaciones de depuración y filtrado se realizan por personal especializado y habituado a realizar este tipo de cruces, su funcionamiento no es el óptimo en gestión de recursos. Se ha intentado implementar alguna mejora, como el involucramiento de todos los actuarios en la carga de los expedientes, si bien las dificultades técnicas por aplicaciones informáticas obsoletas han impedido un avance considerable en el ahorro de tiempo y recursos.

La labor de obtención, tratamiento, ordenación y clasificación de la información es un trabajo que requiere de unos objetivos y pautas a seguir bien definidos, pero que incluye muchos trabajos repetitivos, manuales y periódicos en los que la tecnología y, en concreto, la IA, puede ayudar notablemente.

2.2  Situación previa en el Laboratorio tributario

La labor de “artesanía orfebre” descrita en el apartado anterior, era un síntoma de una serie de importantes obstáculos que lastraban a la Agencia Tributaria Madrid (ATM) para llegar a ser una organización dirigida por datos. En el ámbito tecnológico, había una diversidad de plataformas con una elevada obsolescencia que generaba “silos” de información inconexos, lo que limitaba en la práctica poder obtener una visión unificada del contribuyente. En el ámbito organizativo, había una elevada dependencia tecnológica de otros organismos del Ayuntamiento, lo que restaba agilidad y autonomía. Adicionalmente, había una falta de perfiles técnicos especializados en el análisis y tratamiento de datos y un escaso desarrollo de la cultura del dato.

En esencia, la ATM carecía de los elementos técnicos, culturales y organizativos necesarios para utilizar los datos y la tecnología como un factor estratégico que le permitiera supera esa fase de “artesanía orfebre” para pasar a una fase de industrialización en la detección y prevención del fraude.

La dirección de la ATM, consciente de esta situación, desarrolló una estrategia global para afrontar estos retos, específicamente en su Plan Estratégico 2021-2024 donde se incluye el desarrollo de un modelo de transformación basado en “Tributos Inteligentes” (“Smart Taxes”) y la creación del Laboratorio Tributario como un servicio centralizado con los siguientes objetivos:

1. Dar servicio a las necesidades de analítica avanzada de datos y análisis de escenarios requeridos para la mejora del modelo tributario.
2. Ser el componente principal y estratégico para la implementación y adopción de nuevas herramientas tecnológicas en el análisis de datos y la aplicación de la inteligencia artificial.
3. Aprovechar al máximo los datos y la tecnología para mejorar la eficiencia en la gestión, establecer modelos tributarios más justos y adaptados a la realidad, y combatir el fraude fiscal.

De este modo, el Laboratorio Tributario no solo provee soluciones tecnológicas, sino que es un servicio esencial que impulsa la innovación y el uso de la tecnología y los datos como elemento fundamental para la toma de decisiones, facilitando el camino hacia una organización dirigida por datos. Para ello, el Laboratorio se basa en cuatro pilares fundamentales:

1. El dato como activo estratégico. Reconocer el valor del dato como un elemento clave para llevar a cabo la misión de la organización. Bajo el lema “Un mal dato es un mal servicio al ciudadano”, se hace énfasis en cuidar el dato y velar por su calidad en todos los procesos organizativos. No se trata sólo de cuidar su integridad y precisión, sino de capturar aquellos datos clave que van a poder relacionar diferentes fuentes de información, aumentando el valor final del dato. Un ejemplo sería la referencia catastral, el “DNI” de los inmuebles, cuya presencia es básica para poder cruzar diferentes conjuntos de datos internos y externos al Ayuntamiento. El Laboratorio Tributario realiza la integración y correlación de diversas fuentes tributarias, que se enriquecen con otras fuentes internes y externas al Ayuntamiento (catastrales, de actividades, vehículos, registros públicos y licencias) para lograr una visión 360º del contribuyente.
2. La tecnología como palanca. Poner a disposición de la organización soluciones tecnológicas que permitan un análisis avanzado de la información y la utilización de tecnologías disruptivas como puede ser la Inteligencia Artificial. Para ello, el Laboratorio Tributario ha puesto en funcionamiento una Plataforma de Analítica Tributaria, que ofrece a la ATM unas capacidades globales de tratamiento y análisis de la información en sus diferentes áreas de actuación (Inspección, Gestión, Recaudación, etcétera). Esta plataforma se integra con el ecosistema tecnológico del Ayuntamiento de Madrid, tanto con los sistemas analíticos (Datalake municipal) como con los propios sistemas de gestión tributaria (SAP-TRM), posibilitando de esta manera un acceso inmediato y completo a las fuentes de datos.
3. Las personas como motor. Poner a las personas al frente, creando equipos multidisciplinares que lideren el proceso. La formación de una “cultura del dato” es un proceso lento y laborioso, pero que constituye el principal factor crítico de éxito para el viaje de la organización hacia una organización orientada al dato. Desde el Laboratorio se apoya el desarrollo de esta cultura con diversas iniciativas:
   - Democratización del Dato: el Laboratorio Tributario impulsa la democratización del dato y la analítica, implementando modelos de consumo de información que buscan dotar a los usuarios finales de una amplia autonomía.
   - Formación y Capacitación Continua: mediante labores de divulgación y capacitación de los usuarios, tanto desde un punto de vista formal, impartiendo diversas acciones formativas y publicando un catálogo de informes y datos, como desde un punto de vista informal apoyando en el uso de las herramientas en el día a día.
   - Responsabilidad y Calidad del Dato promoviendo una cultura organizativa arraigada en la responsabilidad, gestión y compartición de datos.
4. El servicio al ciudadano como principio. Velando por los derechos de los ciudadanos y garantizando el cumplimiento de todas las garantías éticas y normativas. Estos principios son especialmente relevantes a medida que se utilizan técnicas más avanzadas como puede ser la Inteligencia Artificial. Es fundamental analizar y gestionar adecuadamente los posibles riesgos del uso de estas tecnologías, como pueden ser los relacionados con la seguridad, la privacidad y los sesgos discriminatorios. Además, los modelos empleados han de poder ser explicables, teniendo siempre en cuenta las dificultades intrínsecas de la aplicación de estas tecnologías complejas y en continuo desarrollo.

En resumen, la transformación de la Agencia Tributaria Madrid, impulsada por el Laboratorio Tributario, crea el marco estratégico necesario para pasar de la era de la “orfebrería” a la era “industrial” en la prevención y detección del fraude. Esta analogía, que evoca el gran salto tecnológico del siglo XIX, nos obliga a reflexionar sobre el impacto humano del cambio. Al igual que la llegada de la maquinaria en la Revolución Industrial necesitó de personas que lideraran este proceso y venciesen las lógicas resistencias a todo cambio encarnadas en la figura de los "luditas", es necesario que los equipos de la ATM se constituyan en el verdadero motor de este proceso.

De los cuatro pilares mencionados, el más importante sin ninguna duda es el de las personas. La tecnología, definida como una palanca estratégica para la organización, necesita ser activada y dirigida por la inteligencia humana. El éxito no reside en la utilización de unos determinados algoritmos o en la potencia de la Inteligencia Artificial (IA), sino en la participación coordinada de personas de todos los perfiles y la adopción de un mindset colaborativo y orientado al dato. En esta transformación, la sinergia existente entre la Inspección Tributaria, los conocedores especializados del “negocio” y el Laboratorio Tributario, los expertos en el análisis de la información y de las herramientas tecnológicas punteras, en un marco de colaboración y compartición del valor del dato, es el factor clave del éxito.

Se inicia así un viaje, no exento de obstáculos, con la visión de convertir a la Agencia Tributaria Madrid en una organización dirigida por datos y con la misión de mejorar la detección y prevención del fraude fiscal mediante el uso de los datos y la tecnología.

2.3 Objetivos de la unión entre el Laboratorio Tributario y la Inspección Tributaria

La función del Laboratorio Tributario como canalizador y gestor de las bases de datos de la ATM es crucial también para la Inspección Tributaria. Unificar y coordinar las labores de detección del fraude, planificación y selección de actuaciones a inspeccionar, con una calidad excelente, es el objetivo al que toda Inspección debe tender. La unión de la técnica con la tecnología debe conseguirlo.

Lógicamente, con las posibilidades que muestra la inteligencia artificial en todos los ámbitos, los cruces de datos para la detección del fraude es uno de los principales campos donde la IA puede trabajar. La hoja de cálculo calcula muy bien, pero no piensa. Ni bien ni mal. No tiene la capacidad de detectar si los resultados expuestos tienen algún tipo de sentido, ni siquiera detecta los fallos que se hayan producido en el cruce de datos. Simplemente ejecuta lo que se le ha ordenado.

Partiendo de la situación de filtrado y cruce puramente manual, repetitivo y sistemático, que demandaba demasiadas horas de trabajo de personal muy cualificado, los avances de la IA tienen que suponer un salto de calidad y de cantidad al trabajo de la Inspección.

En cuanto a la cantidad, la inteligencia artificial y las herramientas que la utilizan, con la dirección del Laboratorio Tributario, deben disminuir notablemente el número de personas y de horas que éstas dedican a labores de cruce y filtrado. Con unas directrices previas precisas y un previo muestreo de los datos que arrojen los cruces automáticos realizados por la IA, se pueden automatizar todos los pasos del tratamiento de la información: desde la homogeneización de los datos de origen, pasando por el cruce, filtrado y revisión de los registros, hasta su posterior carga en la aplicación correspondiente de tramitación de expedientes.

La inteligencia artificial, a diferencia de una simple hoja de cálculo, permite alertar rápidamente, y sin consumir excesivos recursos, los registros que supongan omisiones en la presentación y pago de cualquier tipo de tributo. Asimismo, tiene la capacidad de gestionar rápidamente millones de datos en bases de datos estructuradas, recolectar toda la información que se le suministre tanto de fuentes de datos internas como externas, y presentarla visualmente para una mejor detección y examen de los supuestos de fraude.

Y, siendo ambiciosos, el trabajo de la Inspección debe ganar en calidad con este sistema. Las regularizaciones deben ser minuciosas, pero si la labor previa es óptima, el actuario puede focalizar sus esfuerzos en aquellos elementos a los que la IA no puede, por desconocimiento, examinar con los ojos inspectores.

Con una visión a medio plazo, la tecnología, en su versión IA generativa, puede aportar grandes avances tanto en la acción reactiva de la Inspección como en la acción proactiva. Reactivamente, con unos cruces bien diseñados y unos resultados óptimos, la labor inspectora se eleva notablemente. Proactivamente, si la IA aprende de los resultados a los que se ha llegado con sus cruces (actas incoadas, importe de las mismas, existencia de infracción, litigiosidad…), podría realizar, casi de forma autónoma, una primera comunicación de inicio del expediente, con la posterior supervisión del actuario. Incluso analizar las alegaciones presentadas por los contribuyentes, clasificarlas, digerirlas y proponer posibles contestaciones a las mismas, pasando a ser el actuario un supervisor del trabajo que le propondría su “alumno” artificial.

Realizando una comparación con el resto de Administraciones tributarias cercanas, la AEAT es la que dispone de tecnología más puntera. La existencia del sistema Zújar, que contiene la base de datos con toda la información de los obligados tributarios, junto con sus herramientas algorítmicas y de tratamiento de datos que nutren al resto de aplicaciones de la Agencia Estatal, es un modelo al que tender desde las demás Administraciones tributarias, incluida la local. El cruce de datos realizado a partir de dicha herramienta, junto con el desarrollo implementado por su propio Departamento de Informática Tributaria, determina la hoja de ruta que seguir por el resto de Administraciones tributarias.

En la era digital actual, es necesario adelantarse a los defraudadores, y una herramienta necesaria va a ser la IA. Una mejor detección y prevención del fraude gracias a la tecnología aumentará la eficiencia de la ATM para detectar y erradicar el fraude y fomentar el cumplimiento voluntario de las obligaciones tributarias.

Todas las actuaciones que impliquen el cruce de datos mediante inteligencia artificial deben desarrollarse bajo la supervisión directa de personal cualificado. La intervención humana resulta imprescindible para garantizar que el tratamiento automatizado de la información se ajuste a los principios de legalidad, proporcionalidad y transparencia previstos en la normativa vigente. Asimismo, la supervisión asegura la correcta interpretación de los resultados, evitando decisiones automatizadas que puedan conculcar derechos de los obligados tributarios. Este control humano constituye una salvaguarda esencial para la transparencia y la responsabilidad en el uso de tecnologías avanzadas en la gestión tributaria.

Como rezaba un anuncio de neumáticos, “la potencia sin control no sirve de nada”. Por ello, de igual forma que la potencia de un vehículo es inútil sin la capacidad de controlarla de manera segura, es crucial establecer una sinergia entre Laboratorio Tributario, con el conocimiento de las herramientas punteras en inteligencia artificial, y la Inspección Tributaria, con su experiencia en saber detectar los nichos de fraude de los tributos locales. Veamos cómo se han unido ambos mundos.

3.1 Avances y obstáculos en la innovación para la detección del fraude

La aplicación de la inteligencia artificial en la detección del fraude se está realizando, como no podía ser de otra manera, de forma paulatina. Partiendo de las reticencias propias a todo cambio, y teniendo en cuenta las limitaciones existentes, se ha implementado una aproximación en determinados tributos locales. Si el experimento resulta satisfactorio, se extenderá a todos los demás.

Bajando al detalle, el IIVTNU ha sido el primer tributo en pasar por la centrifugadora de la inteligencia artificial. Revolucionar el modelo de detección del fraude no es fácil, ya que la máquina (el personal inspector) encargado de localizar omisiones y nichos de fraude estaba muy engrasada, aunque sus tiempos y sus herramientas no eran los óptimos.

El Laboratorio Tributario, junto con la herramienta de tratamiento de la información Plataforma de Analítica se ha puesto en la piel de los detectores del fraude para analizar, en los tributos seleccionados, las posibles áreas de mejora en este ámbito.

La primera fase debía ser explicar la situación de partida en la Inspección, y trasladar los diferentes pasos que se daban para llegar a la carga de candidatos, con la finalidad de que el Laboratorio pudiera traducir el lenguaje tributario al lenguaje técnico de la herramienta de análisis de datos.

Para ello, se tomó el concepto de “reglas”, es decir, líneas de actuación en cada uno de los tributos sobre las cuales se iban a realizar los cruces de datos correspondientes. Cada una de las “reglas” dan lugar a “alertas”, esto es, registros concretos que podrían ser objeto de regularización por la ATM. Asimismo, se implementó la “puntuación” (scoring) de cada una de las “alertas”, con la que se pretende dar una visión rápida de los principales candidatos a inspeccionar. Todo el proceso de definición de estas “reglas” y sus puntuaciones se ha realizado bajo la estricta supervisión de los inspectores de la ATM y teniendo en cuenta las restricciones en materia de protección de datos personales.

Esta primera fase no ha estado exenta de obstáculos, puesto que el primer paso siempre supone el más difícil para empezar el camino. Largas reuniones explicativas entre ambas partes, con numerosos archivos, cursos de formación y definición de procesos, fueron la tónica habitual del año de inicio (2022) de esta sinergia entre Laboratorio, inteligencia artificial e Inspección. Principalmente, Inspección debía explicar qué cruces se realizaban hasta ese momento y con qué herramientas, invirtiendo tiempo en la explicación tanto del fundamento de los tributos como de los objetivos de detección de fraude perseguidos. Por su parte, el Laboratorio mostró las bondades de la herramienta y sus grandes posibilidades en el tratamiento de la información y el cruce de datos.

Una vez superados los primeros escollos, la hoja de ruta pasó de una lluvia de ideas y puesta en común entre las partes implicadas, a un modelo de trabajo conjunto en el que se definieron las reglas aplicables a cada uno de los tributos, así como la forma de carga de expedientes a las aplicaciones de tramitación de los expedientes en Inspección.

Sin entrar en demasiado detalle para evitar publicar datos o información comprometedora que impida una correcta actuación futura de la Inspección tributaria, vamos a explicar el avance en los tributos locales que han sufrido la revolución tecnológica.

3.1.1 Avances en Plusvalía

Rápidamente se apreciaron avances en la información obtenida por la herramienta de IA, especialmente en Plusvalía y en la detección de omisiones. Si bien el cruce de datos que conformaba la Regla 1 era el más sencillo a priori, los resultados ciertamente satisfactorios obtenidos en un corto periodo de tiempo y con una utilización mucho menor de recursos humanos supusieron un adelanto importante para Inspección.

La Regla 1 está formada por todas las omisiones en la presentación y pago de la autoliquidación en el IIVTNU, cruzando todos los parámetros que se obtienen de todas las fuentes de información (Notarios, INE, bases de datos internas…). Se realizó un primer cruzado por el Laboratorio, fraccionando los ejercicios en grupos de dos o tres meses, al que prosiguió una depuración manual de expedientes por Inspección. Si bien determinados casos no arrojaron resultados correctos, la gran mayoría eran omisiones correctamente filtradas que podían ser objeto de regularización directa por los actuarios. En esta línea de actuación, tras obtener resultados satisfactorios, se ha optado por dar por válidas todas las alertas detectadas, enviándose a los actuarios para iniciar su regularización directamente, sin ser necesario ya un filtrado previo por los “verificadores” de Inspección. No obstante, la supervisión que realiza la Inspección de este proceso siempre puede aflorar errores que es necesario reportar para su corrección y que, una vez subsanados, ponen en valor el trabajo conjunto de la Inspección y el Laboratorio Tributario apoyado en herramientas innovadoras.

La herramienta de tratamiento de información implementada a través de la Plataforma de Analítica Tributaria abre un campo de posibilidades muy relevante en el cruzado de datos. Con el escenario mostrado por la herramienta, enseguida aparecieron nuevas necesidades para implementar junto con las ya visualizadas: posibilidad de un precálculo de la Plusvalía con los datos que obraban en poder de la Administración, exclusión de supuestos de exención, posible sobrestimación, etcétera.

Con el entusiasmo propio de quien ve grandes adelantos en poco tiempo, se abrió un mundo de posibilidades para la Inspección en la que poder atacar nichos de fraude que, previamente, eran tecnológicamente imposibles de alcanzar. Siguiendo con la detección de omisiones, se han definido dos reglas más: la Regla 2, para aflorar cambios de titularidad catastral en los que no se ha producido la presentación y pago de la Plusvalía; y la Regla 3, referida al análisis exhaustivo de las transmisiones mortis causa.

Las Reglas 2 y 3, especialmente esta última, representan nichos de fraude cuya obtención de información se hacía más complicada con los medios disponibles. La herramienta de cruces de datos ha permitido detectar alertas desconocidas, presentándose también fraccionados por periodos de tiempo determinados. No obstante, al ser unas líneas de actuación más novedosas, han requerido de mayor depuración y afinamiento hasta presentar resultados satisfactorios.

Asimismo, ha sido necesario determinar una prioridad en los cruces, puesto que los resultados arrojados en cada una de las reglas podrían coincidir y, por ello, alertar registros de forma duplicada o triplicada. Con buen criterio, se ha establecido la Regla 1 (transmisiones inter vivos y mortis causa no declaradas) como prioritaria, seguida por la Regla 3 (mortis causa) y la Regla 2 (cambios de titularidad catastral).

En cuanto al resto de reglas definidas para IIVTNU, se intentó realizar un proyecto ambicioso para agrupar todos los casos de fraude posibles, incluyendo nuevas fuentes de información (internas o de otras Administraciones públicas) para nutrir al sistema con más y mejores “alimentos”. No obstante, hay un principio básico en Economía que reza: “las necesidades son ilimitadas, pero los recursos escasos”. Por ello, a pesar de las posibilidades tan amplias que ofrece la herramienta de IA, los medios materiales y temporales impiden, en un primer momento, alcanzar los últimos objetivos. Mejor empezaremos a construir la casa por los cimientos, y en poco tiempo, se conseguirá llegar al último detalle del tejado.

Los resultados obtenidos por el Laboratorio en las diferentes reglas se presentan ya con la finalidad de regularizarse a través del nuevo sistema SAP de tramitación de expedientes de inspección, mediante su conexión con el denominado monitor de candidatos, en el que se cargan las alertas detectadas de forma masiva. Una vez cargados, se regularizan principalmente a través del procedimiento de comprobación limitada y su correspondiente sancionador aparejado, si así procede. Anteriormente, la carga de expedientes se realizaba individualmente en la Aplicación de Inspección, la cual no estaba preparada para una carga masiva, mientras que en SAP el monitor de candidatos permite una carga agrupada de expedientes a inspeccionar.

3.1.2 Avances en ICIO

El siguiente tributo en “sufrir” la revolución tecnológica es el ICIO. El punto de partida de este impuesto era notablemente inferior en calidad de los datos que en Plusvalía. Las bases de datos de las que se partían adolecían de uniformidad y de bondad de la información. Por ello, un primer paso que se acometió fue intentar homogeneizar las bases de datos y elevar la calidad del dato para poder implementar los cruces y filtrados de la información.

En concreto, partiendo de la información disponible internamente y procedente de órganos del propio Ayuntamiento, se han incluido y estandarizado los datos y se han incorporado otros, como el distrito, el barrio y la calle, la categoría fiscal de la vía, la presentación de autoliquidación final y la obtención de la cuota tributaria estimada en función del presupuesto de la autoliquidación inicial y de la autoliquidación final. Asimismo, con una visión ambiciosa, se intentará añadir la información de otros agentes externos al Ayuntamiento implicados en el ámbito del ICIO.

Siguiendo el mismo esquema de reglas, alertas y puntuación, se definieron, en un primer momento, dos reglas principales: la Regla 1, en la que se realiza un examen exhaustivo de todas las obras con presupuesto superior a un elevado importe, fijado previamente; y la Regla 2, en la que se analizan las obras inferiores al citado importe, pero con una superficie mayor a la fijada por Inspección y que, además, cumplen con una serie de parámetros adicionales.

Tanto en la Regla 1 como en la Regla 2 se aplican unas ponderaciones en función de cada parámetro cuyo cruce da lugar a las alertas que serán objeto de un procedimiento inspector. Tras los primeros intentos, se trasladó por Inspección la necesidad de seguir depurando estas reglas con mayor afinamiento en los cruces, y con la incorporación de nuevos parámetros de cruce.

También se apuesta por una visión ambiciosa en la detección del fraude en el ICIO. En lugar de centrar los esfuerzos de análisis en el importe del presupuesto, se pone el foco en otros elementos como la ubicación de los contenedores de obra, el volumen de escombros o la utilización de vallas y andamios. De igual forma que en Plusvalía, las necesidades son ilimitadas y los recursos escasos, y por ello se afianzará bien el funcionamiento de las Reglas 1 y 2 para poder acometer el resto de líneas de actuación.

En paralelo a las reglas implementadas, se ha obtenido un quick win mediante un filtrado de los datos que ha permitido la obtención inmediata de información con candidatos que inspeccionar, y que se tramitará en paralelo a la generación del resto de reglas establecidas para el ICIO. Únicamente con el filtrado entre las licencias de funcionamiento y de primera ocupación en los que figura el expediente de licencia de obras o actividad originario se ha obtenido un resultado satisfactorio.

Cobra especial importancia, en el ámbito del ICIO, el resultado de las actuaciones inspectoras y la retroalimentación de la herramienta. La gran mayoría de alertas detectadas se regularizan a través de un procedimiento inspector de larga duración (18 o, en su caso, 27 meses), lo cual, unido a la lógica demora en el control de situaciones tributarias por la Inspección, supone que el resultado final del procedimiento llevado a cabo sobre las alertas detectadas se conoce unos tres años después de haberse descubierto. Esa retroalimentación permitiría a la herramienta de IA convertirse en un verdadero predictor de conductas fraudulentas en el ámbito de la construcción, puesto que permite aprender de los procedimientos satisfactoriamente incoados y discernir los que no han conllevado regularización tributaria.

3.1.3 Avances en el resto de tributos

En el resto de impuestos y tasas, se ha realizado un avance mayor en el caso de la Tasa por Utilización Privativa o Aprovechamiento Especial del Dominio Público Local en el ámbito de Terrazas, si bien esta tasa adolecía, como el ICIO, de falta de homogeneidad en el origen de la información. No obstante, con la nueva gestión realizada desde la ATM mediante la creación de un censo y la matrícula a partir del ejercicio 2024, los datos se han estructurado y el tratamiento de los mismos se puede realizar de forma mucho más ágil. Asimismo, es necesario incluir en los cruces realizados todas aquellas inspecciones a pie de calle que se realizan por el personal de campo de la Inspección y que detectan tanto omisiones totales como divergencias entre la autorización concedida a dicha terraza y la realidad fáctica. Estos casos descubiertos se gestionan desde otras aplicaciones informáticas cuya homogeneización con la herramienta de cruce de datos es necesaria para realizar un correcto cruce de la información y la generación de candidatos concretos a inspeccionar.

Por otra parte, también se ha realizado una primera aproximación tanto en IAE como en la “Tasa del 1,5”, si bien no se ha progresado tanto como en los tributos antes citados. Lógicamente, será uno de los principales campos que explorar en futuras actuaciones con la herramienta de análisis..

3.2 Las fases del análisis del fraude con inteligencia artificial

La aplicación de la inteligencia artificial a la prevención y detección del fraude tributario es un proceso complejo y costoso en tiempo y recursos, que requiere abordarse de forma progresiva. Haciendo uso de una popular metáfora “¿Cómo te comerías un elefante? A trocitos”.

La aplicación de la inteligencia artificial al ámbito de la inspección nos permite crear nuevos modelos de trabajo, nuevas formas de “hacer” las cosas que, a nivel conceptual y de forma muy general, podríamos resumir en los siguientes modelos:

1. Hacer lo que hago ahora pero más rápido: este modelo habla de mantener los procesos actuales, pero pasando de un trabajo manual a uno automático o semiautomático que posibilita reducir los tiempos de forma significativa. En esta fase el objetivo es industrializar los procesos e incrementar la productividad.
2. Hacer lo que ahora no puedo hacer: nos permite trabajar sobre bolsas de fraude que, aun estando identificadas, son difíciles de trabajar por la complejidad de los procesos manuales que serían necesarios. El uso de la inteligencia artificial permite utilizar mecanismos significativamente más potentes y acceder a la gestión de estas bolsas. En esta fase el objetivo es industrializar los procesos accediendo a nuevas bolsas de fraude.
3. Hacer lo que todavía no sé qué puedo hacer: aquí es donde empiezan a apreciarse más las ventajas del uso de la inteligencia artificial. Mediante técnicas como el machine learning y la aplicación de algoritmos de aprendizaje supervisado y no supervisado, la inteligencia artificial es capar de descubrir patrones a partir de los datos emergiendo nuevas bolsas de fraude que hasta ahora no se habían identificado. En esta fase conseguimos crear procedimientos disruptivos a través de la inteligencia artificial.
4. Ser proactivo para no tener que hacer lo que hago ahora: sería el modelo más avanzado, consistente en la utilización de modelos predictivos que me permitan anticiparme a los posibles casos fraudulentos, así como realizar acciones encaminadas a concienciar y ayudar a los contribuyentes en el cumplimiento tributario. En esta última fase pasamos a la proactividad y facilitar el cumplimiento tributario.

Aunque estas fases se podrían abordar de forma simultánea, hay una creciente dificultad de aplicación de los modelos enunciados, tanto por motivos tecnológicos y de disponibilidad de datos como de nivel de madurez en la cultura del dato en la organización. Por este motivo, aparece de forma natural un proceso progresivo en el desarrollo de las diferentes fases en el análisis del fraude con inteligencia artificial.

3.2.1 Fase I: industrializar los procesos e incrementar la productividad

Esta fase inicial aborda el objetivo más inmediato: hacer lo que hago ahora pero más rápido. Se busca dejar atrás la “artesanía orfebre”, donde la depuración se hacía con herramientas ofimáticas básicas que consumían demasiado tiempo, para automatizar los procesos manuales, repetitivos y sistemáticos, buscando una mayor eficiencia. Como consecuencia, se aprecia un notable aumento de la productividad que, en el caso de la actividad inspectora, redundará lógicamente en un aumento de la recaudación. Es muy interesante analizar el retorno de la inversión (ROI) en estas primeras fases para valorar el impacto real que tienen estas medidas.

El principal mecanismo empleado en esta fase son las “Reglas de Negocio”. El conocimiento experto de los inspectores, forjado durante años, se traduce en algoritmos factibles de ser ejecutados de forma automática. Estas reglas se ejecutan en la Plataforma de Analítica Tributaria a partir de los conjuntos de datos que se han tratado y cargado previamente.

Como se ha comentado previamente, se comenzó con la Regla 1 para la Plusvalía (IIVTNU) detectando omisiones en la presentación y pago de la autoliquidación, en el caso del ICIO se han implementado las reglas 1 y 2, y en el caso de la Tasa de Terrazas una primera regla. No obstante, a pesar de la aparente sencillez de estas reglas, enseguida surgieron diversos retos que solucionar.

Por un lado, desde el punto de vista técnico, es necesario consolidar y cruzar las diferentes fuentes de información, tanto las procedentes de los diferentes sistemas de gestión tributaria, en proceso de migración en ese momento, como la de fuentes externas. La revisión de la calidad de los datos es crucial para obtener unos buenos resultados, como reza la popular expresión en el argot informático: “Garbage in, garbage out”. Esta problemática ha sido especialmente relevante en el caso del ICIO, donde se ha hecho un importante esfuerzo por elevar la calidad del dato. Se busca integrar y correlacionar toda esta información, para obtener una visión 360º. Para ello, desde el primer momento, se abordó por un diseño basado en “entidades” (contribuyentes, objetos tributarios…) que permiten relacionar todos los elementos de forma gráfica en redes de grafos.

Cada alerta generada por una regla recibe una "puntuación" (scoring) en función de múltiples criterios. Esta puntuación jerarquiza los casos, dando una visión rápida de los principales candidatos a inspeccionar y orientando los recursos de Inspección hacia los casos con mayor probabilidad de fraude efectivo. Finalmente, las alertas seleccionadas se envían masivamente a SAP-TRM, la mayoría de ellas sin necesidad de revisión previa por la Inspección, para el inicio de los procedimientos de regularización.

En esta fase se engloban también actuaciones paralelas que, en base a listados obtenidos de cruces sencillos de información, permiten agilizar procesos y obtener una rápida ganancia (“quick win”). Dentro de este tipo de actuaciones se englobarían las mencionadas de listados de licencias de funcionamiento y de primera ocupación o representaciones geoespaciales de las terrazas y su situación tributaria en informes disponibles desde el móvil que facilita la labor de campo en la inspección de las terrazas.

Como resultado final, en esta fase se ha conseguido incrementar la productividad del trabajo actual. En palabras de un inspector: “Lo que antes hacíamos en un mes, ahora lo hacemos en un día”.

3.2.2 Fase II: industrializar los procesos accediendo a nuevas bolsas de fraude

Esta fase es el salto a “hacer lo que ahora no puedo hacer”. Se trata de extender la metodología analítica a nichos de fraude más complejos que, con los medios tradicionales, eran imposibles o excesivamente costosos de alcanzar. De esta manera no sólo se incrementa la eficiencia, sino también la eficacia, alcanzado nuevos logros en la lucha contra el fraude.

La potencia de la inteligencia artificial empieza a mostrarse de manera incipiente en esta fase, mediante la utilización de cruces de información y algoritmos más complejos en la generación de alertas.

Dentro de esta fase se encuentran las reglas 2 y 3 de la Plusvalía. Como se ha comentado, la regla 2 permite aflorar cambios de titularidad catastral en los que no se ha producido la presentación y pago de la Plusvalía y la regla 3 realiza un análisis exhaustivo de las transmisiones mortis causa. Ambas reglas, especialmente la regla 3, han permitido generar alertas hasta ahora no tratadas, accediendo a la detección de posibles casos fraudulentos en nuevas bolsas de fraude.

Se trata de una fase con amplio recorrido dado que no requiere de grandes cambios en la forma de trabajo ni en los algoritmos empleados y que reporta importantes beneficios desde el punto de vista de la ampliación del campo de visión de fraude detectable. La incorporación de nuevas reglas, tanto a tributos ya tratados como la Plusvalía, como a nuevos tributos como el IAE, permitirán en un futuro cercano avanzar en esta fase.

3.2.3 Fase III: crear procedimientos disruptivos a través de la inteligencia artificial

Esta es una fase de elevada madurez, en la que la IA no se limita a mejorar procesos existentes, sino que incorpora procesos disruptivos y el descubrimiento de bolsas de fraude que habían permanecido ocultas o eran difícilmente detectables.

En este punto, entran en plena acción las técnicas de Inteligencia Artificial en sus diversas ramas, siendo el Aprendizaje Automático (Machine Learning) la clave para que la máquina pueda imitar las funciones cognitivas del ser humano, como el aprendizaje y el razonamiento lógico, y resolver problemas para los que no fue programada explícitamente. Dentro de esta tecnología, existen dos grandes enfoques que se utilizan para detectar el fraude: el aprendizaje supervisado y el no supervisado. Otra rama de la inteligencia artificial es la visión artificial, la cual permite reconocer de forma automática los objetos presentes en una imagen, tal como lo haría un ser humano. Analizaremos a continuación estas diferentes ramas y su uso en la detección del fraude tributario.

Aprendizaje supervisado

El aprendizaje supervisado funciona como un alumno que estudia para un examen viendo las respuestas correctas. En este modelo se entrena a la máquina utilizando un conjunto de datos históricos de fraude ya detectado, por ejemplo, casos que terminaron en liquidación o sanción efectiva tras una inspección. Al alimentar el modelo con estos casos "etiquetados" indicando si el resultado final fue o no “fraude” la IA es capaz de encontrar patrones en los datos. Este proceso se va refinando en diferentes iteraciones en un proceso de “entrenamiento” hasta conseguir un resultado aceptable. Una vez entrenado, el modelo puede predecir qué casos, dadas sus características, tienen una mayor probabilidad de haber incurrido en incumplimiento.

Para el entrenamiento de este tipo de modelos es fundamental disponer de la información de datos históricos y del “feedback” del resultado final de las actuaciones sobre candidatos de fraude previamente detectados que permitan mejorar los modelos. El acceso a estos datos puede presentar dificultades, bien sea porque se trata de información no estructurada, por ejemplo, documentos de “actas”, o porque los datos disponibles son escasos o difíciles de cruzar con otros conjuntos de datos. Para evitar este problema, el nuevo sistema de gestión SAP-TRM ha sido diseñado desde el principio con el objetivo de poder proporcionar este “feedback”.

Aprendizaje no supervisado

El aprendizaje no supervisado funciona como un detective que va buscando relaciones y agrupaciones sin que nadie le diga qué buscar. En este modelo, se presentan a la máquina los conjuntos de datos e intenta descubrir por sí sola patrones desde los propios datos, hallando similitudes o afinidades entre ellos. El objetivo es que la máquina aprenda a establecer agrupaciones (“clusters”) o identificar anomalías. Es decir, se entrena con datos “NO etiquetados”, en los que no se indica si los casos presentados acabaron o no siendo fraudulentos. Este modelo tiene ventajas cuando no se dispone de un conjunto suficiente de datos históricos con el resultado final de las actuaciones, ya que no necesita de esta información.

Actualmente está en curso el desarrollo de un modelo de aprendizaje no supervisado para la detección de anomalías en el ICIO. Este modelo se basa en la información descriptiva de las obras y las liquidaciones considerando un elevado número de variables, con información tanto de tipo físico de las obras, como económico, de usos, ubicación, etcétera. De esta manera, el modelo descubre de forma autónoma agrupaciones de obras y liquidaciones que son “normales” en función de esa multitud de variables, separando aquellos casos que son normales de los que son anómalos por estar fuera de esas agrupaciones. Obviamente, el propio modelo de aprendizaje no supervisado exigirá un mayor control personal del inspector en el análisis de las anomalías detectadas.

Visión artificial y gemelos digitales

La visión artificial es una rama de la inteligencia artificial que permite a las computadoras "ver" e interpretar datos visuales como imágenes y videos, y realizar tareas como la detección de objetos, el reconocimiento facial o la clasificación de imágenes de manera similar a como lo haría un ser humano. En el ámbito de la lucha contra el fraude tributario puede ser una herramienta muy útil para capturar imágenes de objetos del mundo físico, vinculados a algún tipo de tributación, generando un “gemelo digital” que permita su análisis y la comparación con los datos tributarios declarados. Un ejemplo de uso, en el ámbito municipal, son las terrazas de hostelería, los vados, los andamios o las vallas publicitarias, elementos que intervienen en el pago de determinadas tasas.

En el caso concreto de las terrazas de hostelería, se ha realizado una experiencia piloto sobre la Tasa por Utilización Privativa o Aprovechamiento Especial del Dominio Público Local en el ámbito de Terrazas, consistente en tomar imágenes de las terrazas y contrastarlas con los datos tributarios declarados. Esta experiencia ha constado de los siguientes pasos:

1. Captura de Imágenes y tecnología LIDAR: se realiza la captura de imágenes en 3D utilizando equipos que recorren la ciudad en una visión 360º. Estos sistemas utilizan tecnología LIDAR para obtener una alta precisión de medidas.
2. Reconocimiento de objetos: mediante el uso de la IA, se logra el reconocimiento de objetos en la ciudad, incluyendo terrazas, andamios y vados.
3. Contraste automático con datos tributarios: se realiza un contraste automático de los datos capturados por la imagen con la información tributaria existente, y se detectan las diferencias.

Este proceso permite descubrir omisiones totales o divergencias en lo declarado, lo cual es un avance significativo frente a la labor de campo manual actualmente realizada por los inspectores

Los casos de uso comentados muestran ejemplos de cómo la incorporación de la IA puede suponer una mejora disruptiva en los modelos de trabajo. Permite ir más allá de los esquemas rígidos basados en reglas, descubriendo a partir de los datos nuevos tipos de fraude. También posibilita pasar de sistemas de detección que requieren de un laborioso trabajo de campo a modelos automatizados basados en modelos digitales.

3.2.4 Fase IV: proactividad y facilitar el cumplimiento tributario

En esta fase abordamos de una forma proactiva facilitar a los contribuyentes el cumplimiento tributario, evitando el incumplimiento que puede dar lugar a una situación de fraude. La inteligencia artificial aparece en esta fase como una palanca fundamental para conseguir resultados disruptivos. La Agencia Tributaria Madrid (ATM) está impulsando activamente el uso de la inteligencia artificial para una mejor gestión tributaria. El Plan Estratégico 2025-2028 de la ATM continuará la implantación de tecnologías innovadoras basadas principalmente en la línea de los "tributos inteligentes" donde la inteligencia artificial generativa se vincula de forma directa. Esta línea continuará desarrollándose para la consolidación del modelo en estrecha colaboración con el proyecto MAIA (Madrid Inteligencia Artificial), cuyo objetivo es poner en marcha plataformas e iniciativas basadas en la IA generativa.

En este contexto, la inteligencia artificial puede ayudar a los inspectores en esta labor de diferentes maneras:

Detección temprana de anomalías

Consiste en utilizar mecanismos de detección de anomalías con machine learning, similares a los descritos en la fase anterior, que se ejecutan en este caso en las fases previas del proceso tributario. A modo de ejemplo, se podrían aplicar estos algoritmos de inteligencia artificial en los formularios de autoliquidación o declaración de los contribuyentes, advirtiéndoles de la existencia de algún tipo de anomalía y recomendando su revisión. Este tipo de mecanismos facilitaría el cumplimiento tributario y sería de ayuda para aquellos contribuyentes que pueden haber incurrido en algún error y sería un elemento disuasorio para los potenciales incumplidores.

Predicción del fraude

Mediante técnicas predictivas, es posible simular escenarios de hacia dónde puede evolucionar el fenómeno fraudulento. Esto permitiría a los inspectores estar preparados de forma anticipada para acometer la detección temprana del fraude y realizar acciones preventivas. Se trata de plantear un escenario que permita identificar posibles nichos de fraude en los que centrar el esfuerzo inspector. Los esfuerzos se focalizan en alimentar a la herramienta para que adquiera una misión predictiva, buscando predecir el fraude antes de que se produzca o en sus momentos iniciales, favoreciendo así el cumplimiento voluntario. Esta capacidad predictiva, que se apoya en modelos de riesgo basados en machine learning, se configura como una inversión muy rentable.

Asistencia en la detección del fraude apoyada con IA

Es posible utilizar las capacidades de la IA generativa y los LLM (grandes modelos del lenguaje) para facilitar las labores del inspector. La inteligencia artificial se perfila en una primera etapa como un compañero de productividad, que asiste al inspector en la realización de determinadas tareas, para ir evolucionando hacia un compañero de proactividad que apoye en tareas de prevención del fraude. Esta asistencia puede ser diferentes tipos:

1. Realización de tareas repetitivas y búsquedas de información en bases de datos con apoyo en una visión 360º del contribuyente.
2. Consultas en relación a aspectos legales, técnicos u otras bases de conocimiento específicas de la organización y asesoramiento experto sobre nichos específicos de fraude. Adicionalmente contribuye a la capacitación de los empleados y la transferencia de conocimiento, aspecto clave en un contexto de creciente envejecimiento de las actuales plantillas.
3. Asistencia en la generación de borradores de documentos y cálculos que requieran posteriormente tan solo una revisión y validación por el inspector, haciendo énfasis en una labor proactiva de detección anticipada del posible fraude para facilitar el cumplimiento tributario.

Automatización procedimental avanzada

La automatización procedimental avanzada, impulsada por la inteligencia artificial generativa, los grandes modelos de lenguaje (LLM) y su capacidad de trabajar como agentes autónomos, representa la visión a medio plazo en la evolución de la inspección tributaria, buscando la integración de la IA en todas las fases del procedimiento inspector. La inteligencia artificial generativa se integra así en todas las fases de los procedimientos de inspección, sancionador y de comprobación limitada, abarcando desde el cruce inicial de datos hasta el análisis de las resoluciones incoadas. En este escenario, es fundamental introducir el concepto de “human-in-the-loop”, de manera que se asegure el control humano en todos aquellos pasos críticos del proceso, especialmente en los que puedan afectar a los derechos del contribuyente.

Sea cual sea la fase o el caso de uso implementado, la aplicación de la inteligencia artificial en el ámbito tributario ha de gestionar adecuadamente los potenciales riesgos de esta tecnología.

En primer lugar, es necesario implementar mecanismos para eliminar o al menos mitigar los sesgos negativos. Los sesgos algorítmicos negativos se producen cuando un algoritmo genera resultados sistemáticamente perjudiciales, especialmente en cuestiones que afecten a los derechos de los ciudadanos (por ejemplo, sesgos discriminatorios por género, ideología o raza). Para prevenir estos riesgos, es necesario asegurar la calidad de los datos, verificando que sean veraces, completos y representativos de la realidad.

Otro elemento fundamental es el de explicabilidad, el cual se plantea como la capacidad de explicar el proceso que ha llevado a tomar una determinada decisión, especialmente por los algoritmos de “machine learning” y “deep learning” que utilizan complejas estructuras de redes neuronales, a menudo denominados algoritmos de “caja negra”. En esta cuestión habrá que estar atentos al alcance regulatorio que se dé al concepto de “explicabilidad”, dada la gran dificultad que incorporan estos modelos que se construyen sobre una compleja lógica interna.

Asimismo, es necesario analizar cómo se están construyendo dentro del modelo las respuestas adecuadas para cumplir con las exigencias constitucionales de transparencia. El reciente “caso BOSCO” [1] supone un punto de atención en este sentido. En dicho caso, el Tribunal Supremo condenó a la Administración a facilitar el código fuente de la aplicación BOSCO, utilizada para acreditar beneficiarios del bono social eléctrico, a una Fundación Ciudadana, fijando la doctrina de que el derecho de acceso a la información pública abarca el código fuente para permitir la comprobación de que las operaciones algorítmicas se ajustan al marco normativo. En este contexto, es importante que se conozca adecuadamente el funcionamiento de los modelos de inteligencia artificial avanzados que utilizan redes neuronales complejas (“deep learning”), donde los resultados no dependen sólo del algoritmo (código fuente) sino también, y fundamentalmente, del conjunto de datos de entrenamiento. En el caso de los LLMs (modelos avanzados de lenguaje), la casuística es aún más compleja, puesto que los datos de entrenamiento abarcan buena parte de Internet. Es necesario establecer un adecuado equilibrio entre la aplicación de esta útil tecnología y los modos y capacidades de explicabilidad y transparencia respecto a las metodologías aplicadas y los resultados que producen.

En esta línea, es importante disponer de un marco normativo claro y específico, que elimine incertidumbres y defina con nitidez los límites y mecanismos de aplicación de la inteligencia artificial en el ámbito tributario, para que las administraciones públicas puedan avanzar en el uso de esta tecnología. El Reglamento Europeo sobre Inteligencia Artificial (comúnmente conocido como la “AI Act”), ha supuesto un importante hito, clasificando los sistemas en función de su nivel de riesgo e imponiendo medidas acordes a los mismos. En su considerando 59 [2] se hace referencia explícita al uso de los sistemas de inteligencia artificial por las autoridades fiscales, indicando que aquellos sistemas “destinados específicamente a ser utilizados por las autoridades fiscales y aduaneras en procesos administrativos no deben clasificarse como sistemas de IA de alto riesgo”. La clasificación de alto riesgo se reserva para sistemas utilizados, por ejemplo, por las autoridades encargadas de la aplicación de la ley para prevenir, detectar, investigar y enjuiciar infracciones penales. Por lo tanto, cabe interpretar que la actividad de inspección tributaria, aunque pueda tener trascendencia penal si se constatan indicios de delito de defraudación tributaria, al desarrollarse principalmente en el seno de procedimientos administrativos queda en principio al margen de las exigencias obligatorias previstas para los sistemas de alto riesgo. No obstante, algunos escenarios, como la elaboración de perfiles de riesgo para predecir el fraude de un contribuyente, podrían ser objeto de debate doctrinal por los hipotéticos riesgos de discriminación y falta de transparencia. El anteproyecto de ley de inteligencia artificial nos trae la esperanza de establecer un marco legal que resuelva estas incertidumbres y otorgue mayor precisión a los conceptos clave, como la transparencia, explicabilidad y ausencia de sesgos.

[1] www.poderjudicial.es/cgpj/es/Poder-Judicial/Noticias-Judiciales/El-Tribunal-Supremo-condena-a-la-Administracion-a-facilitar-a-una-Fundacion-Ciudadana-el-codigo-fuente-de-la-aplicacion-informatica-que-acredita-a-los-beneficiarios-del-bono-social-electrico.

[2] Considerando 59 | Ley de Inteligencia Artificial de la UE.

4.1 Mejora de la situación actual e incorporación de nuevos tributos al análisis del fraude

Todo es susceptible de mejora y, como no podía ser de otra manera, se están analizando los avances en la utilización de la inteligencia artificial para poder obtener mejores resultados con un menor coste invertido tanto en tiempo como en medios humanos.

Para todos los tributos, la principal línea de mejora consiste en recopilar la máxima información del máximo número de Administraciones Públicas posibles: Catastro, Colegio de Aparejadores, Comunidad de Madrid (principalmente sobre el Impuesto sobre Sucesiones y Donaciones –ISD– y el Impuesto sobre Transmisiones Patrimoniales y Actos Jurídicos Documentados –ITPAJD–, así como de la base de datos de la construcción), Notarios, etcétera. El intercambio de información entre Administraciones es crucial para poder investigar los nichos en los que se produce un mayor fraude.

Descendiendo al detalle de cada uno de los impuestos, en el IIVTNU, si bien es el impuesto en el que más recursos se han utilizado y que ha arrojado resultados más satisfactorios, se va a intentar obtener y cruzar los valores de compra de las adquisiciones anteriores de los inmuebles, según la ficha notarial anterior, para comparar la cuota obtenida también por el método directo, además del método objetivo.

Para ICIO, la depuración en el origen de los datos es crucial. Sin una fuente de los datos bien homogeneizada, es muy difícil obtener resultados precisos. Por ello, el correcto tratamiento de la información en origen y, en su caso, la transformación de ésta para que sea legible por la herramienta de IA es imprescindible para extraer candidatos a inspeccionar.

En el caso de la Tasa de Terrazas, el avance que se espera obtener es mucho mayor dado el margen de mejora existente. En concreto, se va a cruzar la ubicación de cada una de las terrazas que han obtenido la autorización administrativa correspondiente para poder realizar una correcta inspección de campo y poder detectar así localizaciones en los que el fraude puede ser superior. Asimismo, la disponibilidad de la documentación de dichas inspecciones a pie de calle junto con una puntuación (score, como en el resto de tributos) también va a permitir una mejor planificación de las actuaciones inspectoras.

Lógicamente, una vez afianzados los tributos con los que se ha empezado a implementar la inteligencia artificial, se va a extender el modelo para el resto de impuestos y tasas que, en un primer momento, no se abordaron total o parcialmente. IAE, IBI, IVTM y todas las tasas que son objeto de procedimientos de comprobación e investigación realizados por la Inspección tributaria van a ser incluidos en la herramienta de obtención, tratamiento y generación de resultados para detectar correctamente los nichos de fraude de cada uno de ellos.

Además, la utilización de IA en Inspección no se va a circunscribir exclusivamente a una labor de detección de omisiones ya ocurridas, sino que van a focalizarse los esfuerzos en alimentar a la herramienta con toda la información necesaria para que tenga una misión predictiva: descubrir el fraude antes de que éste se produzca, considerando la forma de actuar de cada contribuyente y de su sector, y favoreciendo así el cumplimiento voluntario de las obligaciones tributarias.

Esta IA generativa debe convertirse en un compañero de productividad de la Inspección, y no sólo un detector autómata del fraude. Se debe integrar la labor de la IA en todas las fases de los procedimientos de inspección, sancionador y de comprobación limitada, desde el primer cruzado de datos hasta el análisis de las actas y resoluciones tramitadas.

Esta herramienta debería permitir, en un primer momento, poder evaluar y, posteriormente, desechar o tramitar los casos que supongan un menor riesgo. En el segundo caso, la IA podría, por sí misma, generar un primer borrador de cálculo y de documento para que, una vez examinado por el inspector, pueda ser notificado al contribuyente. De esta forma, el inspector se centraría en los casos más complejos que requieren una intervención humana de mayor calado. ¿El resultado? Ahorro de tiempo, reducción del síndrome del “funcionario quemado” y un equipo enfocado más en lo relevante que en lo innecesario, automatizando lo mecánico para focalizarse en lo complejo.

Siguiendo el último trabajo publicado por el FMI (Generative Artificial Intelligence for Compliance Risk Analysis: Applications in Tax and Customs Administration), la IA generativa puede potenciar el análisis de riesgo y digerir datos complejos. La intención es que esta herramienta evolucione rápidamente en varias fases. En una fase primaria, se constituiría como un asistente, que puede automatizar tareas repetitivas y tratar grandes bases de datos de diferentes orígenes, internos y externos. En una segunda fase, la IA generativa se convertiría en un consultor, una especie de “comodín de la llamada” para obtener asesoramiento experto sobre nichos de fraude para ayudar en la toma de decisiones complejas. Una tercera evolución supondrá que la IA generativa es un actuario más en el procedimiento inspector, no autónomo pero sí como “pareja” de un inspector humano y especializado que actuaría como supervisor. Y, lógicamente, la última fase (de la que todavía estamos muy lejos y para la que será necesario consolidar tanto la comprensión de la IA por los ciudadanos como el marco legal para su aplicación) conllevaría la autonomía total de la IAgen, como inspector propio, con su propia capacidad de digestión de información y de incoación de expedientes, con mínima supervisión humana.

4.2 Posibles obstáculos del uso de la inteligencia artificial en la inspección tributaria

Como en cualquier cambio que se quiera implementar, hace falta disponer de medios materiales y humanos. La actual Administración pública no dispone de excesivos medios humanos. La falta de personal es patente en todos los sectores y niveles administrativos, y el envejecimiento del funcionariado es algo palmario. En esta tesitura, la IA arroja luz sobre un problema que se va a agravar notablemente en un futuro cercano. Así, se pueden aprovechar las capacidades de la IA para automatizar todos los procesos que impliquen procesos repetitivos y recurrentes: captura de la información, ordenación de la misma, configuración de los cruces de datos, preparación de los candidatos a inspeccionar, etcétera.

Ello va a crear un cuerpo de funcionarios de todos los niveles con una especialización muy superior a la existente, que puede elevar el nivel de conocimiento y productividad de los empleados públicos. De hecho, grandes firmas legales han comenzado a sustituir la contratación de personal sin experiencia ni formación especializada por procesos bien definidos de IA.

No obstante, el funcionario no debe dejar de aprender y, por ello, la formación en habilidades tecnológicas es vital. Incluso la mejor tecnología no generará ganancias de productividad si los equipos no saben cómo usarla de manera efectiva. Se deben comprender los procesos que realiza la IA en la detección del fraude, saber cómo se han configurado los cruces de la información y cuáles son los puntos de mejora que pueden implementarse, gracias a la experiencia obtenida en los procedimientos de inspección que puede aportar un actuario. De igual forma, la eliminación de compartimentos estancos requiere una colaboración y un entendimiento entre informáticos, analistas y expertos en fraude para interpretar los conocimientos con precisión, comprendiendo las alertas que el sistema genera como candidatos a inspeccionar y depurando posibles errores que puedan producirse en el procedimiento. Allí donde la IA no llega es donde el actuario bien formado y especializado tiene mayor recorrido gracias a sus habilidades y su capacidad de decisión.

En cuanto a los medios materiales, las herramientas de IA deben aprovecharse en su máxima capacidad. Aunque cada vez hay más softwares especializados en la detección de nichos de fraude por la IA, en su mayoría se trata de programas de amplio espectro que deben ser adaptados para su utilización en el ámbito inspector. Como ha ocurrido en la práctica, esto conlleva fricciones entre informáticos, analistas e inspectores, puesto que, en determinados casos, los resultados obtenidos no cubren las expectativas generadas, pudiendo incluso seleccionar casos absurdos que la IA ha alertado como grandes defraudadores, cuando la cuota dejada de abonar era mínima, eran supuestos palmarios de no sujeción o exención, o se había realizado el pago correspondiente. Lógicamente, esto conlleva desesperanza entre los agentes implicados, lo que supone un notable punto de mejora para pulir y obtener los resultados deseados en todas las fases del procedimiento.

Analizando la utilización de la IA en el ámbito de la detección del fraude desde el “lado oscuro”, quien tenga una voluntad clara de defraudar y cuente con las herramientas técnicas para ello sigue un paso por delante, ya que las posibilidades de la IA también pueden utilizarse en beneficio de quienes pretender evadir o eludir las responsabilidades fiscales, traspasando la “red” legal.

Además, desde la perspectiva del contribuyente surgen reservas por la opacidad de los algoritmos utilizados en la depuración y selección de candidatos a inspeccionar. Ha de definirse cómo se publican detalles técnicos de las herramientas utilizadas, evitando desconfianza y posibles conflictos con el principio de transparencia.

Asimismo, la existencia de reticencias en la utilización de la IA como resistencia al cambio en la forma de trabajar y los obstáculos legales que pueden surgir no deben ser desdeñados. La IA aplicada a la detección del fraude, a pesar de sus bondades, no va a sustituir todo el trabajo de un inspector ni va a crear un mundo de fantasía en el que todas las omisiones van a ser detectadas, calculadas, generadas y notificadas por un robot. La conjunción entre la herramienta y el funcionario es crucial, por lo que el buen funcionamiento de la primera con la supervisión del segundo se convierte en la clave para conseguir resultados satisfactorios en la Inspección.

4.3 Garantías para el uso de la inteligencia artificial en la inspección tributaria

La aplicación de la Inteligencia Artificial (IA) en la gestión tributaria, particularmente en la inspección, exige un marco robusto de garantías para los ciudadanos con el fin de gestionar adecuadamente los riesgos potenciales relacionados con la seguridad, la privacidad y los posibles sesgos discriminatorios, Para ello, la Agencia Tributaria Madrid (ATM) tiene el firme compromiso de desarrollar activamente medidas que refuercen la confianza en el uso de estas tecnologías.

En primer lugar, la elaboración de un marco de gobernanza de la IA con un enfoque centrado en la persona (“human centric”), que incluya los siguientes elementos:

1. Redacción de un código ético aplicable a todos los usos tributarios, no solo a la inspección. El uso de la IA debe estar guiado por principios éticos y el respeto a los derechos fundamentales, sirviendo como una herramienta que incremente el bienestar humano. Este código debe promover la transparencia en el uso de la IA, informando adecuadamente a los contribuyentes del uso de esta tecnología, y la explicabilidad de los modelos, así como velar por un uso objetivo y no discriminatorio, mitigando y corrigiendo los posibles sesgos negativos que pudieran estar ocurriendo.
2. Aseguramiento de la calidad de los proyectos que empleen IA, alineándose con los códigos de buenas prácticas y estándares definidos por Comisión Europea. Realización de una adecuada evaluación de riesgos y un estricto cumplimiento del Reglamente General de Protección de Datos (RGPD) para asegurar la privacidad y protección de la información de carácter personal durante todas las fases, desde la concepción inicial, identificación de fuentes de datos y especificación de requisitos del proyecto hasta su puesta en producción y monitorización. Es fundamental que los sistemas de IA empleen datos de calidad, verificando que las fuentes sean fidedignas, vigentes, actualizadas y no sesgadas. Se trabajará proactivamente en una adecuada calidad del dato.
3. Elaboración de un modelo de gobierno de la IA con participación de equipos multidisciplinares que garanticen un correcto uso de esta tecnología desde el punto de vista técnico, jurídico y ético. Para garantizar un uso seguro y responsable se definirá una metodología específica que cubra todo el ciclo de vida del proyecto y los entregables asociadas a cada una de las fases: especificación de requisitos, análisis de riesgos, medidas de ciberseguridad y protección de datos, diseño, validación, puesta en producción, monitorización, evaluación y mantenimiento del sistema. En todas las fases se realizará una estricta supervisión humana, atendiendo al concepto de “Human in the loop”, con una participación activa en todas las etapas, desde la recogida y verificación de la calidad de los datos hasta la elección de modelos y la monitorización del funcionamiento de los sistemas.

En segundo lugar, es crucial la elaboración de un marco de cobertura normativa del uso de la IA en la Agencia Tributaria Madrid (ATM), limitado reglamentariamente por las ordenanzas municipales, que dé respuesta a la necesidad de un marco legal claro que resuelva las incertidumbres y otorgue precisión a los conceptos clave como la transparencia, la explicabilidad y la ausencia de sesgos. Este marco debe estar alineado con la nueva legislación general sobre la IA, como el Reglamento Europeo de IA (AI Act) y el anteproyecto de ley de Inteligencia Artificial, y estará basado en un compromiso proactivo de seguimiento de las novedades legislativas, las posibles sentencias y el debate doctrinal en esta materia.

Finalmente, es indispensable la definición de un programa de formación a medio plazo, puesto que incluso la mejor tecnología resulta ineficaz si los equipos no saben cómo utilizarla eficaz y responsablemente. Este programa debe capacitar al personal en el conocimiento de la IA desde una perspectiva tecnológica, de su uso en la gestión ordinaria, de sus riesgos y de una formación específica para garantizar la supervisión humana ("human-in-the-loop"), asegurando que la inteligencia natural del funcionario prevalezca y controle las decisiones que la IA pueda proponer.

La experiencia de la Agencia Tributaria Madrid (ATM) ha demostrado la utilidad del uso de la analítica avanzada de datos y la Inteligencia Artificial (IA) para la prevención y detección del fraude fiscal y mejorar la eficiencia. Se ha constatado una evolución desde un enfoque manual y artesanal de cruces de datos, a un proceso automatizado y a la detección en nuevos nichos de fraude antes inexplorados.

Para alcanzar estos logros ha sido fundamental el esfuerzo conjunto de la Inspección Tributaria y el Laboratorio Tributario. Las largas horas de reuniones explicativas entre ambas partes y el proceso continuo de depuración y revisión de las alertas generadas, se ha materializado finalmente en un modelo mejorado de detección del fraude que ha sentado las bases para su futura evolución hacia un uso más avanzado de la Inteligencia Artificial. Además de la implementación de reglas complejas, un avance clave en la colaboración ha sido la capacidad de obtener ganancias rápidas ("quick wins") que ha permitido ir obteniendo avances de forma progresiva. La acción conjunta de los equipos ha sido crucial también para abordar el reto de la calidad del dato, actuando de forma coordinada para impulsar la calidad de los datos en origen.

Como principales conclusiones cabe reseñar:

• La experiencia y estrategia de la Agencia Tributaria Madrid demuestra que la transformación digital y el uso de inteligencia artificial son herramientas clave para prevenir el fraude fiscal, mejorar la eficiencia administrativa y fortalecer la relación con el contribuyente. La IA está transformando el proceso partiendo de un enfoque manual, intensivo en factor trabajo y artesanal en los cruces de datos, a una optimización de recursos materiales y humanos y a una detección de nuevos nichos de fraude antes inexplorados.
• La sinergia existente entre la Inspección tributaria, el Laboratorio tributario y la herramienta de gestión de datos es la base del éxito de este proyecto. Desde los conocedores especializados del negocio (Inspección Tributaria), en consonancia con los expertos en el análisis de la información y de las herramientas tecnológicas punteras (el Laboratorio Tributario), se ha obtenido gradualmente una depuración, planificación, y carga de expedientes de los diferentes tributos (especialmente en IIVTNU) de forma más eficaz, conllevando un tratamiento de los datos con herramientas mucho más potentes que las disponibles actualmente. El ahorro de tiempo es notable, puesto que la depuración de los datos y la obtención de candidatos a inspeccionar es mucho más ágil.
• Gracias al análisis de datos y algoritmos y la fijación de «reglas» y «puntuaciones», la Inspección ha pasado de ser reactiva a anticiparse al fraude, permitiendo una selección más precisa de contribuyentes a regularizar. La combinación de datos compartidos, técnicas de análisis avanzado y algoritmos de aprendizaje automático permite identificar patrones de fraude, reducir significativamente los tiempos de investigación y detectar riesgos que, de otro modo, podrían permanecer ocultos.
• La utilización de la IA generativa debe realizarse con supervisión humana y siempre quedando al servicio del funcionario. La inteligencia natural predomina sobre la inteligencia artificial, siendo ésta un medio y nunca considerándose como la verdad absoluta.
• La prevención del fraude mediante IA debe concebirse tanto como un instrumento de control de omisiones a posteriori como un motor estratégico capaz de impulsar una transformación profunda en la forma de trabajar. Implementadas adecuadamente, las políticas antifraude basadas en el análisis de información por la IA permiten optimizar el uso del tiempo, mejorar la especialización del inspector en tareas complejas y obtener una mejor eficacia, eficiencia y efectividad en el trabajo.

A pesar de los logros alcanzados, es aún mucho el camino por recorrer. Los retos en mejora de la calidad del dato, depuración de los modelos actuales e incorporación de nuevos modelos más avanzados siguen más presentes que nunca. Los logros conseguidos y el indiscutible afán de la ATM por seguir progresando en este camino nos animan a seguir recorriéndolo. Un camino en el que inteligencia natural del ser humano debe predominar sobre la artificial para asegurar que su aplicación se enmarque en el respeto continuo a los principios rectores de la actuación tributaria y a la mejora de la vida de los ciudadanos mediante un sistema tributario más justo.