Remark l’IA modifie discrètement les cotisations fiscales
Il fut un temps où le contrôle de l’impôt sur le revenu dépendait en grande partie d’une sélection manuelle, de la suspicion humaine et, occasionnellement, de la probability. Les contribuables croyaient souvent qu’à moins que leur file ne se retrouve sur la « desk du mauvais agent », les possibilities d’un examen approfondi étaient relativement faibles. Cette époque est en prepare de disparaître rapidement.
Aujourd’hui, l’intelligence artificielle (IA), l’analyse des données et les systèmes de rapprochement automatisés transforment discrètement l’ensemble du mécanisme de cotisation de l’impôt sur le revenu. Le nouveau système ne se limite pas aux revenus divulgués dans la déclaration. Il examine de plus en plus le mode de vie, les habitudes de dépenses, les transactions bancaires, les investissements, les achats immobiliers, les données de TPS, les informations TDS, les envois de fonds étrangers et même les pistes de paiement numériques.
Bref, le ministère de l’impôt sur le revenu ne connaît peut-être pas votre couleur préférée, mais il connaît probablement vos habitudes de dépenses.
Le plus intéressant est que, dans de nombreux cas, la sélection minutieuse n’est plus motivée par la « suspicion humaine ». Elle est de plus en plus portée par le « Knowledge Analytics ». Les contribuables pourraient penser qu’il s’agit simplement d’un idea futuriste. Toutefois, les évolutions récentes suggèrent le contraire. Dans l’une des enquêtes technologiques les plus importantes de ces dernières années, les autorités auraient analysé près de 60 téraoctets de données de facturation de eating places couvrant environ 2,43 crores de lakh ₹ de transactions sur six exercices. L’exercice aurait indiqué une attainable suppression des ventes dépassant 70 000 crores ₹ en raison de suppressions de factures et de modèles de sous-déclaration. Ce qui est remarquable, c’est que l’enquête aurait commencé non pas par une enquête ou une recherche, mais par une analyse de données. En bref, les découvertes conduisent de plus en plus à des enquêtes plutôt que des enquêtes menant à des découvertes. Comprenons remark l’IA modifie silencieusement les cotisations fiscales à travers quelques conditions pratiques réelles.
1. Le problème des « faibles revenus et fashion de vie luxueux » : un contribuable a déposé un RTI indiquant un revenu annuel de 6 lakh ₹. Toutefois, les voyages à l’étranger, les dépenses élevées par carte, les achats de luxe et les investissements importants reflètent un profil financier très différent. Les systèmes d’IA regroupent et comparent désormais automatiquement ces factors de données. Le contribuable a reçu un avis demandant des explications sur la supply des dépenses et des investissements. En matière de fiscalité, les modes de vie sur Instagram et les déclarations de revenus devraient maintenir une coordination raisonnable.
2. La piste UPI qui a refusé de rester personnelle : un petit commerçant a déclaré un chiffre d’affaires de 18 lakh ₹ sous taxation forfaitaire. Cependant, les données de paiement numérique reflétaient des crédits UPI dépassant largement le chiffre d’affaires déclaré. L’argument du contribuable était le suivant : « De nombreux reçus étaient des transferts personnels d’amis et de mother and father ». Malheureusement, les systèmes d’IA ne sont pas très émotifs lorsqu’ils lisent des relevés bancaires. Les collectes fréquentes de codes QR et les modèles de reçus récurrents peuvent désormais déclencher une vérification. Le ministère fait de plus en plus la distinction entre les transferts personnels et les recettes professionnelles.
3. Les revenus de loyer oubliés par le propriétaire : Un contribuable retraité a honnêtement divulgué ses revenus de pension, mais a oublié d’inclure le loyer reçu d’un locataire qui travaille dans une entreprise. Auparavant, de telles omissions échappaient parfois à l’consideration. Aujourd’hui, les données AIS, TIS et TDS sont automatiquement mises en correspondance avec la déclaration déposée. Le contribuable a ensuite reçu une info concernant des revenus de loyer non déclarés dans l’ITR. De nombreux contribuables sont surpris d’apprendre que les locataires divulguent souvent le nom du propriétaire, le PAN et les détails du loyer à leurs employeurs tout en demandant une exonération HRA.
4. Lorsque le registre de la propriété a commencé à parler de la déclaration de revenus : un employé salarié a acheté une propriété d’une valeur de 95 lakh ₹. Cependant, l’ITR reflétait un revenu salarial modeste et un historique d’épargne limité. Les systèmes basés sur l’IA ont signalé la transaction pour les raisons suivantes :
• Données d’enregistrement de propriété,
• Informations sur le prêt immobilier,
• Valorisation du droit de timbre,
• Le profil de revenu ne semble pas proportionné.
Le ministère a demandé des explications sur la supply des fonds. De tels cas peuvent impliquer de véritables économies ou un soutien familial. Le problème est souvent la documentation plutôt que l’évasion fiscale.
5. Les transactions boursières « invisibles » : les systèmes d’IA peuvent détecter les plus-values non déclarées, les pertes sur produits dérivés, les asymétries de dividendes et les ajustements de pertes suspects. Certains contribuables découvrent l’significance de l’Annexe CG seulement après avoir reçu un avis d’imposition.
6. Comparaison TPS-impôt sur le revenu : L’un des outils d’évaluation basés sur l’IA les plus puissants aujourd’hui est la vérification croisée entre les déclarations de TPS et les déclarations de revenus. Supposons que le chiffre d’affaires de la TPS soit de 1,8 crore ₹, mais que le chiffre d’affaires déclaré dans la déclaration de revenus soit nettement inférieur ou que les recettes brutes de la TPS ne correspondent pas aux modèles bancaires. De telles incohérences sont de plus en plus signalées automatiquement. Auparavant, les différents départements se comportaient comme des cousins éloignés.
Aujourd’hui, leurs bases de données se comportent de plus en plus comme des proches.
7. Jeux en ligne, crypto et revenus numériques : Les jeux fantastiques, le buying and selling de crypto, les revenus des influenceurs et les revenus en ligne ont créé des défis fiscaux entièrement nouveaux. De nombreux contribuables croient encore : « Les petits revenus numériques sont invisibles ». Cette hypothèse devient rapidement obsolète. Les plateformes déclarent de plus en plus les good points, les retraits et les données de transactions aux autorités fiscales. Certains contribuables célèbrent immédiatement leurs good points de jeu et comprennent les implications fiscales beaucoup plus tard.
8. Les fausses demandes de déduction deviennent de plus en plus risquées : l’un des changements de comportement les plus importants créés par l’examen basé sur l’IA concerne la vérification des déductions. Auparavant, les demandes de déduction gonflées échappaient parfois à la vérification en raison de limitations de quantity. Désormais, des schémas de déduction inhabituels ou similaires provenant de la même adresse IP peuvent automatiquement déclencher des indicateurs de contrôle.
Les exemples incluent :
• Réclamations HRA anormales,
• Demandes excessives de dons politiques,
• Déductions médicales gonflées,
• Contributions caritatives suspectes,
• et des modèles de dépôt répétitifs axés sur le remboursement.
Un récent racket de remboursement découvert par le ministère en est un parfait exemple. L’analyse des données aurait révélé qu’un grand nombre de contribuables salariés réclamant des déductions et des remboursements similaires étaient liés à une identification de courrier électronique et à un modèle de déclaration communs. Une enquête plus approfondie aurait révélé le dépôt organisé de déclarations impliquant des demandes de déduction fausses et inéligibles. Ce qui aurait pu auparavant échapper à l’consideration en milliers de retours a été détecté parce que les ordinateurs sont remarquablement efficaces pour identifier des modèles inhabituels. Des analyses similaires ont également signalé des demandes de dons politiques suspectes où les modèles de déduction et les données à l’appui ne correspondaient pas aux contributions déclarées.
9. Le traitement des remboursements devient également piloté par l’IA : l’IA et l’automatisation fonctionnent dans les deux sens :
• Les véritables remboursements peuvent être plus rapides,
• Mais les réclamations incorrectes peuvent également être détectées plus rapidement. Le logiciel reste bien plus discipliné que les contribuables.
En bref, cela accélère le traitement des remboursements, l’identification des discordances et les communications automatisées.
10. Le plus grand changement – les évaluations deviennent des « évaluations de données » : l’examen traditionnel dépendait en grande partie des paperwork examinés physiquement au cours de la procédure d’évaluation. Aujourd’hui, le ministère peut déjà posséder des informations family members au salaire, aux intérêts, aux transactions immobilières, aux investissements, au chiffre d’affaires de la TPS, au TDS et à plusieurs autres activités financières avant même le dépôt de la déclaration. Une déclaration de revenus n’est donc plus simplement un « formulaire ». Il s’agit de plus en plus d’une « déclaration de rapprochement des données ».
Conclusion
L’intelligence artificielle ne modifie pas seulement la rapidité des cotisations fiscales. Cela change la philosophie même de l’administration fiscale. Le système passe progressivement de la « Détection de dissimulation » à la « Détection d’incohérence ». Pour les contribuables honnêtes, cela améliore la transparence. En cas de reportages imprudents et de raccourcis, la marge de fuite se réduit. Après tout, à l’ère de l’IA, chaque transaction laisse une empreinte, et de plus en plus, ces empreintes sont suivies par des machines dotées de mémoire.
[Views expressed are the personal view of the author. Readers are advised to seek professional advice before taking any decisions. Readers may forward their feedback & queries at nareshjakhotia@gmail.com. Other articles & response to queries are available at www.theTAXtalk.com]
