Poreska prijava često izgleda uredno kada se proverava red po red.
Problem se može pojaviti tek kada se jedna stavka uporedi sa prethodnom
godinom, prometom, povezanim kontima ili podacima iz drugog sistema.
Upravo tu AI i mašinsko učenje postaju korisni: ne kao digitalni
inspektor koji donosi presudu, već kao dodatni sloj prekontrole.
Savremene poreske uprave već koriste analitiku za procenu rizika,
otkrivanje anomalija i rangiranje predmeta. Sličan princip može se
primeniti u računovodstvenom toku pre predaje prijave. Cilj nije da
firma „pogodi” da li će biti kontrolisana, već da pronađe stavke koje
zaslužuju još jedan pogled.
Interni rezultat rizika zato treba tumačiti pažljivo. Visok rezultat
nije dokaz greške ili prevare, niti pouzdano predviđanje buduće
kontrole. Nizak rezultat takođe ne garantuje da je prijava ispravna.
Rezultat je signal za pregled, a konačnu odluku mora doneti stručna
osoba na osnovu dokumentacije i važećih pravila.
Šta zapravo radi model
rizika?
Najjednostavniji pristup zasniva se na pravilima. Ako nedostaje
poreska kategorija, zbir pomoćne evidencije nije jednak glavnoj knjizi
ili se isti broj dokumenta pojavljuje dva puta, sistem prikazuje
upozorenje. Pravila su pregledna i lako se dokumentuju, ali pronalaze
samo ono što je unapred definisano.
Nadzirano mašinsko učenje radi drugačije. Model se obučava na
istorijskim primerima sa poznatim ishodom, a zatim procenjuje nove
prijave ili transakcije. Može da prepozna složene veze između prihoda,
odbitaka, kredita i bilansnih stavki. Njegova slabost je zavisnost od
istorijskih podataka: ako su ranije kontrole bile selektivne ili
pristrasne, model može naučiti isti obrazac.
Otkrivanje anomalija ne zahteva unapred označene slučajeve. Ono
pronalazi stavke koje odstupaju od uobičajenog ponašanja firme, grupe
sličnih poreskih obveznika ili ranijih perioda. Takvo odstupanje može
biti greška, ali i potpuno opravdana jednokratna transakcija. Anomalija,
dakle, znači „neuobičajeno”, a ne „neispravno”.
Optimistični
„boomer” pogled: bolja kontrola, manje rutine
Iz optimističnog ugla, najveća vrednost AI nije zamena računovođe,
već uklanjanje zamornog pretraživanja tabela. Umesto ručnog pregledanja
hiljada redova, računovođa dobija kraću listu stavki rangiranih prema
prioritetu i može više vremena da posveti dokumentaciji, poreskom
tretmanu i razgovoru sa klijentom.
Javne primene pokazuju kako rangiranje funkcioniše u velikoj razmeri.
IRS koristi Line Anomaly Recommender da posmatra odnose između stavki
prijava srednjih korporacija, umesto da izolovano označava pojedinačne
brojeve. Njegov Large Partnership Compliance model pregledao je 282.884
prijave za poresku 2021. godinu i izdvojio 82 visokorizična predmeta za
kontrolu. Austrijski PACC je 2023. označio 375.000 predmeta za pregled,
uz oko 185 miliona evra dodatnog poreskog prihoda.
Francuska DGFiP primenjuje analizu satelitskih i vazdušnih snimaka
radi pronalaženja neprijavljenih bazena ili objekata, posle čega nalaze
proveravaju službenici. Britanski HMRC koristi Connect za povezivanje
podataka i procenu rizika. Važno je da se Connect ne predstavlja kao
potpuno autonoman AI: reč je o široj platformi za obradu podataka kojoj
se dodaju napredna analitika i mašinsko učenje.
Za računovodstvenu praksu poruka je jednostavna. Model može brzo da
rangira prijave, klijente ili knjiženja prema potrebi za pregledom.
Računovođa zatim istražuje razlog: pogrešno mapiranje, nepotpun
dokument, promenjen poslovni obrazac ili legitimna jednokratna
transakcija.
Na tržištu postoje kategorije alata za optičko prepoznavanje
dokumenata, automatsko usaglašavanje, poreski obračun i analizu
anomalija. Među javno pominjanim proizvodima su AutoEntry, DataSnipper,
MindBridge i ONESOURCE. Njihove konkretne funkcije, pokriveni porezi,
način čuvanja podataka i mogućnosti revizorskog traga moraju se
proveriti u aktuelnoj dokumentaciji proizvođača pre upotrebe.
Pesimistični
„doomer” pogled: crna kutija i lažna sigurnost
Pesimistični scenario počinje kada se rezultat modela pretvori u
presudu. Čak i dobro rangiran predmet može završiti bez utvrđene
promene. Kod zatvorenih kontrola prijava za poresku 2021. godinu iz
IRS-ovog programa za velika partnerstva, stopa kontrola bez promene
iznosila je 92%. Taj podatak snažno upozorava da visok rizik nije isto
što i dokazana nepravilnost.
Drugi problem je kvalitet podataka. Pogrešni tipovi polja, duplikati,
promenjeni nazivi konta ili nepotpuna istorija mogu proizvesti ubedljiv,
ali pogrešan rezultat. Model obučen na ranije kontrolisanim predmetima
može naslediti pristrasnost prethodnog izbora. Holandski slučaj
Toeslagenaffaire pokazuje ozbiljnost posledica neadekvatnih podataka i
iskrivljenih algoritamskih procena: približno 26.000 porodica bilo je
pogrešno optuženo za prevaru.
Ni objašnjivi AI nije savršeno rešenje. Tehnike kao što su SHAP i
LIME mogu pokazati koje su promenljive uticale na rezultat, ali
istraživanja upozoravaju da takva objašnjenja mogu biti nestabilna ili
nedovoljno verna stvarnom radu modela. Lep grafikon nije garancija da je
zaključak ispravan.
Rutinski poslovi će se premeštati ili gasiti tamo gde se svode na
prepisivanje, standardno čišćenje i mehaničko poređenje. Istovremeno
raste rizik da računovođa izgubi naviku samostalne provere i automatski
prihvati preporuku sistema. Generativni AI dodatno može proizvesti
netačne ili izmišljene odgovore. Odgovornost za prijavu ipak ostaje na
profesionalcu.
Minimalni radni tok u Excelu
Praktičan početak ne zahteva složen model. Podatke treba uvesti kroz
Power Query, sačuvati izvorne tabele i primeniti ponovljive korake za
tipove podataka, duplikate, prazna polja i spajanje evidencija. Power
Query čuva transformacije i ponovo ih primenjuje pri osvežavanju.
Zatim se dodaju pomoćne kolone sa razumljivim pravilima: neusaglašen
zbir, velika promena prema prethodnom periodu, ponovljen dokument ili
neuobičajen datum knjiženja. Pivot tabele i grafikoni mogu prikazati
promene po kontu, periodu, dobavljaču ili poreskoj kategoriji. Svaka
oznaka treba da ima razlog, status pregleda i ime osobe koja je odobrila
zaključak.
Za naprednije slučajeve može se koristiti Python in Excel. Spoljni
podaci se tada uvoze kroz Power Query, a analiza se obavlja nad
pripremljenom tabelom. Ako su podaci posebno osetljivi ili je model
složen, bolji izbor je odvojeni kontrolisani analitički tok sa
ograničenim pristupom, verzijama i zapisom izvršenja.
Praktični saveti za
bezbednu primenu
- Počnite od nekoliko jasnih pravila, a ne od složenog modela.
- Usaglasite zbirne iznose sa izvornim dokumentima pre analize.
- Čuvajte sirove podatke odvojeno od obrađenih tabela.
- Ne unosite podatke klijenata u neodobrene javne AI servise.
- Beležite razlog svakog upozorenja i odluku o prihvatanju ili
odbacivanju. - Pratite broj lažno pozitivnih nalaza i periodično proveravajte
pragove. - Zahtevajte ljudsko odobrenje pre predaje prijave.
Uravnotežen zaključak:
signal, ne presuda
AI može značajno poboljšati poresku prekontrolu, naročito kada se
kombinuju jasna pravila, kvalitetni podaci, analiza anomalija i
profesionalno rasuđivanje. Može da skrati rutinski rad i usmeri pažnju
na materijalne rizike.
Ali nijedan interni rezultat ne može pouzdano predvideti odluku
poreske uprave. Najodgovorniji sistem nije onaj koji proizvodi najviše
upozorenja, već onaj koji pokazuje zašto je stavka označena, čuva trag
provere, štiti podatke i ostavlja konačnu odluku čoveku.