Che cosa fa davvero paura dell’intelligenza artificiale? Forse che ci farà pagare le tasse

, ,
L’avatar di Gianluigi Bonanomi osserva una mappa e una dichiarazione dei redditi con una lente, accanto a un assistente IA.

Aggiornato l’8 novembre 2026 con studi scientifici e documenti istituzionali.

Immaginiamo una piccola indagine, del tutto ipotetica.

«Lei è favorevole all’intelligenza artificiale?»
«Certamente. Il progresso non si può fermare.»
«Anche quando aiuta a scoprire ricavi non dichiarati, patrimoni nascosti e operazioni costruite per aggirare il fisco?»
«Ecco, però adesso non corriamo troppo.»

La provocazione è questa: forse alcune applicazioni dell’intelligenza artificiale fanno paura proprio perché potrebbero funzionare. Soprattutto quando promettono di rendere visibile ciò che qualcuno preferirebbe lasciare nell’ombra.

Un conto è chiedere all’IA di riassumere un documento. Un altro è darle il compito di trovare contraddizioni fra documenti, dichiarazioni e comportamenti economici.

Naturalmente, non abbiamo prove che la paura dell’IA nasca principalmente dal timore dei controlli fiscali. Sarebbe una spiegazione comoda, ma indimostrata. Possiamo però partire da questa domanda per affrontarne una più concreta: quanto può diventare efficace un fisco che usa l’intelligenza artificiale? E chi dovrebbe preoccuparsene?

La risposta interessa gli evasori. Ma anche tutti gli altri.

L’IA che piace finché controlla qualcun altro

Vorrei proporre una distinzione fra due modi di immaginare l’intelligenza artificiale. Il primo è l’IA come assistente personale: mi aiuta a scrivere, lavorare, risparmiare tempo. Il secondo è l’IA come strumento di verifica: controlla se quello che dichiaro è coerente con quello che faccio.

Nel primo caso aumenta le mie possibilità. Nel secondo può ridurre i miei margini di manovra.

Qui nasce una tensione interessante. Desideriamo servizi pubblici efficienti, ma l’efficienza diventa meno affascinante quando riguarda una verifica che potrebbe toccarci. Siamo favorevoli alla trasparenza, purché la luce venga puntata nella direzione giusta.

È una chiave di lettura, non una diagnosi psicologica della popolazione. E non autorizza a considerare evasore chiunque critichi l’IA applicata al fisco: esistono obiezioni serie, che riguardano errori, privacy, discriminazioni e possibilità di difendersi.

Chiedere controlli migliori e chiedere garanzie migliori sono due richieste perfettamente compatibili.

Evasione, elusione e risparmio fiscale non sono sinonimi

Prima di affidare un compito all’algoritmo, sarebbe utile sapere quale compito gli stiamo affidando.

ConcettoChe cosa significa, in termini generali
Evasione fiscaleViolare gli obblighi tributari, per esempio occultando ricavi o utilizzando costi fittizi.
Elusione o abuso del dirittoOttenere vantaggi fiscali indebiti attraverso operazioni prive di sostanza economica, pur rispettando formalmente le norme.
Risparmio fiscale lecitoScegliere, entro le condizioni previste dalla legge, un’opzione fiscalmente più conveniente.

La distinzione è sostanziale. L’articolo 10-bis dello Statuto dei diritti del contribuente, introdotto nel 2015, disciplina l’abuso del diritto e salvaguarda la libertà di scegliere fra regimi e operazioni che comportano carichi fiscali differenti. Pagare meno grazie a una possibilità legittima non equivale a evadere.

Un sistema informatico può segnalare una struttura insolita. Stabilire se quella struttura violi una norma, realizzi un abuso o risponda a ragioni economiche effettive richiede un esame giuridico e fattuale.

L’anomalia è una domanda da approfondire, non una colpevolezza già accertata.

Intelligenza artificiale ed evasione fiscale: in Italia la questione è già sul tavolo

Il 28 ottobre 2026 la Commissione parlamentare di vigilanza sull’Anagrafe tributaria ha approvato un documento sul contrasto all’evasione, la sicurezza delle banche dati e la riservatezza dei contribuenti.

Il documento descrive il ruolo crescente dell’IA nell’analisi fiscale. Richiamando l’Atto di indirizzo sulla politica fiscale 2026-2028, parla dell’utilizzo integrato delle informazioni presenti nelle circa 200 banche dati del Sistema informativo della fiscalità, per costruire profili di rischio e orientare i controlli.

Ribadisce anche il principio della non esclusività della decisione algoritmica: i controlli devono continuare a essere decisi da funzionari e dirigenti. La Commissione osserva, però, che resta da chiarire quanto spazio decisionale rimarrà concretamente all’essere umano.

La notizia, dunque, è che la capacità di leggere insieme informazioni prima separate sta diventando una componente centrale dell’amministrazione fiscale. La differenza può essere enorme: possedere molti dati e riuscire a ricavarne indicazioni utili sono due cose diverse.

Quanto vale il problema? Attenzione a non confondere gli anni

Il dossier parlamentare sul Documento di finanza pubblica 2026 riporta, per il 2023, una stima dell’evasione tributaria e contributiva compresa fra 107,1 e 111,9 miliardi di euro. La sola componente tributaria è stimata fra 97,9 e 99,2 miliardi.

Sono dati riferiti al 2023, riportati nella documentazione del 2026: chiamarli semplicemente “l’evasione del 2026” sarebbe scorretto. Sarebbe altrettanto scorretto immaginare quella cifra come un tesoro interamente recuperabile installando un software.

Una stima delle entrate mancanti non coincide con somme già accertate, immediatamente riscuotibili. E non possiamo attribuire all’intelligenza artificiale tutto ciò che l’amministrazione recupera: servono confronti capaci di isolare il contributo della tecnologia.

Il punto sensato è un altro: anche miglioramenti parziali, su un problema di queste dimensioni, meritano attenzione.

Lo studio sui dati italiani: scegliere meglio chi controllare

Una delle ricerche più pertinenti è Refining public policies with machine learning: The case of tax auditing, di Marco Battaglini, Luigi Guiso, Chiara Lacava, Douglas L. Miller ed Eleonora Patacchini, pubblicata nel 2025 sul Journal of Econometrics. La scheda è disponibile anche nel repository dell’Università di Napoli Federico II.

Gli autori studiano dichiarazioni e controlli relativi alle imprese individuali italiane. Il risultato centrale: sostituendo il 10% dei controlli meno promettenti con altrettanti selezionati dal loro algoritmo, stimano un aumento fino al 39% dell’evasione individuata e del 29% di quella recuperata.

È una valutazione su dati amministrativi e su una specifica strategia di selezione. Non significa che l’Italia abbia già incassato il 29% in più grazie all’IA, né che il risultato sia automaticamente estendibile a tutti i contribuenti.

La lezione resta importante: per migliorare i controlli non serve necessariamente aumentarne il numero. Si può provare a scegliere meglio dove impiegare risorse limitate.

La prospettiva più interessante, per chi è in regola, sarebbe proprio questa: un’amministrazione capace di concentrare l’attenzione dove esistono segnali solidi, riducendo gli interventi inutili.

La piscina che il catasto non vedeva

La Francia offre un caso molto concreto. Il progetto Foncier innovant utilizza immagini aeree e algoritmi per individuare costruzioni e piscine potenzialmente non dichiarate. I risultati vengono confrontati con le informazioni fiscali disponibili.

Nella presentazione ufficiale del programma, l’amministrazione francese spiega che ogni potenziale anomalia viene verificata sistematicamente da un funzionario prima di contattare il proprietario. Nel giugno 2023 annunciava l’invio di comunicazioni a oltre 120.000 proprietari di piscine rilevate nei dipartimenti della Francia metropolitana.

È un esempio efficace perché rende visibile il meccanismo. Serve un sistema che confronti due rappresentazioni della realtà: quello che appare nelle immagini e quello che risulta negli archivi. La piscina, insomma, era nascosta soprattutto alla banca dati.

Ma il passaggio umano resta decisivo: rilevare una forma in una fotografia non basta per stabilire automaticamente un obbligo tributario.

Questo servizio di Euronews del 30 agosto 2022 racconta la precedente sperimentazione sulle piscine non dichiarate. È un caso storico, distinto dai numeri della successiva estensione nazionale.

Il fisco usa già l’IA. Anche senza ChatGPT

Secondo il rapporto Tax Administration 2025 dell’Organizzazione per la cooperazione e lo sviluppo economico, il 69% delle amministrazioni considerate dichiarava di utilizzare intelligenza artificiale, compreso il machine learning, nei dati riferiti al 2023. Il dato era l’8,6% nel 2016.

La categoria comprende impieghi diversi, inclusi servizi e assistenza: non significa che il 69% delle amministrazioni affidi gli accertamenti a un sistema autonomo.

Qui conviene distinguere le tecnologie. Il machine learning individua regolarità nei dati e può produrre previsioni o classificazioni. L’IA generativa è particolarmente adatta a produrre ed elaborare contenuti, come testi e sintesi.

Nel dibattito pubblico tutto finisce spesso sotto l’etichetta “IA”. Ma selezionare una posizione da approfondire, riconoscere una piscina e scrivere una spiegazione sono compiti differenti. Per capire che cosa funziona davvero dobbiamo guardare a dati, metodi e procedure.

La ricerca danese: conta quanto è verificabile il reddito

C’è uno studio precedente all’attuale entusiasmo per l’IA che aiuta a comprendere il problema. In Unwilling or Unable to Cheat?, pubblicato su Econometrica nel 2011, Henrik Jacobsen Kleven e coautori analizzano un esperimento fiscale danese su oltre 40.000 contribuenti.

L’evasione rilevata risultava vicina allo zero per i redditi comunicati anche da soggetti terzi, mentre era sostanziale per quelli autodichiarati. Lo studio rilevava inoltre effetti dei controlli precedenti e delle lettere che annunciavano un rischio di verifica sui redditi autodichiarati.

Non è uno studio sull’intelligenza artificiale e non dimostra che i risultati danesi si trasferiscano automaticamente all’Italia. Suggerisce però una lettura utile: l’opportunità di evadere dipende anche da quanto una dichiarazione è verificabile attraverso informazioni indipendenti.

L’IA può rafforzare questa verificabilità quando aiuta a collegare dati pertinenti. Non crea, però, le informazioni che mancano, né garantisce che quelle presenti siano corrette.

E i grandi patrimoni? Il rischio di cercare soltanto dove è facile

La provocazione fiscale perderebbe forza se finisse per immaginare soltanto piccoli contribuenti e piscine.

Uno studio di Annette Alstadsæter, Niels Johannesen e Gabriel Zucman, Tax Evasion and Inequality, pubblicato nel 2019 sull’American Economic Review, ha incrociato dati patrimoniali scandinavi con informazioni provenienti da istituzioni finanziarie offshore.

La ricerca mostra che l’evasione offshore è fortemente concentrata fra i più ricchi e che i controlli casuali tradizionali non ne restituiscono adeguatamente la distribuzione. È un risultato riferito a quel contesto, non una percentuale applicabile indistintamente ai patrimoni italiani.

Negli Stati Uniti, già nel settembre 2023 l’Internal Revenue Service annunciava l’impiego dell’IA nella selezione di grandi partnership da controllare, attraverso la collaborazione fra specialisti fiscali ed esperti di dati. Era l’annuncio di un programma, non la dimostrazione definitiva della sua efficacia.

Qui emerge una domanda politica: vogliamo un’IA che trovi ciò che è più facile trovare, oppure investiamo anche per renderle comprensibili i fenomeni più complessi?

Un sistema valutato soltanto sul numero delle contestazioni potrebbe ricevere incentivi diversi da uno valutato sulle somme effettivamente recuperate, sulla solidità degli atti e sull’equità della selezione. La scelta dell’obiettivo precede l’algoritmo.

Perché l’IA non “sconfiggerà” automaticamente l’elusione

Riconoscere uno schema sospetto può essere utile. Decidere se un’operazione sia abusiva è un passaggio diverso.

Immaginiamo due riorganizzazioni aziendali apparentemente simili. Una potrebbe avere ragioni industriali documentate; l’altra potrebbe essere costruita essenzialmente per ottenere un vantaggio fiscale indebito. Un modello può suggerire dove guardare. Per distinguere i casi servono documenti, contesto, interpretazione delle norme e possibilità di confronto.

Ci sono poi problemi che nessuna potenza di calcolo risolve da sola: informazioni non disponibili, difficoltà di cooperazione internazionale, regole ambigue, capacità di riscossione, risorse degli uffici.

L’intelligenza artificiale può rendere più potente un’amministrazione. Non sostituisce la qualità delle leggi e delle istituzioni.

Non può neppure decidere quali agevolazioni dovrebbero esistere o quale distribuzione del carico fiscale sia desiderabile. Queste restano scelte collettive.

Il contribuente onesto può avere ottime ragioni per preoccuparsi

«Se non hai niente da nascondere, non hai niente da temere» è una pessima specifica tecnica.

Un contribuente in regola può temere un dato sbagliato, un’identità confusa, un trasferimento interpretato male. Soprattutto, può temere il costo necessario per dimostrare che un sospetto era infondato.

In un intervento del maggio 2025, pubblicato sul sito del Garante per la protezione dei dati personali, Ginevra Cerrina Feroni richiama proprio l’importanza di dati esatti, aggiornati e pertinenti, insieme a trasparenza e garanzie contro le discriminazioni.

La qualità dei dati tutela contemporaneamente il cittadino e l’efficacia del controllo. Anche il riferimento alla supervisione umana deve diventare concreto. Un funzionario che riceve un suggerimento deve avere tempo, competenze e strumenti per metterlo in discussione. La presenza di una persona nell’organigramma non basta.

La domanda decisiva è se quella persona possa davvero correggere la macchina.

Un rischio alto non è una prova: un esempio numerico

Facciamo un esempio inventato, esclusivamente didattico. Consideriamo 10.000 posizioni, delle quali 100 effettivamente irregolari. Immaginiamo un sistema che intercetti 90 di quelle 100, ma segnali anche l’1% delle 9.900 regolari.

Avremmo:

  • 90 segnalazioni corrette;
  • 99 segnalazioni errate;
  • 189 posizioni complessivamente segnalate.

Più della metà delle segnalazioni riguarderebbe posizioni regolari, nonostante il sistema individui il 90% delle irregolarità presenti.

Non è una misura delle prestazioni degli strumenti dell’Agenzia delle entrate. Serve a mostrare perché percentuali apparentemente eccellenti possono essere insufficienti per giudicare un controllo.

Occorre conoscere anche quanti casi regolari vengono coinvolti, quali conseguenze subiscono e come vengono risolti gli errori. Se il risultato è una richiesta ragionevole di chiarimenti, il problema è diverso da quello di una contestazione pesante trattata come incontestabile.

Privacy e lotta all’evasione devono funzionare insieme

Un fisco efficace non dovrebbe raccogliere qualsiasi informazione soltanto perché tecnicamente accessibile.

Il Regolamento generale sulla protezione dei dati stabilisce principi di limitazione della finalità, minimizzazione ed esattezza. L’articolo 22 disciplina inoltre le decisioni basate unicamente su trattamenti automatizzati che producono effetti giuridici o analogamente significativi, prevedendo condizioni, eccezioni e garanzie. L’applicazione concreta richiede di considerare la procedura e la normativa pertinente.

Dal punto di vista di chi valuta questi sistemi, chiederei almeno cinque cose:

  1. Risultati verificabili: quanto migliora il recupero rispetto a un metodo alternativo?
  2. Errori misurati: quanti contribuenti regolari vengono coinvolti inutilmente?
  3. Responsabilità identificabili: chi risponde della scelta e può modificarla?
  4. Possibilità di contestazione: come si correggono informazioni e valutazioni errate?
  5. Controllo dell’equità: l’attenzione si concentra sistematicamente sui soggetti più facili da esaminare?

Sono criteri di buona progettazione e valutazione. Il numero di anomalie prodotte da un software, da solo, non ci dice se abbiamo costruito un fisco migliore.

La stessa efficienza dovrebbe aiutare a pagare il giusto

Proviamo a ribaltare la prospettiva. Se chiediamo all’IA di individuare le incoerenze a favore dello Stato, dovremmo volerla anche al servizio del contribuente.

L’obiettivo potrebbe essere un’amministrazione capace di segnalare prima un errore, rendere comprensibile un adempimento, riconoscere tempestivamente un versamento duplicato, facilitare l’accesso a un diritto. È una proposta di utilizzo, non la descrizione di servizi già universalmente disponibili.

Un buon fisco digitale dovrebbe aiutare a pagare il giusto con meno fatica, oltre a rendere più difficile sottrarsi agli obblighi.

Questo sarebbe un criterio utile anche per valutare il cambiamento: quanto tempo risparmiano cittadini e imprese? Quanto diventa semplice correggere un errore? Quanto migliorano le spiegazioni ricevute? L’efficienza pubblica dovrebbe essere riconoscibile anche dall’altra parte dello sportello.

La domanda scomoda: chi perde quando il sistema funziona?

Torniamo alla provocazione iniziale. L’IA potrebbe rendere più difficile nascondere alcune irregolarità. Le ricerche e i casi descritti mostrano possibilità concrete, insieme a limiti altrettanto concreti. Non dimostrano la futura scomparsa dell’evasione.

Ma ci invitano a discutere dell’innovazione anche in termini di interessi: chi guadagna quando aumenta la capacità di verifica? Chi perde un vantaggio? Chi rischia di subire un errore? Chi può difendersi meglio?

Non tutte le resistenze al cambiamento sono nobili. Non tutte le promesse di efficienza sono innocenti.

Io vorrei un’intelligenza artificiale capace di rendere meno conveniente evadere e meno faticoso essere in regola. Un sistema severo con le irregolarità, preciso con i dati e disposto a riconoscere i propri errori.

Se l’IA riesce a scoprire una contraddizione nella mia dichiarazione, vorrei che fosse altrettanto brava a capire quando la contraddizione è nei suoi archivi.

E forse è qui che la provocazione diventa una proposta seria: usare la tecnologia per rendere più difficile approfittarsi delle regole e più semplice rispettarle.

Portiamo questo confronto nella tua organizzazione

Vuoi portare nella tua organizzazione un confronto concreto su IA, dati e decisioni, fra opportunità e responsabilità? Possiamo progettare un incontro o un percorso di formazione a partire da casi come questi. Scrivimi attraverso il modulo qui sotto.

Invia un'email

Iscriviti alla mia newsletter

Novità, strumenti e riflessioni su intelligenza artificiale e digitale, direttamente nella tua casella.

Iscriviti gratis alla newsletter

0 commenti

Lascia un Commento

Vuoi partecipare alla discussione?
Sentitevi liberi di contribuire!

Lascia un commento