El tax compliance tiene un valor para la prevención del delito que se ha visto fortalecido por el desarrollo de la inteligencia artificial. Para comprender a cabalidad su alcances, es necesario analizar el contexto. Franklin Martín Ruíz Gordillo y José Ramón Pérez Villatoro se abocan a ello.
Introducción
El año 2022 terminó con uno de los lanzamientos más importantes en el contexto de la inteligencia artificial, el denominado ChatGPT, un sistema de redes neuronales con capacidades de aprendizaje profundo que representa los alcances del Machine Learning en materia de detección de irregularidades, las cuales pueden adaptarse en materia de prevención delictiva y asegurar un control interno versado en el artículo 421 del Código Nacional de Procedimientos Penales (CNPP) y en el 11 bis del Código Penal Federal (CPF), asegurándose una debida diligencia a partir de sistemas inteligentes respaldados por cadenas de bloques (blockchain), de manera que se cubre el valor preventivo que tiene el tax compliance; sin embargo, es necesario analizar este contexto actual.
El valor jurídico preventivo del tax compliance
A partir de las reformas al CNPP ocurridas en 2016 se adhiere la responsabilidad penal de la persona jurídica, diseñándose un catálogo nacional en el artículo 11 bis del CPF, en cuyo inciso viii del apartado B se señala la responsabilidad penal de la persona jurídica frente a los delitos de defraudación fiscal y su equiparable, señalados en los artículo 102 y 105 del Código Fiscal de la Federación, e independientemente de otros delitos establecidos en materia financiera, como el fraude o el contrabando, los que abordan la defraudación cuentan con actos específicos que contemplan lo siguiente: “Artículo 108. Comete el delito de defraudación fiscal quien con uso de engaños o aprovechamiento de errores omita total o parcialmente el pago de alguna contribución u obtenga un beneficio indebido con perjuicio del fisco federal”.
Figueroa (2016) señala que la defraudación fiscal supone “la intención de dañar, la realización de un acto voluntario o la ocultación (omisión) de cualquier circunstancia con relevancia fiscal, con el propósito deliberado de sustraerse en todo o parte a una obligación fiscal” (p. 119). La defraudación constituye una especie del género de la evasión y tiene como elemento esencial configurativo la concurrencia del dolo. Es una figura de daño patrimonial en la que la materialidad de la acción se basa en la omisión total o parcial de ingresar a la administración fiscal sumas adeudadas por sujetos o particulares por concepto de tributos, a través de aprovechamiento de errores o de la utilización de maniobras engañosas.
De modo que la diferencia es el dolo, según el penalista mexicano González de la Vega (2014) conforme a su noción doctrinaria penal. El fraude, por ejemplo, es un delito patrimonial que consiste, en términos generales, en obtener, mediante falacias y engaños, o por medio de maquinaciones o falsos artificios, la usurpación de cosas o derechos ajenos (p. 242). Por otro lado, Arrioja (2008) comenta que “la evasión opera fundamentalmente como un caso de omisión, es decir, el contribuyente en forma pasiva deja de cubrir el impuesto, ya sea por ignorancia o por imposibilidad material. Caso contrario del fraude fiscal, caracterizado por la acción del sujeto pasivo, que lleva a cabo una serie de maquinaciones, artificios y falacias con el objeto de dejar de pagar prestaciones fiscales” (p. 489).
Existe mala fe en el delito de defraudación y se causa un perjuicio al erario a través del camino del engaño. Los elementos del hecho ilícito establecidos en el artículo 108 del Código Fiscal de la Federación son los siguientes:
a) Omisión de pago de un tributo de manera total o parcial.
b) Engaño o aprovechamiento de errores.
c) Consecución de un beneficio indebido.
d) Nexo de causalidad entre el engaño y el no pago del tributo u obtención del beneficio indebido.
De manera que el delito de defraudación fiscal no se limita al error, ya que existen mecanismos administrativos fiscales para subsanar todas esas desatenciones en el control contable y fiscal; caso contrario de los que responden a aquellos en que existe un dolo en relación con el erario público y en el que ya interviene lo que señala el artículo 421 del CNPP sobre la responsabilidad de delitos de la persona jurídica en los actos cometidos a su nombre, por su cuenta, en su beneficio o a través de sus medios, cuando además se determine que ha existido una inobservancia del debido control (compliance).
Componente cognitivo de la inteligencia artificial y su alcance en la prevención delictiva
Desde el punto de vista jurídico, la inteligencia artificial (IA) implica que no existan estos errores no previstos o no calculados, ya que se mantiene bajo una programación de aprendizaje continuo, es decir, que las cualidades cognitivas de las programaciones que se basan en redes neuronales y aprendizaje profundo deben realizar acciones inteligentes de prevención delictiva, e incluso de detección de errores en la relación jurídico-tributaria, ya que, como señala el Consejo de Estabilidad Financiera, “la IA es el conjunto de teorías y algoritmos que permiten que las computadoras lleven a cabo tareas que, típicamente, requieren capacidades propias de inteligencia humana como por ejemplo la percepción visual, el reconocimiento de voz o la interpretación de un texto teniendo en cuenta el contexto en el que se produce, y en ocasiones mejoran dichas capacidades” (p. 12).
El enfoque de la IA es predictivo, es decir, se anticipa a eventos futuros a través del reconocimiento de patrones de conducta. Bedolla Cesto (2019) señala que “las soluciones de aprendizaje actuales utilizan reglas predictivas que reconocen automáticamente anomalías en conjuntos de datos; estos algoritmos avanzados pueden reducir significativamente la cantidad de alertas falsas al filtrar los casos que se marcaron incorrectamente, al mismo tiempo que descubren otros que no se detectaron con las reglas convencionales” (p. 15).
El reconocimiento automático de anomalías, a través de IA, como las redes neuronales artificiales que incluso predicen próximos movimientos, se basa en sistemas de respuestas que obedecen reglas binarias. Por su parte, como señala Trujillo Fernández (2017), “el machine Learning es una disciplina científica del entorno de la inteligencia artificial y la ciencia de la computación, cuyo objetivo reside en que los sistemas aprendan automáticamente (sin intervención humana); aprender en este sentido no se refiere a lo que comúnmente se conoce como aprendizaje humano, basado en experiencia y en razón, sino a la identificación de patrones complejos dentro de una gran cantidad de datos obtenidos mediante ejemplos, la experiencia o instrucciones predefinidas” (p. 10).De manera que el machine Learning es un mecanismo de IA que se encarga de la detección de patrones presentes en los datos. Su objetivo reside, además, en el desarrollo de algoritmos con valor práctico como el tiempo de ejecución, el espacio utilizado y la cantidad de datos empleados; ya que entre más robusto sea la big data se podrán identificar patrones con mayor soporte.
Herramientas de inteligencia artificial que pueden incluirse en el programa de cumplimiento tributario
En materia de redes neuronales, aprendizaje profundo, inteligencia artificial y sistemas de prevención con características cognitivas, se ha producido un gran avance a partir del 30 de noviembre de 2022, momento en el que se presentó una de las innovaciones tecnológicas cuyo comportamiento es difícil de predecir. La empresa OpenAI lanzó la herramienta Chat Generative Pre-training Transformer (ChatGPT), que Wenth (2023) define como “un tipo de inteligencias artificial (IA) generadora de voz y texto que permite conversaciones de chat similares a las humanas. Se utiliza habitualmente en aplicaciones y servicios de Chatbot para ayudar a usuarios a responder preguntas y resolver problemas” (p. 7).
Este modelo de procesamiento de lenguaje utiliza una combinación de técnicas de Deep Learning y consigue habilidades lingüísticas y capacidades cognitivas. Sobre de estas capacidades Ramos (2023) señala que “la IA se entrena con grandes cantidades de texto y datos para poder responder preguntas y generar textos coherentes en una amplia variedad de tareas y contextos; como resultado es capaz de comprender el contexto de una pregunta o tarea y proporcionar respuestas o textos precisos y convincentes” (p. 5).
Se habla de un fenómeno mundial derivado de que sus alcances han superado las expectativas de su calidad, ya que este modelo de IA es sólo un prototipo de una sola empresa (Bing) en un campo dominado por empresas como Google, la cual ya ha presentado al llamado Bard, que a pesar de que no ha sido lanzado de manera oficial, también es un sistema conversacional basado en Language Model for Dialogue Applications (LaMDA), esto es, un modelo de lenguaje experimental, conectado constantemente a internet (a diferencia de ChatGPT).
Conclusiones
Todo lo anterior implica que las respuestas estarán mucho más contextualizadas, lo cual quiere decir que su sistema puede servir exclusivamente para responder a las normatividades en materia tributaria e identificar anomalías a partir de la programación y el aprendizaje cognitivo, para los que una de sus fuentes sería internet. En consecuencia, ahora se deben instrumentar acciones que brinden certeza y seguridad jurídica de que estos sistemas inteligentes no serán violentados, situación que también ha sido considerada a partir del blockchain; por lo que la programación inteligente parece estar de lado de la prevención delictiva, misma que sólo estará a disposición de aquellos que tengan la capacidad de adjudicarlos e implementarlos en sus sistemas operativos.
Referencias
Arrioja Vizcaino, A. (2008), Derecho fiscal, México, Themis.
Bedolla Cesto, E. (21 de junio de 2019), Ciberseguridad. Recuperado el 10 de mayo de 2022, de “Riesgos y beneficios de usar la IA para detectar delitos”, en https://ciberseguridad.com/guias/nuevas-tecnologias/inteligencia-artificial/detectar-delitos/#%C2%BFCual_es_el_papel_de_la_IA_en_el_Derecho_penal.
Consejo de Estabilidad Financiera (2017), Artificial Intelligence and Machine Learning in Financial Services, EUA, cef.
Figueroa Velardi, R. (2016), Los delitos fiscales, México, unitec.
González de la Vega, F. (2014), Derecho penal mexicano, México, Themis.
Ramos, J. (2023). ChatGPT para la educación del siglo xxi, México, XinXii.
Trujillo Fernández, D. (2017), Aplicación de metodologías machine Learning en la gestión de riesgo de crédito, Madrid, Universidad Politécnica de Madrid.
Wenth, A. (2023), ChatGPT, ¡habla conmigo! EUA, Andreas Wnth, MSc.
