evidoria

← Retour à la liste

Bonne pratique Importée

SAT du Mexique — Apprentissage automatique et analytique de graphes pour la détection des contribuables à haut risque (Plan Maestro 2024)

Mexique · Mexico City · Voir le profil de Mexique · Voir le profil de Mexico City

Preuves: Descriptif / auto-déclaré Top 75% 47/100 · Demandez à Evidence Copilot à propos de cette pratique

Le SAT mexicain déploie de l'analytique de graphes et du machine learning sur 80 millions de dossiers fiscaux pour classer les entités à haut risque, cartographier les réseaux de fausses factures (EFOS) dans 9 secteurs et détecter les irrégularités CFDI, appuyant 4,5 billions de pesos perçus en 2023.

4.517 trillion pesos
Recettes fiscales totales collectées (2023)
28 cents per 100 pesos collected
Ratio coût-recouvrement (2023)
14,000+ entities
Entités EFOS inscrites sur liste noire (by mid-2026)
7,300 seals
Sceaux numériques suspendus (H1 2026)
3,000+ entities/year
Nouvelles entités EFOS identifiées (2018)
47 entities/year
Nouvelles entités EFOS identifiées (2023)
SAT du Mexique — Apprentissage automatique et analytique de graphes pour la détection des contribuables à haut risque (Plan Maestro 2024)

Détails

Maturité
Établie
Promoteur
Servicio de Administración Tributaria (SAT)
Période
2020–ongoing
Mots-clés
tax administration, compliance, machine learning, graph analytics

Contexte

Le Servicio de Administración Tributaria (SAT) du Mexique intègre l'apprentissage automatique et l'analyse de graphes dans son dispositif de contrôle fiscal depuis 2020. Le Plan Maestro 2024 formalise une stratégie à quatre piliers : Suivi de la conformité, Surveillance approfondie, Recouvrement coercitif et Assistance aux contribuables.

Activités

Des modèles de graphes cartographient les réseaux transactionnels de plus de 80 millions de contribuables dans la base de données CFDI afin de révéler des structures de propriété dissimulées et des chaînes de factures falsifiées liées aux Empresas Facturadoras de Operaciones Simuladas (EFOS, « sociétés de facturation fictives »). Des modèles d'apprentissage statistique ciblent neuf secteurs prioritaires — automobile, boissons alcoolisées/tabac, construction, pharmaceutique, hydrocarbures, logistique, plateformes technologiques, immobilier et assurance/services financiers — en signalant les incohérences entre revenus déclarés, données bancaires, registres douaniers et flux CFDI, afin de générer des scores de risque pour des interventions graduées.

Résultats

Le SAT a déclaré avoir collecté 4,517 billions de pesos en 2023, avec un ratio coût-recouvrement de 28 centimes pour 100 pesos, inférieur à la référence de l'IRS américain de 34 centimes par dollar. La liste noire des EFOS a dépassé 14 000 entités à la mi-2026, et 7 300 sceaux numériques ont été suspendus au premier semestre 2026. Les nouvelles inscriptions d'EFOS sont passées de plus de 3 000 par an en 2018 à 47 en 2023.

Conclusions

Les critiques soulignent des risques de biais algorithmique, une transparence insuffisante du modèle et une concentration du contrôle sur certains secteurs. La baisse des nouvelles inscriptions d'EFOS est interprétée soit comme un succès dissuasif, soit comme un relâchement des contrôles, et aucun audit algorithmique indépendant n'a été publié. La facturation électronique obligatoire du Mexique, en vigueur depuis 2014, offre une base de données d'apprentissage automatique exceptionnellement riche parmi les pays à revenu intermédiaire.

Mise en œuvre
Coût indicatif
Élevé (500 k€–5 M€) — No specific system budget disclosed; embedded within SAT's ongoing operations since 2020 and formalised under Plan Maestro 2024's four-pillar strategy.
Délai jusqu’aux résultats
Long (> 3 ans) — ML/graph analytics in use since 2020; Plan Maestro 2024 formalises the strategy; reported as ongoing through 2026.
Personnel et compétences
SAT internal data-science and audit teams, Oversight by SAT's Junta de Gobierno

Conditions de réussite

  • Mandatory electronic invoicing (CFDI) since 2014 provides rich, structured data for machine-learning models
  • Cross-checking of income, bank, customs and invoicing data sources to flag inconsistencies
  • Sector-prioritised targeting across nine high-risk sectors

Modes d’échec courants

  • No independent algorithmic audit has been published
  • Academics flag risk of algorithmic bias and concentration of scrutiny on specific sectors
  • Decline in new EFOS detections is not disambiguated between deterrence success and reduced enforcement effort

Où cela s’applique

Type de gouvernance
national tax administration
Échelle
national (80M+ taxpayers across 32 states)
Niveau de revenu
upper-middle income

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles