evidoria

← Back to browse

Good practice

PACC — Detección de fraude fiscal mediante IA en Austria

Austria · Vienna · See the Austria profile

El PACC de Austria usa machine learning para detectar fraude y evasión fiscal. En 2023 analizó 6,5 millones de casos recuperando 185 M€; en 2024 examinó 6,6 millones de expedientes y 23,4 millones de controles, generando 354 M€ adicionales.

€185 million
Ingresos fiscales recuperados (2023)
€354 million
Ingresos fiscales recuperados (2024)
6.5 million
Casos fiscales examinados (2023)
6.6 million
Casos fiscales examinados (2024)
27.5 million
Casos de cumplimiento evaluados (2023)
23.4 million
Registros de cumplimiento evaluados (2024)

Details

Maturity
Established
Promoter
Austrian Federal Ministry of Finance (BMF) — Predictive Analytics Competence Centre (PACC)
Period
2016-present
Keywords
tax fraud detection, VAT fraud, predictive analytics, machine learning, supervised learning, text mining, revenue compliance

Context

PACC es una unidad especial dentro del Ministerio Federal de Finanzas de Austria, creada en 2016–17, que utiliza modelos de aprendizaje automático supervisado y minería de texto en cuatro equipos analíticos (Predictive Analytics, Advanced Analytics, Tax Analytics, Customs Analytics) para asignar puntuaciones de riesgo a casos de impuesto sobre la renta, impuesto de sociedades, IVA y aduanas; las puntuaciones de riesgo orientan a los equipos humanos de auditoría, que conservan la autoridad final de decisión.

Results

En 2023, los modelos de PACC examinaron aproximadamente 6,5 millones de casos fiscales y 27,5 millones de casos de cumplimiento, generando alrededor de 185 millones de euros en ingresos fiscales recuperados. En 2024 se evaluaron 6,6 millones de casos fiscales y 23,4 millones de registros de cumplimiento, generando 354 millones de euros en ingresos fiscales adicionales.

Implementation

Implementation detail (cost, timeline, staffing, conditions for success) is not yet available for this practice.

Data sources

Where this practice's information was retrieved from, and when.

Similar practices you may find useful