evidoria

← Back to browse

Good practice

PACC — Deteção de fraude fiscal por IA na Áustria

Austria · Vienna · See the Austria profile

O Centro de Competências em Análise Preditiva (PACC) da Áustria usa machine learning para detetar fraude e evasão fiscais. Em 2023 analisou 6,5 milhões de casos, recuperando 185 M€; em 2024, avaliou 6,6 milhões de casos e 23,4 milhões de registos, gerando 354 M€.

€185 million
Receita fiscal recuperada (2023)
€354 million
Receita fiscal recuperada (2024)
6.5 million
Casos fiscais analisados (2023)
6.6 million
Casos fiscais analisados (2024)
27.5 million
Casos de conformidade avaliados (2023)
23.4 million
Registos de conformidade avaliados (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

O PACC é uma unidade especial do Ministério Federal das Finanças da Áustria, criada em 2016–17, que utiliza modelos de aprendizagem automática supervisionada e de mineração de texto em quatro equipas analíticas (Predictive Analytics, Advanced Analytics, Tax Analytics, Customs Analytics) para atribuir pontuações de risco a casos de imposto sobre o rendimento, imposto sobre as sociedades, IVA e alfândegas; as pontuações de risco informam as equipas humanas de auditoria, que mantêm a autoridade final de decisão.

Results

Em 2023, os modelos do PACC analisaram aproximadamente 6,5 milhões de casos fiscais e 27,5 milhões de casos de conformidade, resultando em cerca de €185 milhões em receitas fiscais recuperadas. Em 2024, foram avaliados 6,6 milhões de casos fiscais e 23,4 milhões de registos de conformidade, gerando €354 milhões em receita fiscal adicional.

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