¿Qué es el machine learning en la fiscalización mexicana?
El machine learning en la fiscalización mexicana es el aprendizaje automático aplicado al análisis de información tributaria. Mediante ejemplos, un modelo ajusta sus parámetros para reconocer patrones, agrupar registros y clasificar riesgos. Su resultado sirve para orientar la revisión de inconsistencias y la atención de casos.
¿Qué cambia para el contribuyente? Que la información de sus operaciones también se examina por los patrones que forma. El CFDI aporta datos; el modelo establece relaciones entre las características analizadas y produce una clasificación que requiere interpretación.
Machine learning del SAT: el antecedente del Plan Maestro 2024
El Plan Maestro 2024 del SAT incorporó el aprendizaje automático y la analítica de grafos para clasificar contribuyentes de riesgo, identificar redes de elusión y evasión y detectar inconsistencias en CFDI. Ese programa situó ambas técnicas dentro de la planeación fiscal.
La aplicación tributaria del aprendizaje automático forma parte de la fiscalización algorítmica en México. Comprenderla exige distinguir el objetivo anunciado de los parámetros específicos de un modelo: conocer la finalidad de clasificar riesgos no revela sus umbrales, sus datos de entrenamiento ni su desempeño.
¿Cómo funciona el aprendizaje automático aplicado a impuestos?
El entrenamiento consiste en ajustar un modelo con información de ejemplo. A partir de ella, el sistema reconoce regularidades que después utiliza para analizar otros registros.
En el aprendizaje supervisado, los ejemplos incluyen una clasificación o un resultado conocido. En el no supervisado, el análisis busca agrupaciones y estructuras sin partir de una etiqueta de resultado para cada registro. Ambos enfoques permiten estudiar patrones, aunque responden a tareas diferentes.
La calidad de los ejemplos importa. Un registro equivocado, incompleto o separado de su contexto afecta el análisis. También debe revisarse si la información utilizada representa adecuadamente los casos que después se pretende clasificar.
¿Qué diferencia existe frente a un motor de reglas?
Un motor de reglas ejecuta condiciones programadas. El aprendizaje automático ajusta parámetros con ejemplos. Esa diferencia explica qué debe examinarse cuando aparece un resultado discutible.
| Herramienta | Cómo produce el resultado | Qué debe revisarse |
|---|---|---|
| Motor de reglas | Aplica una condición previamente definida. | La regla, el dato recibido y su aplicación. |
| Aprendizaje automático | Reconoce patrones a partir de parámetros ajustados durante el entrenamiento. | Los ejemplos utilizados, las características consideradas y la evaluación del modelo. |
La validación técnica de un comprobante y la clasificación de un riesgo cumplen funciones diferentes. Debemos identificar cuál se realizó antes de interpretar su resultado.
Análisis de CFDI y detección de anomalías tributarias
Los CFDI contienen datos estructurados sobre emisores, receptores y operaciones. El análisis de esos registros permite estudiar patrones de facturación y diferencias entre conjuntos de información.
Una anomalía es una observación que se aparta del patrón considerado. Su identificación concentra la atención en un caso. El significado de esa diferencia exige revisar la operación y el contexto del registro.
La clasificación depende del patrón de comparación. Por eso interesa conocer qué se comparó y qué representa el resultado. La distancia respecto de un comportamiento frecuente, por sí sola, no describe todas las circunstancias económicas de una empresa.
¿Qué significa un score de riesgo fiscal?
El score de riesgo es una calificación construida con los criterios del modelo. Sirve para ordenar o clasificar casos según las características consideradas relevantes.
La estimación debe conservar su alcance. Una clasificación de riesgo requiere examinarse junto con la evidencia de los hechos y con la facultad que ejerce la autoridad. El lugar que ocupa en la selección de casos se explica en la relación entre fiscalización algorítmica y facultades de gestión.
El análisis jurídico tiene otro punto de apoyo: los fundamentos legales de la fiscalización algorítmica. Allí se identifica la atribución que permite comunicar inconsistencias, solicitar aclaraciones o ejercer comprobación.
Aprendizaje automático y analítica de grafos
El aprendizaje automático identifica patrones y clasifica información. La analítica de grafos en la fiscalización mexicana representa las conexiones entre entidades y examina su estructura.
Ambas técnicas pueden trabajar conjuntamente: las relaciones representadas en un grafo aportan características para un modelo de clasificación. La representación de la red y la estimación de riesgo siguen siendo operaciones distintas, que deben documentarse por separado.
Para el despacho, el trabajo comienza en los registros. Conciliar comprobantes y declaraciones, conservar evidencia de la operación y explicar las diferencias permite examinar el dato que alimenta el análisis. Una aclaración necesita esa reconstrucción, además de conocer el nombre de la tecnología utilizada.
Preguntas frecuentes
¿Qué significa machine learning en la fiscalización mexicana?
Significa aprendizaje automático aplicado a información tributaria. Un modelo ajusta sus parámetros con ejemplos para reconocer patrones, agrupar registros y clasificar riesgos fiscales.
¿El SAT incluyó el aprendizaje automático en su planeación?
Sí. El Plan Maestro 2024 incorporó machine learning y analítica de grafos para clasificar contribuyentes de riesgo, identificar redes y detectar inconsistencias en CFDI.
¿Cómo se relaciona la inteligencia artificial con el análisis de CFDI?
El aprendizaje automático es una rama de la inteligencia artificial. Los datos estructurados de los CFDI permiten estudiar patrones de operaciones que los modelos utilizan para clasificar información.
¿Una anomalía tributaria demuestra un incumplimiento?
Una anomalía señala una diferencia respecto de un patrón. Para establecer su significado fiscal deben examinarse los hechos, la documentación y el fundamento de la actuación correspondiente.
¿Machine learning y analítica de grafos significan lo mismo?
Son técnicas distintas. El aprendizaje automático ajusta modelos con ejemplos; la analítica de grafos estudia conexiones y estructuras de red. Pueden utilizarse conjuntamente.
