Московская прачечная

Имеющийся международный опыт действительно показывает, что увеличение фискальной нагрузки в своей эффективности имеет предел, выходя за который оно чревато разрастанием теневой экономики и дает обратный эффект. Классические исследования кривой Лаффера и более свежие работы по экономикам с развитым теневым сектором подтверждают: после определенной точки дальнейшее повышение ставок и расширение базы не приносят пропорционального роста поступлений, а стимулируют уход в тень, кэш и неформальные схемы. Так в чем же дело, почему наши администраторы так лихо вооружились скребком и тесаком? Тут ответа может быть два. Либо это просто формальное действие, поскольку перед ними ставится задача, решить которую они не могут, но предложить что-то нужно. Либо есть второй вариант — они надеются на принципиально новый и беспрецедентный инструмент - всесильный ИИ. Мировая практика последних лет показывает, что ИИ в налоговых администрациях применяется прежде всего для трех задач: обнаружение мошенничества и уклонения, помощь в принятии решений (например, отбор проверок) и улучшение сервиса для налогоплательщиков. В странах с развитой цифровой инфраструктурой результаты впечатляют: Италия с алгоритмом VeRa, сличающим декларации с банковскими данными, в 2022 году выявила более миллиона высокорисковых случаев; Польша благодаря системе STIR, анализирующей транзакции почти в реальном времени, сократила разрыв по НДС с 6,6 млрд евро в 2017‑м до 1,7 млрд в 2021‑м; Греция создала центр мониторинга НДС на базе ИИ; Австралия с помощью моделей глубокого обучения выявила неуплаченных налогов на сумму более 530 млн долларов и предотвратила мошенническиеClaims на 2,5 млрд; Мальта в 2024 году за счет предиктивного ИИ дополнительно собрала около 400 млн евро. Исследования показывают, что в цифрово зрелых юрисдикциях внедрение ИИ‑систем в среднем повышает собираемость налогов на 21–25%, а машинное обучение при отборе аудитов может обнаруживать на 39% больше случаев уклонения и обеспечивать на 29% больший возврат средств по сравнению с традиционными методами.oecd+4 Однако ключевое слово здесь — «в цифрово зрелых». Эффективность ИИ в налоговой сфере критически зависит от качества данных, уровня цифровизации экономики, институциональной готовности и правовых рамок. Там, где значительная часть оборота идет наличными, где нет сплошного электронного документооборота, где данные разрознены и часто недостоверны, алгоритмы упираются в «мусор на входе — мусор на выходе». С точки зрения фискальной логики ИИ — это мощный усилитель существующей системы. Но он не отменяет фундаментальных экономических ограничений: если нагрузка становится чрезмерной, а правила — непредсказуемыми, агенты адаптируются, меняя поведение. Часть уходит в тень, часть переходит на наличные и бартер, часть оптимизирует через юрисдикции и схемы, которые пока не охвачены данными. ИИ может сузить пространство для классического уклонения там, где есть цифровые следы, но он не устраняет саму мотивацию к уходу из официальной системы, особенно когда доверие к институтам низкое, а издержки соблюдения правил высоки. Поэтому надежда на то, что ИИ позволит бесконечно повышать фискальное давление без роста тени и падения базы, выглядит как опасная иллюзия. Да, в кратко‑ и среднесрочной перспективе умные системы могут дать ощутимый прирост сборов за счет лучшей выявляемости нарушений и более точного администрирования. Но в долгосроке эффект упрется в качество данных, емкость институтов и готовность общества играть по правилам. Если правила воспринимаются как несправедливые, а фискальная политика — как исключительно экстрактивная, то продвинутый алгоритм породит лишь новые проблемы. Ваш Юрий Долгорукий