Evidency / Blog / La IA: una herramienta para la lucha contra el fraude social y fiscal

La IA: una herramienta para la lucha contra el fraude social y fiscal

Tiempo de lectura: 4 min

Fecha de modificación: 12 noviembre 2026

En el marco de sus trabajos, la Delegación del Senado para la Prospectiva ha publicado una serie de informes temáticos dedicados al uso de la inteligencia artificial (IA) en la administración pública. El primer informe, presentado el 2 de abril de 2024, se centra en la lucha contra el fraude social y fiscal, e identifica «tres prioridades para avanzar».

Ante la aparición de fraudes cada vez más complejos, las capacidades de detección y control de las administraciones fiscales y sociales se ven sometidas a una presión creciente. Para hacer frente a estos desafíos, las tecnologías de IA, especialmente el machine learning, el deep learning y la IA generativa, se presentan como herramientas de gran utilidad, aunque todavía insuficientemente aprovechadas.

El machine learning permite analizar grandes cantidades de datos y detectar patrones que podrían indicar comportamientos fraudulentos. El deep learning perfecciona aún más esta detección mediante el uso de datos más complejos y numerosos, como las imágenes. Por último, la IA generativa permite utilizar modelos de lenguaje de propósito general para desarrollar herramientas adaptadas a este ámbito y ofrece capacidades específicas para el tratamiento de datos no estructurados.

La IA como herramienta para la lucha contra el fraude social y fiscal

Índice

Puntos clave que debe recordar

  • La IA se está convirtiendo en una herramienta fundamental para luchar contra el fraude social y fiscal, pero las administraciones aún no la aprovechan al máximo.
  • Las tecnologías de IA (aprendizaje automático, aprendizaje profundo, IA generativa) permiten analizar grandes volúmenes de datos e identificar patrones de fraude cada vez más complejos.
  • Las administraciones ya utilizan herramientas avanzadas (minería de datos, facturación electrónica, imágenes aéreas, escáneres), pero estos dispositivos suelen estar muy lejos de las capacidades actuales de la IA.
  • La IA generativa podría mejorar la productividad al romper los silos de información, al prestar asistencia a los agentes a través de interfaces tipo chatbot e incluso al acelerar el desarrollo de software.
  • La implantación de estas herramientas exige unas medidas de control estrictas: transparencia, cumplimiento del RGPD, supervisión humana sistemática y prevención de decisiones automatizadas arbitrarias.

Retrospectivas

El informe del Senado dedicado al papel de la IA en la lucha contra el fraude señala, en primer lugar, una diferencia de cultura entre la DGFIP, que es más proactiva, y las cajas de la Seguridad Social, que adoptan una postura más retraída. Sin embargo, según el informe, el uso de la IA presenta numerosas ventajas: detectar el fraude en sentido estricto , pero también prevenirlo en el ámbito fiscal o, en materia social, detectar los casos en los que los asegurados no hacen uso de las prestaciones sociales a su disposición.

La prevención del fraude fiscal comienza incluso antes de presentar la declaración de impuestos. La administración tributaria utiliza ahora tecnologías como la obligación de facturación electrónica para el IVA y la cadena de bloques para registrar las transacciones, lo que hace prácticamente imposible modificar los documentos una vez que pasan por la administración.

Tras las declaraciones, la detección del fraude La gestión fiscal se basa principalmente en la minería de datos, una técnica que la DGFIP utiliza desde 2014. La minería de datos es un método complejo de cruce de datos basado en un modelo estadístico, pero que no es ni aprendizaje automático ni aprendizaje profundo. Las fuentes de datos incluyen datos internos, datos públicos y datos recopilados específicamente con fines de análisis. La administración dispone de varios medios para obtenerlos. Así, el proyecto «Foncier Innovation» utiliza imágenes aéreas para detectar construcciones no declaradas. Desde las leyes de presupuestos para 2020 (artículo 154) y 2024 (artículo 112), la Administración dispone ahora de facultades de investigación en las redes sociales para recabar información.

En el ámbito social, esta herramienta también se utiliza. Desde 2011, la CAF la emplea a través del DMDE (es decir, la extracción de datos entrantes): el informe indica que se trata de una herramienta para programar controles entre los hogares beneficiarios de prestaciones: un algoritmo estadístico determina una «puntuación de riesgo» (de 0 a 1) basándose en unos 40 datos o criterios (de los 300 que contiene un expediente). Este algoritmo solo funciona con los datos de la CAF: no se realiza ningún cruce de datos con otros organismos, como France Travail (antes Pôle emploi). Según el informe, el DMDE habría hecho posible el 70 % de las inspecciones in situ.

Sin embargo, estas herramientas estadísticas siguen estando bastante alejadas de los últimos avances en materia de IA (en particular, la IA generativa). El informe se refiere a herramientas «muy alejadas de la vanguardia tecnológica».

Perspectivas

Los ponentes analizan el futuro de la lucha contra el fraude social y fiscal mediante la inteligencia artificial a través de diversas herramientas. En materia fiscal, hay numerosos proyectos en marcha, como el programa «100 % Scanning», que utiliza un algoritmo para analizar imágenes de escáneres de rayos X con el fin de detectar estupefacientes, o el proyecto «Foncier Innovation», que se ampliará a toda Francia.

Sin embargo, el informe va más allá: los senadores consideran que la IA generativa podría desempeñar un papel clave, dada la proliferación legislativa y la complejidad exponencial de las normas. La IA generativa, que funciona a partir del lenguaje natural (y, por tanto, textual), podría analizar los textos con mucha mayor rapidez y, en última instancia, facilitar su aplicación.

En materia fiscal, una de las principales ventajas de la IA generativa es que permite eliminar las barreras entre la información. La IA generativa podría resultar útil como interfaz ergonómica, en forma de chatbot, a disposición de los agentes de la inspección fiscal para cotejar la información. El proyecto PILAT, puesto en marcha en 2018, retoma esta idea, pero acumula un retraso de más de dos años.

El informe señala otro uso: la IA generativa podría ayudar a los desarrolladores de la Urssaf (que utiliza un centenar de aplicaciones) a generar código de forma automatizada. No obstante, la expansión de la IA generativa presenta ciertos riesgos, especialmente en lo que respecta a la privacidad y la confidencialidad de los datos de los contribuyentes y los asegurados. El almacenamiento de información personal al margen de los procedimientos de control habituales y del derecho de comunicación tradicional constituye una amenaza reconocida por la CNIL y el Consejo Constitucional.

Para proteger al contribuyente, se han establecido varias garantías. Entre ellas se incluye el derecho a la transparencia, que obliga a la administración tributaria a informar de forma explícita a los contribuyentes sobre el uso de la IA, de conformidad con la Ley de la República Digital y el RGPD (Reglamento General de Protección de Datos). A nivel europeo, se ha aprobado recientemente la Ley de IA, cuyo objetivo es armonizar la normativa sobre IA en Europa, clasificando los sistemas de IA según su nivel de riesgo e imponiendo requisitos más estrictos a los sistemas de alto riesgo.

Además, siempre es necesaria la intervención humana para verificar la coherencia de la información. Si bien la IA ha contribuido a la detección del fraude y a la redacción de la carta de observación o del requerimiento (mediante IA generativa), existe un gran riesgo de que las rectificaciones se automaticen, sin matices y sin tener en cuenta el contexto particular de la empresa. El papel del abogado, como asesor de las empresas, será aquí esencial para mitigar los excesos o errores de la automatización y aportar los elementos necesarios para limitar el carácter potencialmente binario, o incluso arbitrario, de la IA.

Exención de responsabilidad

Las opiniones, presentaciones, cifras y estimaciones que figuran en el sitio web, incluido el blog, tienen únicamente fines informativos y no deben considerarse asesoramiento jurídico. Para obtener asesoramiento jurídico, debe ponerse en contacto con un profesional del derecho en su jurisdicción.

Queda prohibida la utilización del contenido de esta página web, incluido el blog, con fines comerciales, incluida la reventa, sin el permiso previo de Evidency. La solicitud de permiso debe especificar el propósito y el alcance de la reproducción. Para fines no comerciales, todo el material de esta publicación puede citarse o reimprimirse libremente, pero se requiere un reconocimiento, junto con un enlace a este sitio web.

  • Bruno Knadjian

    Bruno Knadjian es abogado socio del departamento fiscal de Herbert Smith Freehills Kramer (Paris) LLP. Asesora a clientes franceses e internacionales sobre los aspectos fiscales de las operaciones societarias y transaccionales, especialmente fusiones y adquisiciones nacionales y transfronterizas, LBO, planes de incentivos para directivos (management packages), empresas conjuntas, reorganizaciones de grupos empresariales y transferencias de actividades, incluidas las del sector inmobiliario. También interviene en la fiscalidad de las financiaciones y las operaciones relacionadas con los mercados de capitales. Cuenta, además, con una sólida experiencia en litigios fiscales, tanto en la fase precontenciosa como ante los órganos jurisdiccionales competentes.

  • Emmanuel Piekut

    Emmanuel Piekut es abogado colegiado en París desde 2018. Está especializado en derecho laboral y asesora en cuestiones relacionadas con las relaciones laborales, tanto en el ámbito del asesoramiento jurídico como en la resolución de litigios. Su práctica se enmarca en el derecho laboral y de la seguridad social, con un enfoque centrado en el análisis jurídico de las situaciones profesionales y la seguridad jurídica de las decisiones, de conformidad con los requisitos normativos y jurisprudenciales.