Brunner: Finanzministerium erzielte 2023 rund 185 Mio. Euro Steuereinnahmen durch KI Jahresbilanz 2023 des Predictive Analytics Competence Center im BMF liegt vor
Das Predictive Analytics Competence Center (PACC), eine Spezialeinheit im Finanzministerium, setzt auf Predictive Analytics und Künstliche Intelligenz, um Steuerbetrug aufzudecken und die konkreten Unternehmen sowie Personen zu identifizieren. Im Jahr 2023 wurden durch die Risikomodelle des PACC in Summe rund 6,5 Mio. Fälle aus den unterschiedlichsten Bereichen der Steuerverwaltung überprüft. Fündig wurde die Spezialeinheit in allen Bereichen der Finanzverwaltung. So wurden falsche Angaben bei Arbeitnehmerveranlagungen ebenso aufgedeckt wie Betrugsversuche bei der Einkommensteuer, der Körperschaftssteuer oder auch bei der Umsatzsteuer. Dadurch erzielten die Ermittlerinnen und Ermittler rund 185 Millionen Euro Steuereinnahmen. Darüber hinaus wurden rund 27,5 Mio. Fälle im Hinblick auf Compliance-Verstöße überprüft, wobei es sich vor allem um die Identifikation von zu Unrecht beantragten und bezogenen Beihilfen und Leistungen sowie von Scheinunternehmen handelte.
Finanzminister Magnus Brunner: „Wir nutzen bei der Verfolgung von Steuerhinterziehern und Abgabenbetrügern selbstverständlich auch die Möglichkeiten der künstlichen Intelligenz. Die Arbeit des PACC führt jedes Jahr zur Aufdeckung von Steuerhinterziehern und trägt somit zu fairen Wettbewerbsverhältnissen und der Einhaltung unserer Gesetze in Österreich bei. Ich danke den Kolleginnen und Kollegen des PACC für ihre wertvolle Arbeit, die sich in Kombination mit der Arbeit der Prüferinnen und Prüfer in diesem hohen Mehrergebnis niederschlägt.“
Von den insgesamt 34 Mio. überprüften Fällen zeigten die Analysen des PACC 375.000 Fälle als unplausibel an. Diese wurden in Folge von Sachbearbeiterinnen und Sachbearbeitern näher unter die Lupe genommen und im Bedarfsfall überprüft.
Mag. Christian Weinzinger, Leiter der Spezialeinheit PACC: „Das PACC konnte mit fortschrittlichen Predictive Analytics und Machine Learning Methoden dazu beitragen die steuerlichen Mehreinnahmen durch Prüfungsmaßnahmen zu erhöhen bzw. natürliche und juristische Personen, welche sich nicht compliant verhielten, zu identifizieren. Die Teams im PACC sind auf verschiedene analytische Bereiche spezialisiert, von Predictive und Advanced Analytics über Tax Analytics bis hin zu Customs Analytics. Somit decken wir ein relativ breites Spektrum an Themenstellungen ab.“
Betriebsprüfung durch Datenanalyse und Vorhersagemodelle
Im Bereich der Betriebsprüfung werden verschiedene Auswahlmethoden angewendet, um potenzielle Fälle mit hoher Wahrscheinlichkeit von Mehreinnahmen zu identifizieren. Dies umfasst die Auswahl von Fällen basierend auf historischen Prüfungsergebnissen, Finanzdaten und anderen relevanten Informationen. Gleiches gilt für die Umsatzsteuersonderprüfungen. Ähnliche Ansätze werden auch für den Prüfdienst PLB angewendet, der sich auf Steuerbereiche wie Lohnsteuer und Sozialversicherungsabgaben konzentriert, einschließlich der Überprüfung von Covid-19-Kurzarbeit. Für die Betriebsprüfungsfallauswahl werden neue Verfahren und Techniken wie Textmining angewendet, um die Effizienz der Prüfungen zu verbessern. Ähnlich werden für die Betriebsprüfung im Zollbereich verschiedene Modelle und Analysen angewendet, um potenzielle Risiken im Zusammenhang mit internationalen Handelstransaktionen zu identifizieren und zu überprüfen.
Weinzinger: „Das PACC hat zahlreiche Programme und Initiativen implementiert, um Risiken im Bereich der Steuerprüfung, Zollkontrolle und anderen relevanten Bereichen zu identifizieren und anzugehen. Diese Maßnahmen umfassen sowohl ex-post-Ansätze, die sich auf die Analyse vergangener Jahre stützen, als auch real-time- und ex-ante-Ansätze, die darauf abzielen, potenzielle Risiken in Echtzeit oder im Voraus zu erkennen. Darüber hinaus werden verschiedene andere Themen wie Digitalisierung, Kryptowährungen und internationale Datenaustauschprogramme behandelt, um die Effizienz und Wirksamkeit der Finanzverwaltung zu verbessern.“
KI-Systeme analysieren Betriebe bereits bei der Gründung
Im Bereich der Realtime-Prüfungen werden moderne Methoden des Machine Learning eingesetzt, um Risikobewertungen durchzuführen und die Auswahl von Prüffällen zu optimieren. So werden auch Betriebsgründungen vorab überprüft, um Unternehmen und die dahinterstehenden handelnden Personen mit einem höheren Risiko für Steuerbetrug zu identifizieren. Damit wird durch moderne Analysetechniken und Netzwerkanalysen u.a. Umsatzsteuer-Karussellbetrug verhindert.
Darüber hinaus behandelt das PACC auch die Analyse der Daten von E-Commerce-Plattformen und den internationalen Datenaustausch von Steuerinformationen.
Brunner: „Diese Projekte und Initiativen zeigen das Engagement der Finanzverwaltung für eine effiziente und moderne Steuerverwaltung, die den aktuellen Herausforderungen der digitalen Wirtschaft und der globalen Finanzmärkte gewachsen ist. Trotz aller Herausforderungen konnte das PACC erfolgreich Lösungen entwickeln und umsetzen, die die Effizienz und Effektivität der Zoll- und Steuerkontrollen weiter verbessern. Mit Steuereinnahmen finanzieren wir unter anderem unsere Sicherheit, Kindergärten, Straßen oder auch Leistungen für Familien und Kultureinrichtungen. Das PACC trägt erheblich dazu bei, dass die ehrlichen Steuerzahler nicht die Dummen sind und wir Steuerhinterziehern das Handwerk legen.“
Für die Zukunft plant das PACC, seine analytischen Fähigkeiten weiter auszubauen und neue Projekte zu initiieren. Ziel ist es, die Effizienz und Effektivität der österreichischen Finanzverwaltung weiter zu steigern und die Rolle des PACC als zentrale Institution für analytische Kompetenz und Betrugsbekämpfung zu festigen. Geplante Initiativen umfassen die Erweiterung der Nutzung von Machine Learning Methoden um beispielsweise generative KI mittels Large Languange Models sowie die Vertiefung der Zusammenarbeit mit nationalen und internationalen Partnern. Das PACC bleibt somit ein entscheidender Akteur bei der Weiterentwicklung und Optimierung der Finanzverwaltung in Österreich.