Solicitado a Gemini y revisado por Mayobanex De Jesús Laurens, incluido la imagen
La Dirección General de Impuestos Internos (DGII) de la República Dominicana atraviesa un proceso de modernización y transformación digital.
1. Métodos y Herramientas Generales de Control Tributario
La DGII cuenta con una arquitectura de captura de datos masiva que alimenta sus repositorios centrales.
Facturación Electrónica (Ley No. 32-23 y e-CF)
Emisión en tiempo real:
Los Comprobantes Fiscales Electrónicos (e-CF) validan y acreditan digitalmente cada transacción comercial al momento en que se efectúa. Visibilidad inmediata: Permite a la DGII conocer las ventas y compras de los contribuyentes sin esperar el cierre del mes, eliminando la manipulación diferida de los libros de venta.
Envíos de Información (Formatos 606, 607, 608, 609, 623)
Formatos de compras y ventas (606 y 607):
Reporte obligatorio de detalle línea por línea con RNC/Cédula, NCF, monto facturado e ITBIS retenido o transparentado. Comprobantes anulados y pagos al exterior (608 y 609):
Control sobre la anulación de facturas para evitar ventas omitidas y retenciones de Impuesto Sobre la Renta (ISR) por servicios internacionales.
Interconexión e Intercambio de Información Multilateral
TSS (Tesorería de la Seguridad Social): Validación automática de nóminas, masa salarial reportada en el Formulario IR-3 y retenciones de ISR de empleados.
DGA (Dirección General de Aduanas): Cruce en tiempo real con el sistema SIGA/VUCE para verificar importaciones, aranceles y valor CIF declarado frente a los inventarios y costos reportados en la declaración jurada IR-2.
Sector Financiero y Administradoras de Tarjetas de Crédito: Reporte de retenciones de ITBIS por consumo con tarjeta y cruce de transacciones bancarias bajo los parámetros establecidos por la normativa tributaria.
Intercambio Internacional (OCDE / CRS / FACTA): Recepción de información sobre cuentas financieras y activos de residentes dominicanos en el exterior.
2. Herramientas de Inteligencia Artificial y Analítica de Datos
La DGII utiliza modelos algoritmitizados y de aprendizaje automático para sustituir las revisiones muestrales manuales por análisis predictivo integral.
┌─────────────────────────────────────────┐
│ FUENTES DE DATOS MASIVAS │
│ (e-CF, 606/607, TSS, DGA, Bancos) │
└────────────────────┬────────────────────┘
│
▼
┌─────────────────────────────────────────┐
│ MOTOR DE INTELIGENCIA ARTIFICIAL │
│ - Scoring Tributario (Riesgo) │
│ - Algoritmos de Detección de Anomalías │
│ - Graph Analytics (Redes de Fraude) │
└────────────────────┬────────────────────┘
│
▼
┌─────────────────────────────────────────┐
│ ACCIONES AUTOMATIZADAS │
│ - Alertas preventivas en OFV │
│ - Auditorías de escritorio / campo │
└─────────────────────────────────────────┘
A. Scoring Tributario (Perfilado Dinámico de Riesgo)
Es un sistema basado en algoritmos supervisados que evalúa a los contribuyentes (personas físicas y morales) asignándoles una calificación de cumplimiento (visualmente representada por estrellas):
Matriz de parámetros: El algoritmo evalúa variables en tiempo real, tales como puntualidad de presentación, consistencia entre ventas declaradas y compras reportadas por terceros, historial de rectificativas y ratio de rentabilidad sectorial.
Segmentación de fiscalización: Los contribuyentes catalogados como de "Alto Riesgo" (pocas estrellas) son automáticamente priorizados para auditorías, mientras que a los de "Bajo Riesgo" se les agilizan trámites de reembolso, certificaciones y autorizaciones.
B. Algoritmos de Detección de Anomalías (Anomaly Detection)
Modelos de aprendizaje no supervisado analizan las Declaraciones Juradas (IR-1, IR-2, IT-1) para identificar comportamientos atípicos:
Análisis de margen y rentabilidad sectorial: La IA compara los costos, gastos y margen bruto reportados en la declaración jurada contra la media de su actividad económica o sector industrial. Si una empresa declara márgenes atípicos (ej. margen de 2% cuando el sector promedia 22%), el sistema genera una alerta de discrepancia.
Evaluación patrimonial de Personas Físicas (IR-1): Modelos predictivos cruzan el incremento patrimonial, adquisición de bienes inmuebles, vehículos de lujo y consumos financieros frente a los ingresos brutos declarados, detectando inconsistencias entre el estilo de vida y la base imponible declarada.
C. Análisis de Redes Complejas (Graph Analytics) y Detección de Empresas Fantasma
Rastreo de esquemas en cadena: La IA analiza las interconexiones en los Formatos 606 y 607 para mapear redes de empresas de carpeta o "fantasmas" emitidoras de NCF falsos o e-CF sin sustancia económica.
Detección de facturación circular: Identifica patrones donde el dinero o los comprobantes giran entre sociedades con los mismos socios, representantes legales o direcciones IP para inflar costos y deducir ITBIS indebidamente.
D. Cruce de Datos Masivo Automatizado (Matching Engine)
Algoritmo Formato 606 vs. Formato 607 (Inconsistencia 155): Comparación informática del 100% de los comprobantes. Si la Empresa A reporta en su 606 un gasto pagado a la Empresa B, pero la Empresa B no declaró esa venta en su 607 ni en su e-CF, el sistema genera automáticamente una observación por crédito de ITBIS u omisión de ingresos.
Validación de e-CF en tiempo real: La estructura XML del comprobante electrónico es auditada algorítmicamente antes de ser aceptada, bloqueando facturas emitidas por RNC inactivos, con secuencias agotadas o de contribuyentes catalogados como suspendidos.
3. Procedimiento de Auditoría Fiscal Basado en IA (Paso a Paso)
El flujo operativo mediante el cual la DGII fiscaliza las declaraciones juradas a través de Inteligencia Artificial se desarrolla en las siguientes fases:
PASO 1: Ingesta e Indexación de Datos (e-CF, 606/607, Bancos, TSS, DGA)
Paso 1: Ingesta e Indexación
Los datos de las declaraciones juradas anuales (IR-1 para Personas Físicas, IR-2 para Personas Morales) y mensuales (IT-1, IR-3, IR-17) son procesados e indexados en el Data Lake de la DGII junto con los e-CF y la información de terceros.
Paso 2: Filtrado por IA y Asignación de Score
El motor de IA corre los algoritmos de riesgo. La declaración jurada no es revisada por un auditor humano al inicio; la máquina asigna una puntuación y bandera de riesgo (Red Flag).
Paso 3: Identificación Automática de la Inconsistencia
Si el modelo detecta un descuadre (ejemplo: compras e importaciones que no concuerdan con el Costo de Venta del IR-2, o retenciones de asalariados discrepantes con el IR-3), se clasifica la tipología del riesgo:
Inconsistencia de crédito impositivo (ITBIS).
Gastos no deducibles o sin comprobante válido.
Omisión de ingresos reportados por terceros.
Subestimación de renta gravable.
Paso 4: Generación y Envíos de Alertas Preventivas
A través de la Oficina Virtual (OFV), el sistema envía automáticamente una Amonestación o Notificación de Inconsistencia al contribuyente. Se concede un plazo reglamentario para rectificar voluntariamente la declaración jurada o presentar las evidencias probatorias.
Paso 5: Fiscalización de Escritorio o Auditoría de Campo
Fiscalización de escritorio (Gabinete): Si la inconsistencia no es subsanada digitalmente, la unidad de fiscalización automatizada emite un proyecto de liquidación previa basado en la información que posee la base de datos.
Auditoría de campo: Reservada para contribuyentes donde los modelos de IA identificaron riesgo alto de evasión sistemática o fraude estructurado. El auditor asignado cuenta con un expediente fiscal digital previamente generado por el sistema de IA con las anomalías detectadas punto por punto.
Resumen del Impacto Tecnológico
| Herramienta / Método | Enfoque Principal | Tecnología Utilizada |
| e-CF (Ley 32-23) | Control de transacciones en origen | Firma Digital, Validadores XML en tiempo real |
| Scoring Tributario | Perfilado y clasificación de riesgo | Algoritmos de clasificación supervisada |
| Cruces 606 vs 607 / e-CF | Detección de gastos/compras no declaradas | Motor de coincidencias masivas (Matching Engine) |
| Auditoría de Declaraciones (IR-1/IR-2) | Detección de anomalías en utilidades y patrimonio | Machine Learning y análisis de desviaciones |
| Graph Analytics | Mapeo de fraudes y empresas fantasma | Analítica de redes complejas y minería de datos |
