L’utilizzo dei modelli linguistici avanzati nella progettazione di politiche economiche e fiscali sta iniziando a uscire dalla fase sperimentale per entrare nei processi di simulazione governativa. In India, il dibattito si sta concentrando sulla possibilità di utilizzare sistemi AI per analizzare, ottimizzare e persino ristrutturare il GST (Goods and Services Tax), uno dei sistemi fiscali più complessi mai implementati nel Paese. L’idea nasce dal fatto che i modelli generativi moderni sono ormai in grado di elaborare enormi quantità di dati normativi, transazionali ed economici, identificando inefficienze, anomalie fiscali e possibili semplificazioni regolatorie in tempi molto inferiori rispetto ai processi umani tradizionali.
Ilarge language models possono integrare dati provenienti da dichiarazioni fiscali, flussi di input tax credit, contabilità aziendali, consumi regionali e cronologie normative per simulare scenari di modifica delle aliquote, valutare impatti macroeconomici e prevedere comportamenti evasivi. Alcuni sistemi vengono già utilizzati per individuare frodi fiscali e schemi anomali nelle transazioni GST attraverso modelli di machine learning addestrati su miliardi di record. In Gujarat, ad esempio, sono in fase di sviluppo piattaforme AI dedicate al rilevamento automatico delle frodi legate all’Input Tax Credit, con capacità di identificare transazioni sospette e reti di entità potenzialmente fraudolente.
Il problema centrale, però, riguarda la fiducia nei modelli quando le decisioni non sono più soltanto analitiche ma diventano normative e politiche. Un sistema AI può suggerire una riforma fiscalmente efficiente ma incapace di considerare implicazioni sociali, disparità regionali, effetti sulle piccole imprese o conseguenze politiche indirette. I modelli linguistici lavorano infatti sulla correlazione statistica dei dati e non possiedono una comprensione reale del contesto economico o sociale. Questo rischio diventa particolarmente delicato in Paesi caratterizzati da forte eterogeneità economica e qualità discontinua dei dati pubblici. Studi sull’AI fairness applicata al contesto indiano evidenziano proprio come dataset incompleti, distorti o poco rappresentativi possano amplificare errori sistemici e produrre risultati apparentemente razionali ma strutturalmente sbilanciati.
Un ulteriore limite riguarda la trasparenza decisionale. Molti modelli avanzati funzionano come “black box”, rendendo difficile comprendere perché una determinata modifica fiscale venga proposta oppure quali variabili abbiano influenzato maggiormente una simulazione economica. Per questo motivo il settore della Explainable AI sta diventando centrale nelle applicazioni governative e regolatorie: senza sistemi interpretabili e verificabili, affidare all’AI processi che incidono direttamente sulla tassazione nazionale potrebbe creare problemi di accountability politica e legale.
La direzione tecnologica, comunque, appare ormai chiara. Governi, enti fiscali e organismi di auditing stanno iniziando a integrare AI, blockchain e sistemi autonomi di controllo finanziario per automatizzare verifiche, analisi di rischio e individuazione di anomalie contabili. Tuttavia, il consenso emergente nel settore è che i modelli AI debbano rimanere strumenti di supporto decisionale e non sostituti autonomi della governance pubblica. Nelle politiche fiscali ad alta complessità, l’efficienza computazionale non è sufficiente: servono anche responsabilità politica, interpretazione sociale e capacità di valutare effetti umani che i modelli statistici non comprendono realmente.