税务机关使用 AI 识别异常申报时如何防止误伤
税务机关使用 AI 识别异常申报时如何防止误伤
一家餐馆的申报被 AI 标成异常，原因可能是突然扩大经营，也可能只是发票上传延迟。税务机关若直接把异常分数当违规事实，会让诚实经营者花大量时间自证。模型应提供可核查线索：哪些字段与往期或凭证不同，数据有无缺失，规则适用哪一类经营者。人再决定是否询问、核对或启动正式程序。
测试需比较不同行业、规模与地区的误报率。季节性旅游、刚成立企业、现金流不稳定的小店，可能天然不像历史平均样本。给纳税人一个容易理解的补充说明渠道，允许更正错误数据；对已有充分解释的情况，不应反复被同一模型标记。
风险识别系统容易出现一种循环：过去被查得多的行业，留下更多异常记录，于是模型又把这些行业标得更高。稽核团队应定期抽取低风险与未标记样本做独立核对，看看有无真正违规被漏掉，也看高分样本中多少只是经营方式不同。新的商业模式需要单独测试，不能照旧样本硬套。
正式联系纳税人时，先说清需要确认的交易与资料，给合理的补充期限。工作人员看到的应是证据线索，而非只有分数；纳税人提交说明后，结果和依据进入记录。若发现第三方数据错了，应更正源头，不让同一错误明年再次触发调查。
机构记录每次标记、人工复核和结果，定期查哪些规则产生大量无效调查。考核不能只看发现多少“异常”，也要看无辜纳税人的额外负担和申诉修复时间。数据若来自第三方，也要确认来源可靠。
内部考核要警惕“查得越多越好”的激励。一个模型若使无辜企业准备材料的时间大幅增加，即使识别率有所提高，也可能不值得。机关可以报告每发现一项真实问题伴随多少无效打扰，并据此调整阈值与流程。
在政策宣传中，机关可以清楚写明“异常提示不等于违规认定”，并说明资料补正后如何撤销标记。内部人员也需培训：看到高分不能跳过事实核对。模型若把某行业的正常波动不断标高，应检查阈值、数据延迟和训练样本，而非要求行业自己适应算法。对被误查的经营者，记录其额外成本与处理时间，作为系统效果的一部分。
误伤的代价可以用具体指标呈现：一个正常经营者平均多准备几份材料、等了多久、是否因账户限制影响交易。调查员对模型建议的采纳率并非越高越好，独立判断与撤销错误标记同样值得记录。这样的指标能让风险系统服务于公平执法。
合规治理要找出真正问题，不是让更多人永远处在机器的怀疑里。
