Il progetto applica metodi e tecniche di intelligenza artificiale al diritto tributario con lo scopo di realizzare una piattaforma per l’analisi e la valutazione delle spese fiscali.
Le spese fiscali sono deroghe volontarie e programmate dal legislatore alla disciplina ordinaria dei tributi (ad es. esenzioni, deduzioni, detrazioni, crediti d’imposta, aliquote ridotte) che si traducono in una riduzione del gettito rispetto a quello atteso in assenza di tali misure. Secondo la definizione dell’OCSE, esse costituiscono forme di spesa pubblica implementate attraverso il sistema tributario, mediante agevolazioni che riducono il carico fiscale di determinati gruppi di contribuenti rispetto a una regola di riferimento (c.d. benchmark). A differenza di quanto accade per l’evasione fiscale, dunque, la riduzione di gettito dipende direttamente dall’assetto normativo: il legislatore rinuncia a entrate per perseguire finalità extrafiscali, quali il sostegno a categorie di contribuenti, la promozione di comportamenti virtuosi o la compensazione di oneri socialmente rilevanti.
In Italia, le misure censite dalla Commissione MEF sono passate da 444 nel 2016 a oltre 575 nel 2024, per un costo stimato di 60-65 miliardi di euro annui, di cui una quota significativa rimane non quantificata. Nonostante la rilevanza, le spese fiscali restano prive di una classificazione tassonomica univoca, che consenta di offrirne una visione sistematica, e i loro effetti distributivi sono in larga parte non valutati. Il problema non è solo italiano: il FMI ha sottolineato che la valutazione sistematica delle spese fiscali rimane l’eccezione piuttosto che la regola nella maggior parte dei paesi, configurando una lacuna di governance significativa. La Commissione europea ha identificato la loro razionalizzazione come obiettivo prioritario per la sostenibilità fiscale, osservando che, pur potendo sostenere finalità legittime, le spese fiscali rendono spesso i sistemi tributari più complessi, meno trasparenti e potenzialmente regressivi. L’ultimo rapporto sulle spese fiscali in Italia evidenzia che la situazione nazionale sia alquanto peculiare: le spese fiscali «tendono ad avere nel nostro paese una natura piuttosto frammentata e un carattere non sistemico, che ne mette in evidenza il prevalente utilizzo per finalità di scambio con i vari gruppi di interesse».
Il progetto affronta tali questioni su tre piani integrati.
Sul piano giuridico, il primo contributo che intendiamo offrire è definitorio e classificatorio. I giuristi coinvolti nel progetto sviluppano una definizione operativa rigorosa di spesa fiscale, che costituirà la base per individuare in modo automatico le disposizioni rilevanti e un sistema di criteri di classificazione (ad es. per destinatari, strumento giuridico utilizzato, entità del beneficio, ambito applicativo) che sarà a sua volta la base per la costruzione di un’ontologia formale computabile (un’ontologia formale è una sorta di vocabolario che definisce i concetti rilevanti in un dominio e le relazioni tra loro in modo che un sistema informatico possa ragionarci sopra: ad es. “questa misura è una detrazione che si applica a questo tipo di beneficiario, in presenza di queste condizioni, derogando a questa norma-base”; il sistema può poi essere interrogato, offrire confronti ed essere verificato). Questo lavoro parte dal corpus censito dalla Commissione MEF, ma ne estende il perimetro: nella banca dati potranno confluire anche misure non classificate come deroghe dalla Commissione (ad es. le detrazioni per carichi di famiglia) che tuttavia risultano rilevanti per i potenziali utenti finali.
Il secondo contributo è analitico: una volta formalizzato il corpus normativo, il progetto ne valuta la coerenza interna, con particolare attenzione a ridondanze e sovrapposizioni tra disposizioni. La Commissione MEF non ha mai rilevato ridondanze nel corpus, ma la complessità e stratificazione della legislazione fiscale italiana rendono questo esito sorprendente. La nostra idea è che strumenti di intelligenza artificiale applicati per fornire una rappresentazione formale delle norme possono rilevare sovrapposizioni che l’analisi testuale tradizionale fatica a identificare, anche con potenziali ricadute anche sul piano della legistica (better regulation ecc.).
Il terzo contributo riguarda la compatibilità sovranazionale. Il progetto intende sviluppare strumenti per valutare sistematicamente la coerenza delle misure nazionali con il diritto dell’Unione Europea, ad esempio con riguardo alla disciplina sugli aiuti di Stato, per le imprese, oppure, più in generale, alle libertà fondamentali garantite dai Trattati, la cui violazione può essere difficile da rilevare in assenza di una mappatura sistematica delle misure.
Sul piano informatico, il gruppo di ricerca lavora da anni all’applicazione dell’intelligenza artificiale al diritto (cd. legal analytics), sviluppando sistemi capaci di elaborare testi normativi, estrarre informazioni rilevanti e rispondere a domande giuridiche. Questi sistemi possono basarsi su modelli di IA neurale, come i large language models, oppure modelli di IA simbolica, basati sulla logica formale, che ragionano sulle norme in modo preciso e verificabile. I modelli neurali, la tecnologia ad esempio alla base di strumenti come ChatGPT, sono efficaci nel manipolare linguaggio naturale ed interpretarlo, ma presentano anche vari limiti: non “ragionano” sulle norme (o sul testo) in senso logico, non garantiscono risposte verificabili e possono produrre errori difficili da rilevare. I sistemi di IA simbolica al contrario, permettono di eseguire automaticamente una sequenza di determinazioni logiche, basandosi su linguaggi logici non ambigui, il cui output è spiegabile e verificabile. Di contro richiedono una laboriosa fase di lavoro manuale per la codifica di ogni regola: si tratta di un processo lento e difficilmente scalabile. Il contributo innovativo di questo progetto è l’integrazione di queste due metodologie in un’architettura neurosimbolica: i modelli linguistici sono usati per estrarre la struttura delle norme e produrne una rappresentazione formale; i sistemi logico-formali utilizzano quella struttura per ragionare sulle norme, valutarne la correttezza, e per rispondere a domande sul contenuto delle norme stesse. Il componente simbolico presenta vari vantaggi: ogni risposta è deterministica (il sistema risponde sempre allo stesso modo alla stessa domande) e indica sempre quale norma sta applicando, si tratta di un requisito essenziale per qualsiasi uso istituzionale di IA.
Un secondo profilo di originalità riguarda il dominio applicativo: le disposizioni da formalizzare afferiscono a settori normativi eterogenei, con stili di redazione potenzialmente diversi. Sviluppare una pipeline di formalizzazione unitaria applicabile a questo corpus disomogeneo è una “sfida metodologica” rilevante. Il processo di formalizzazione non è affidato ai soli informatici: i giuristi del progetto fungono da validatori, garantendo la correttezza delle rappresentazioni. Un terzo profilo innovativo è il protocollo di auto-aggiornamento: il sistema monitora le modifiche legislative (per ora stavamo pensando a quelle introdotte annualmente dalla legge di bilancio) e aggiorna la base di conoscenza in modo semi-autonomo, senza intervento manuale sistematico. Questo aspetto è utile a garantire l’utilità dello strumento oltre la durata del progetto.
Infine, la base di conoscenza formalizzata potrebbe creare le condizioni per analisi economiche quantitative sistematiche. Se potessimo contare su partner specializzati nell’analisi dei conti pubblici potremmo, ad esempio, procedere con: la stima del costo fiscale effettivo delle misure; l’analisi distributiva per identificare chi beneficia delle agevolazioni e in quale misura; la valutazione dell’efficacia delle misure rispetto agli obiettivi dichiarati dal legislatore ecc. Più in generale, riteniamo che il progetto potrebbe beneficiare del coinvolgimento di soggetti con competenze in scienza delle finanze ed economia pubblica: questi potrebbero fornire strumenti di indagine e analisi che si integrino con quelle giuridiche e ciò sarebbe a maggior ragione importante se si intende produrre risultati che siano utili anche per “policy maker” e nei rapporti con l’amministrazione.
Le spese fiscali sono deroghe volontarie e programmate dal legislatore alla disciplina ordinaria dei tributi (ad es. esenzioni, deduzioni, detrazioni, crediti d’imposta, aliquote ridotte) che si traducono in una riduzione del gettito rispetto a quello atteso in assenza di tali misure. Secondo la definizione dell’OCSE, esse costituiscono forme di spesa pubblica implementate attraverso il sistema tributario, mediante agevolazioni che riducono il carico fiscale di determinati gruppi di contribuenti rispetto a una regola di riferimento (c.d. benchmark). A differenza di quanto accade per l’evasione fiscale, dunque, la riduzione di gettito dipende direttamente dall’assetto normativo: il legislatore rinuncia a entrate per perseguire finalità extrafiscali, quali il sostegno a categorie di contribuenti, la promozione di comportamenti virtuosi o la compensazione di oneri socialmente rilevanti.
In Italia, le misure censite dalla Commissione MEF sono passate da 444 nel 2016 a oltre 575 nel 2024, per un costo stimato di 60-65 miliardi di euro annui, di cui una quota significativa rimane non quantificata. Nonostante la rilevanza, le spese fiscali restano prive di una classificazione tassonomica univoca, che consenta di offrirne una visione sistematica, e i loro effetti distributivi sono in larga parte non valutati. Il problema non è solo italiano: il FMI ha sottolineato che la valutazione sistematica delle spese fiscali rimane l’eccezione piuttosto che la regola nella maggior parte dei paesi, configurando una lacuna di governance significativa. La Commissione europea ha identificato la loro razionalizzazione come obiettivo prioritario per la sostenibilità fiscale, osservando che, pur potendo sostenere finalità legittime, le spese fiscali rendono spesso i sistemi tributari più complessi, meno trasparenti e potenzialmente regressivi. L’ultimo rapporto sulle spese fiscali in Italia evidenzia che la situazione nazionale sia alquanto peculiare: le spese fiscali «tendono ad avere nel nostro paese una natura piuttosto frammentata e un carattere non sistemico, che ne mette in evidenza il prevalente utilizzo per finalità di scambio con i vari gruppi di interesse».
Il progetto affronta tali questioni su tre piani integrati.
Sul piano giuridico, il primo contributo che intendiamo offrire è definitorio e classificatorio. I giuristi coinvolti nel progetto sviluppano una definizione operativa rigorosa di spesa fiscale, che costituirà la base per individuare in modo automatico le disposizioni rilevanti e un sistema di criteri di classificazione (ad es. per destinatari, strumento giuridico utilizzato, entità del beneficio, ambito applicativo) che sarà a sua volta la base per la costruzione di un’ontologia formale computabile (un’ontologia formale è una sorta di vocabolario che definisce i concetti rilevanti in un dominio e le relazioni tra loro in modo che un sistema informatico possa ragionarci sopra: ad es. “questa misura è una detrazione che si applica a questo tipo di beneficiario, in presenza di queste condizioni, derogando a questa norma-base”; il sistema può poi essere interrogato, offrire confronti ed essere verificato). Questo lavoro parte dal corpus censito dalla Commissione MEF, ma ne estende il perimetro: nella banca dati potranno confluire anche misure non classificate come deroghe dalla Commissione (ad es. le detrazioni per carichi di famiglia) che tuttavia risultano rilevanti per i potenziali utenti finali.
Il secondo contributo è analitico: una volta formalizzato il corpus normativo, il progetto ne valuta la coerenza interna, con particolare attenzione a ridondanze e sovrapposizioni tra disposizioni. La Commissione MEF non ha mai rilevato ridondanze nel corpus, ma la complessità e stratificazione della legislazione fiscale italiana rendono questo esito sorprendente. La nostra idea è che strumenti di intelligenza artificiale applicati per fornire una rappresentazione formale delle norme possono rilevare sovrapposizioni che l’analisi testuale tradizionale fatica a identificare, anche con potenziali ricadute anche sul piano della legistica (better regulation ecc.).
Il terzo contributo riguarda la compatibilità sovranazionale. Il progetto intende sviluppare strumenti per valutare sistematicamente la coerenza delle misure nazionali con il diritto dell’Unione Europea, ad esempio con riguardo alla disciplina sugli aiuti di Stato, per le imprese, oppure, più in generale, alle libertà fondamentali garantite dai Trattati, la cui violazione può essere difficile da rilevare in assenza di una mappatura sistematica delle misure.
Sul piano informatico, il gruppo di ricerca lavora da anni all’applicazione dell’intelligenza artificiale al diritto (cd. legal analytics), sviluppando sistemi capaci di elaborare testi normativi, estrarre informazioni rilevanti e rispondere a domande giuridiche. Questi sistemi possono basarsi su modelli di IA neurale, come i large language models, oppure modelli di IA simbolica, basati sulla logica formale, che ragionano sulle norme in modo preciso e verificabile. I modelli neurali, la tecnologia ad esempio alla base di strumenti come ChatGPT, sono efficaci nel manipolare linguaggio naturale ed interpretarlo, ma presentano anche vari limiti: non “ragionano” sulle norme (o sul testo) in senso logico, non garantiscono risposte verificabili e possono produrre errori difficili da rilevare. I sistemi di IA simbolica al contrario, permettono di eseguire automaticamente una sequenza di determinazioni logiche, basandosi su linguaggi logici non ambigui, il cui output è spiegabile e verificabile. Di contro richiedono una laboriosa fase di lavoro manuale per la codifica di ogni regola: si tratta di un processo lento e difficilmente scalabile. Il contributo innovativo di questo progetto è l’integrazione di queste due metodologie in un’architettura neurosimbolica: i modelli linguistici sono usati per estrarre la struttura delle norme e produrne una rappresentazione formale; i sistemi logico-formali utilizzano quella struttura per ragionare sulle norme, valutarne la correttezza, e per rispondere a domande sul contenuto delle norme stesse. Il componente simbolico presenta vari vantaggi: ogni risposta è deterministica (il sistema risponde sempre allo stesso modo alla stessa domande) e indica sempre quale norma sta applicando, si tratta di un requisito essenziale per qualsiasi uso istituzionale di IA.
Un secondo profilo di originalità riguarda il dominio applicativo: le disposizioni da formalizzare afferiscono a settori normativi eterogenei, con stili di redazione potenzialmente diversi. Sviluppare una pipeline di formalizzazione unitaria applicabile a questo corpus disomogeneo è una “sfida metodologica” rilevante. Il processo di formalizzazione non è affidato ai soli informatici: i giuristi del progetto fungono da validatori, garantendo la correttezza delle rappresentazioni. Un terzo profilo innovativo è il protocollo di auto-aggiornamento: il sistema monitora le modifiche legislative (per ora stavamo pensando a quelle introdotte annualmente dalla legge di bilancio) e aggiorna la base di conoscenza in modo semi-autonomo, senza intervento manuale sistematico. Questo aspetto è utile a garantire l’utilità dello strumento oltre la durata del progetto.
Infine, la base di conoscenza formalizzata potrebbe creare le condizioni per analisi economiche quantitative sistematiche. Se potessimo contare su partner specializzati nell’analisi dei conti pubblici potremmo, ad esempio, procedere con: la stima del costo fiscale effettivo delle misure; l’analisi distributiva per identificare chi beneficia delle agevolazioni e in quale misura; la valutazione dell’efficacia delle misure rispetto agli obiettivi dichiarati dal legislatore ecc. Più in generale, riteniamo che il progetto potrebbe beneficiare del coinvolgimento di soggetti con competenze in scienza delle finanze ed economia pubblica: questi potrebbero fornire strumenti di indagine e analisi che si integrino con quelle giuridiche e ciò sarebbe a maggior ragione importante se si intende produrre risultati che siano utili anche per “policy maker” e nei rapporti con l’amministrazione.