Μπορεί ένας υπολογιστής να ανακαλύψει ένα οικονομικό σκάνδαλο εκατομμυρίων ευρώ; Μπορεί να εντοπίσει ότι μια επιχείρηση εισπράττει κανονικά τον ΦΠΑ από τους πελάτες της, αλλά δεν τον αποδίδει στην εφορία; Και πώς είναι δυνατόν να διαπιστώσει ότι πίσω από δεκάδες διαφορετικές εταιρείες βρίσκονται τα ίδια πρόσωπα;
Η απάντηση βρίσκεται στον ειδικό αλγόριθμο της Ανεξάρτητης Αρχής Δημοσίων Εσόδων (ΑΑΔΕ), ο οποίος έχει εξελιχθεί σε ένα από τα σημαντικότερα εργαλεία για την καταπολέμηση της φοροδιαφυγής στην Ελλάδα.
Πρόκειται για ένα σύστημα ηλεκτρονικής ανάλυσης δεδομένων που εξετάζει τις οικονομικές συναλλαγές των επιχειρήσεων, συγκρίνει πληροφορίες από διαφορετικές πηγές και εντοπίζει ασυνήθιστες συμπεριφορές που ενδέχεται να υποκρύπτουν φορολογικές παραβάσεις.
Οι μεγάλες υποθέσεις εικονικών τιμολογίων, οι επιχειρήσεις που εξαφανίζονται αφήνοντας απλήρωτους φόρους και τα κυκλώματα που χρησιμοποιούν δεκάδες διαφορετικά ΑΦΜ δείχνουν πώς η τεχνολογία αλλάζει τον τρόπο με τον οποίο πραγματοποιούνται οι φορολογικοί έλεγχοι.
Τι είναι, τελικά, ο αλγόριθμος της εφορίας;
Για να καταλάβουμε πώς λειτουργεί, πρέπει πρώτα να εξηγήσουμε τι σημαίνει η λέξη «αλγόριθμος».
Με απλά λόγια, αλγόριθμος είναι μια σειρά μαθηματικών και λογικών κανόνων που χρησιμοποιεί ένας υπολογιστής για να επεξεργαστεί πληροφορίες και να καταλήξει σε ένα αποτέλεσμα.
Στην περίπτωση της ΑΑΔΕ, το αποτέλεσμα δεν είναι απαραίτητα η διαπίστωση μιας φορολογικής παράβασης. Είναι κυρίως ο εντοπισμός επιχειρήσεων και συναλλαγών που παρουσιάζουν αυξημένο κίνδυνο φοροδιαφυγής.
Φανταστείτε έναν ελεγκτή της εφορίας που πρέπει να εξετάσει εκατοντάδες χιλιάδες τιμολόγια, φορολογικές δηλώσεις και οικονομικές συναλλαγές.
Η χειροκίνητη εξέταση όλων αυτών των στοιχείων θα απαιτούσε τεράστιο αριθμό εργατοωρών.
Ο αλγόριθμος μπορεί να επεξεργάζεται μεγάλους όγκους δεδομένων, να πραγματοποιεί διασταυρώσεις και να επισημαίνει ασυνήθιστες αποκλίσεις πολύ ταχύτερα.
Ουσιαστικά, λειτουργεί ως ένα ψηφιακό σύστημα έγκαιρης προειδοποίησης, το οποίο υποδεικνύει στους ελεγκτές πού χρειάζεται να επικεντρώσουν την προσοχή τους.
Δεν πρόκειται απαραίτητα για ένα και μοναδικό πρόγραμμα. Η ΑΑΔΕ αξιοποιεί διαφορετικά πληροφοριακά συστήματα, εργαλεία διασταυρώσεων και μοντέλα ανάλυσης φορολογικού κινδύνου.
Πώς καταλαβαίνει ότι μια επιχείρηση δεν αποδίδει ΦΠΑ;
Ας χρησιμοποιήσουμε ένα απλό παράδειγμα.
Μια επιχείρηση πραγματοποιεί πωλήσεις αξίας 100.000 ευρώ, χωρίς να υπολογίζεται ο ΦΠΑ.
Εφόσον όλες οι πωλήσεις υπάγονται στον κανονικό συντελεστή 24%, εισπράττει επιπλέον 24.000 ευρώ από τους πελάτες της.
Τα χρήματα αυτά δεν αποτελούν κέρδος της επιχείρησης. Πρόκειται για φόρο που εισπράττει και οφείλει να αποδώσει στο Δημόσιο, αφού προηγουμένως συνυπολογιστεί ο ΦΠΑ των επιλέξιμων αγορών και δαπανών της.
Ας υποθέσουμε ότι, μετά τον συμψηφισμό, η επιχείρηση οφείλει να καταβάλει 15.000 ευρώ.
Εάν υποβάλει ανακριβή δήλωση ή δεν αποδώσει τον φόρο, δημιουργείται μια απόκλιση που μπορεί να εντοπιστεί μέσω των ηλεκτρονικών διασταυρώσεων.
Το σύστημα μπορεί να συγκρίνει στοιχεία από την πλατφόρμα myDATA, τις δηλώσεις ΦΠΑ και άλλες διαθέσιμες ψηφιακές πηγές.
Εάν, για παράδειγμα, τα ηλεκτρονικά παραστατικά εμφανίζουν σημαντικές πωλήσεις, ενώ η επιχείρηση υποβάλλει μηδενική δήλωση ΦΠΑ, η ασυμφωνία μπορεί να αποτελέσει ένδειξη για περαιτέρω έλεγχο.
Αυτό δεν σημαίνει αυτομάτως ότι έχει διαπραχθεί φοροδιαφυγή. Μπορεί να υπάρχουν νόμιμες εξηγήσεις, όπως πιστωτικά υπόλοιπα, απαλλασσόμενες συναλλαγές ή λογιστικές διορθώσεις.
Ωστόσο, όταν εμφανίζονται επαναλαμβανόμενες και ανεξήγητες αποκλίσεις, αυξάνεται ο φορολογικός κίνδυνος που συνδέεται με την επιχείρηση.
Ποια στοιχεία εξετάζει ο αλγόριθμος;
Το σημαντικότερο πλεονέκτημα του συστήματος είναι ότι δεν εξετάζει κάθε πληροφορία απομονωμένα.
Αντίθετα, μπορεί να συνδυάζει διαφορετικά δεδομένα, αναζητώντας συσχετισμούς που δύσκολα θα γίνονταν αντιληπτοί με έναν συμβατικό έλεγχο.
Σύμφωνα με τον στρατηγικό σχεδιασμό της ΑΑΔΕ, στις διαθέσιμες πηγές περιλαμβάνονται το myDATA, το TAXIS, τα στοιχεία από τα πληροφοριακά συστήματα της φορολογικής διοίκησης και πληροφορίες που διαβιβάζονται από τρίτους φορείς.
Σημαντικό ρόλο έχουν επίσης τα δεδομένα των ηλεκτρονικών τιμολογίων και της διασύνδεσης των ταμειακών μηχανών με τα POS.
Έτσι, οι ελεγκτικοί μηχανισμοί μπορούν να εξετάζουν εάν τα δηλωμένα έσοδα συμφωνούν με τα διαθέσιμα στοιχεία των συναλλαγών, εάν έχουν εκδοθεί τα προβλεπόμενα παραστατικά και εάν εμφανίζονται επαναλαμβανόμενες αποκλίσεις.
Το σύστημα δεν περιορίζεται στο να αναζητά έναν απλήρωτο φόρο.
Αναζητά συμπεριφορές που, όταν εξετάζονται συνδυαστικά, μπορεί να αποκαλύπτουν οργανωμένη φορολογική απάτη.
Πώς εντοπίζει εταιρείες που εξαφανίζονται και εμφανίζονται με άλλο ΑΦΜ;
Εδώ βρίσκεται μία από τις πιο ενδιαφέρουσες δυνατότητες της ανάλυσης δεδομένων.
Ας υποθέσουμε ότι μια εταιρεία λειτουργεί κανονικά, πραγματοποιεί πωλήσεις, απασχολεί προσωπικό και δημιουργεί φορολογικές υποχρεώσεις.
Μετά από κάποιο χρονικό διάστημα, συσσωρεύει μεγάλα χρέη προς την εφορία και τους ασφαλιστικούς φορείς.
Στη συνέχεια σταματά να λειτουργεί.
Λίγο αργότερα, στον ίδιο χώρο εμφανίζεται μια καινούργια επιχείρηση, με διαφορετική επωνυμία και διαφορετικό ΑΦΜ.
Εάν η πρακτική επαναλαμβάνεται, δημιουργείται ένα μοτίβο που μπορεί να προκαλέσει την προσοχή των ελεγκτικών συστημάτων.
Οι αρχές μπορούν να εξετάσουν, μεταξύ άλλων, τις μεταβολές των εταιρικών στοιχείων, τις χρονικές συμπτώσεις, τη δραστηριότητα των επιχειρήσεων και τυχόν κοινά χαρακτηριστικά που προκύπτουν από τα διαθέσιμα δεδομένα.
Η σύνδεση διαφορετικών εταιρειών με τα ίδια πραγματικά πρόσωπα απαιτεί περαιτέρω έρευνα και τεκμηρίωση.
Η συγκεκριμένη μέθοδος χρησιμοποιείται σε κυκλώματα που επιχειρούν να μεταφέρουν την οικονομική δραστηριότητα σε νέες εταιρείες, αφήνοντας πίσω παλαιές οφειλές.
Η υπόθεση των 380 επιχειρήσεων και τα 43 εκατομμύρια ευρώ
Χαρακτηριστικό παράδειγμα αποτελεί η υπόθεση που αποκαλύφθηκε τον Φεβρουάριο του 2026 και αφορούσε δίκτυο εκατοντάδων επιχειρήσεων.
Σύμφωνα με τα στοιχεία που δημοσιοποιήθηκαν, η έρευνα αφορούσε 380 επιχειρήσεις, με δραστηριότητα μεταξύ άλλων στην εστίαση και στην εμπορία ηλεκτρονικών υπολογιστών.
Στο επίκεντρο βρέθηκε η φερόμενη χρησιμοποίηση περισσότερων από 205 προσώπων ως τυπικά υπευθύνων επιχειρήσεων, με στόχο την απόκρυψη των πραγματικών διαχειριστών.
Από τις επιχειρήσεις αυτές, 317 συνδέθηκαν με οφειλές που έφταναν συνολικά τα 43 εκατομμύρια ευρώ, εκ των οποίων 27 εκατομμύρια προς την ΑΑΔΕ και 16 εκατομμύρια προς τον ΕΦΚΑ.
Το ενδιαφέρον στοιχείο είναι ότι, σύμφωνα με το σχετικό ρεπορτάζ, οι ελεγκτές αξιοποίησαν τα αποτελέσματα του ειδικού αλγορίθμου, ο οποίος είχε εντοπίσει ύποπτα χαρακτηριστικά στη συναλλακτική και φορολογική συμπεριφορά των επιχειρήσεων.
Μεταξύ των στοιχείων που εξετάστηκαν ήταν η διακοπή λειτουργίας εταιρειών με οφειλές και η εμφάνιση νέων επιχειρήσεων με διαφορετικά ΑΦΜ.
Η υπόθεση ανέδειξε πώς η ηλεκτρονική ανάλυση μπορεί να βοηθήσει στον εντοπισμό οργανωμένων δικτύων, πέρα από τις μεμονωμένες φορολογικές παραβάσεις.
Τα εικονικά τιμολόγια των 718 εκατομμυρίων ευρώ
Μία ακόμη σημαντική υπόθεση αποκαλύφθηκε στις αρχές Φεβρουαρίου 2026.
Σύμφωνα με τα στοιχεία της ΑΑΔΕ, κατά τη διάρκεια του 2025 εντοπίστηκαν 147 επιχειρήσεις που συμμετείχαν σε κυκλώματα εικονικών συναλλαγών συνολικής αξίας 718,1 εκατομμυρίων ευρώ.
Ο ΦΠΑ που δεν αποδόθηκε υπολογίστηκε σε περίπου 143,5 εκατομμύρια ευρώ.
Οι υποθέσεις αφορούσαν διαφορετικούς κλάδους της οικονομίας, μεταξύ των οποίων οι κατασκευές, το εμπόριο ηλεκτρονικών συσκευών και η παροχή υπηρεσιών.
Τα εικονικά τιμολόγια αποτελούν έναν από τους βασικούς μηχανισμούς φορολογικής απάτης.
Μια επιχείρηση μπορεί να εμφανίζει στα λογιστικά της βιβλία αγορές ή υπηρεσίες που δεν πραγματοποιήθηκαν πραγματικά, επιδιώκοντας να μειώσει τη φορολογική της επιβάρυνση.
Σε άλλες περιπτώσεις, εικονικές συναλλαγές χρησιμοποιούνται για τη δημιουργία αδικαιολόγητων απαιτήσεων επιστροφής ΦΠΑ.
Η ηλεκτρονική διασταύρωση των παραστατικών μπορεί να αποκαλύψει ασυνέπειες ανάμεσα στις συναλλαγές που δηλώνουν διαφορετικές επιχειρήσεις.
Χρησιμοποιεί τεχνητή νοημοσύνη;
Η απάντηση χρειάζεται μια σημαντική διευκρίνιση.
Δεν είναι κάθε αλγόριθμος τεχνητή νοημοσύνη.
Ένα απλό πρόγραμμα που συγκρίνει δύο ποσά και εντοπίζει μια διαφορά χρησιμοποιεί αλγόριθμο, χωρίς απαραίτητα να διαθέτει δυνατότητες τεχνητής νοημοσύνης.
Η τεχνητή νοημοσύνη και ειδικότερα η μηχανική μάθηση επιτρέπουν την ανάπτυξη πιο σύνθετων μοντέλων, τα οποία μπορούν να αναγνωρίζουν μοτίβα μέσα σε μεγάλους όγκους δεδομένων.
Στον επιχειρησιακό σχεδιασμό της ΑΑΔΕ περιλαμβάνεται η αξιοποίηση προηγμένων τεχνολογιών ανάλυσης δεδομένων, επιχειρησιακής νοημοσύνης και μοντέλων εκτίμησης κινδύνου.
Ωστόσο, οι ακριβείς τεχνικές προδιαγραφές και οι κανόνες λειτουργίας των επιμέρους συστημάτων δεν έχουν δημοσιοποιηθεί πλήρως.
Επομένως, δεν μπορούμε να ισχυριστούμε ότι κάθε υπόθεση φοροδιαφυγής εντοπίζεται αποκλειστικά από ένα αυτόνομο σύστημα τεχνητής νοημοσύνης.
Η τεχνολογία υποστηρίζει το έργο των ελεγκτών, χωρίς να υποκαθιστά την ανθρώπινη αξιολόγηση.
Πώς αποφασίζει η εφορία ποια επιχείρηση θα ελέγξει;
Ένα ακόμη ενδιαφέρον στοιχείο αφορά τη διαδικασία επιλογής των επιχειρήσεων που θα ελεγχθούν.
Η ΑΑΔΕ εφαρμόζει μεθόδους ανάλυσης κινδύνου (risk analysis).
Στην πράξη, αυτό σημαίνει ότι οι διαθέσιμες πληροφορίες αξιολογούνται με συγκεκριμένα κριτήρια και οι υποθέσεις κατατάσσονται ανάλογα με τον εκτιμώμενο φορολογικό κίνδυνο.
Για το 2026, η απόφαση Α.1190/2025 προβλέπει, μεταξύ άλλων, την επιλογή 380 υποθέσεων ερευνών φοροδιαφυγής με βάση ηλεκτρονικά δεδομένα και πληροφορίες από διαφορετικές πηγές.
Οι υποθέσεις αξιολογούνται μέσω αυτοματοποιημένου μοντέλου μοριοδότησης και προτεραιότητα δίνεται σε εκείνες που συγκεντρώνουν την υψηλότερη βαθμολογία.
Τα αναλυτικά κριτήρια και οι συνδυασμοί τους δεν δημοσιοποιούνται.
Αυτό έχει ιδιαίτερη σημασία, καθώς αποτρέπει τη γνωστοποίηση των ακριβών κανόνων με τους οποίους επιλέγονται οι επιχειρήσεις για έλεγχο.
Μπορεί ο αλγόριθμος να κάνει λάθος;
Φυσικά.
Ένα ηλεκτρονικό σύστημα μπορεί να εντοπίσει μια ασυνήθιστη συναλλαγή, χωρίς αυτή να είναι παράνομη.
Για παράδειγμα, μια επιχείρηση μπορεί να παρουσιάζει απότομη αύξηση του κύκλου εργασιών της λόγω εποχικότητας, μιας μεγάλης παραγγελίας ή μιας επιχειρηματικής επέκτασης.
Αντίστοιχα, μπορεί να εμφανίζει προσωρινές αποκλίσεις μεταξύ διαφορετικών πληροφοριακών συστημάτων λόγω καθυστερημένης ενημέρωσης ή διορθώσεων.
Για τον λόγο αυτό, η ηλεκτρονική επισήμανση μιας υπόθεσης δεν ισοδυναμεί με απόδειξη φοροδιαφυγής.
Ο αλγόριθμος εντοπίζει την ένδειξη. Ο ελεγκτής εξετάζει τα πραγματικά περιστατικά και τα αποδεικτικά στοιχεία.
Η διάκριση αυτή είναι κρίσιμη τόσο για την αξιοπιστία των ελέγχων όσο και για την προστασία των επιχειρήσεων από λανθασμένες εκτιμήσεις.
Μπορεί να ελέγχει όλες τις επιχειρήσεις στην Ελλάδα;
Τα ψηφιακά συστήματα της ΑΑΔΕ επιτρέπουν τη μαζική επεξεργασία πληροφοριών από μεγάλο αριθμό επιχειρήσεων.
Αυτό, όμως, δεν σημαίνει ότι κάθε συναλλαγή εξετάζεται αυτομάτως από άνθρωπο ή ότι πραγματοποιείται πλήρης φορολογικός έλεγχος σε κάθε επιχείρηση.
Η βασική διαφορά σε σχέση με το παρελθόν είναι ότι οι φορολογικές αρχές μπορούν να αξιοποιούν συστηματικά τα ηλεκτρονικά δεδομένα για να επιλέγουν πιο στοχευμένα τις υποθέσεις που απαιτούν έρευνα.
Όσο περισσότερες συναλλαγές καταγράφονται ψηφιακά, τόσο αυξάνονται οι δυνατότητες διασταύρωσης πληροφοριών.
Παράλληλα, όμως, μεγαλώνει και η ανάγκη για σωστή διαχείριση των δεδομένων, διαφάνεια στις διαδικασίες και αποτελεσματική προστασία των δικαιωμάτων των φορολογουμένων.
Το τέλος της φοροδιαφυγής ή η αρχή μιας διαφορετικής εποχής;
Η χρήση αλγορίθμων δεν σημαίνει ότι η φοροδιαφυγή μπορεί να εξαλειφθεί.
Τα οργανωμένα κυκλώματα μπορούν να αλλάζουν μεθόδους, να χρησιμοποιούν σύνθετες εταιρικές δομές και να επιχειρούν να αποκρύπτουν την πραγματική τους δραστηριότητα.
Εκείνο που αλλάζει είναι η δυνατότητα των φορολογικών αρχών να εντοπίζουν συσχετισμούς και επαναλαμβανόμενα μοτίβα, τα οποία παλαιότερα θα απαιτούσαν χρονοβόρες έρευνες.
Η μεγάλη διαφορά βρίσκεται στο γεγονός ότι η εφορία δεν χρειάζεται πλέον να περιμένει αποκλειστικά μια καταγγελία ή έναν τυχαίο έλεγχο για να ξεκινήσει μια έρευνα.
Μπορεί να αξιοποιεί τα ψηφιακά ίχνη των οικονομικών συναλλαγών, να εντοπίζει αποκλίσεις και να κατευθύνει τους ελεγκτές εκεί όπου υπάρχουν σοβαρές ενδείξεις παραβατικότητας.
Και αυτό ίσως είναι το σημαντικότερο στοιχείο της νέας πραγματικότητας: οι επιχειρήσεις αφήνουν πλέον ένα εκτεταμένο ψηφιακό αποτύπωμα, το οποίο μπορεί να αποδειχθεί καθοριστικό στην αποκάλυψη οικονομικών σκανδάλων.