Η ψηφιοποίηση των φορολογικών διαδικασιών μέσω της πλατφόρμας MyDATA αποτελεί μία από τις σημαντικότερες αλλαγές που έχουν βιώσει τα λογιστήρια και οι οικονομικές διευθύνσεις τα τελευταία χρόνια. Οι επιχειρήσεις δεν καλούνται πλέον μόνο να διαβιβάζουν τα παραστατικά τους στην ΑΑΔΕ, αλλά και να διασφαλίζουν ότι τα δεδομένα που αποστέλλονται είναι πλήρη, ακριβή και συμφωνούν με τα στοιχεία του ERP και της λογιστικής.
Μέχρι πρόσφατα, οι σχετικοί έλεγχοι απαιτούσαν πολλές ώρες χειροκίνητης εργασίας και συνήθως περιορίζονταν σε δειγματοληπτικούς ελέγχους. Σήμερα, η Τεχνητή Νοημοσύνη μπορεί να λειτουργήσει ως ένας ιδιαίτερα αποτελεσματικός βοηθός, αναλύοντας χιλιάδες εγγραφές μέσα σε λίγα λεπτά και εντοπίζοντας αποκλίσεις που συχνά διαφεύγουν από την ανθρώπινη προσοχή.
Για παράδειγμα, μια επιχείρηση που εκδίδει 3.000 παραστατικά τον μήνα και δέχεται αντίστοιχα παραστατικά προμηθευτών μπορεί να χρειαστεί αρκετές ημέρες για να ελέγξει χειροκίνητα τις συμφωνίες ERP και MyDATA. Με τη βοήθεια της ΤΝ ο ίδιος έλεγχος μπορεί να ολοκληρωθεί σε λίγα λεπτά και να αναδείξει αμέσως τα σημεία που απαιτούν διερεύνηση και διορθωτικές ενέργειες.
Τα 8 προβλήματα που αντιμετωπίζουν καθημερινά τα λογιστήρια στα MyDATA και πως τα λύνει η ΤΝ
Παρά την ωριμότητα που έχει αποκτήσει πλέον το οικοσύστημα των ηλεκτρονικών βιβλίων (e-books) στην πλατφόρμα MyDATA, πολλές επιχειρήσεις εξακολουθούν να αντιμετωπίζουν προβλήματα συμφωνίας μεταξύ ERP, λογιστικής και δεδομένων που έχουν διαβιβαστεί στην ΑΑΔΕ. Στις περισσότερες περιπτώσεις τα προβλήματα δεν οφείλονται σε έλλειψη γνώσης, αλλά στον τεράστιο όγκο των συναλλαγών που πρέπει να ελεγχθούν.
Τα πιο συνηθισμένα προβλήματα που συναντούν λογιστές και οι οικονομικές διευθύνσεις σχετικά με τα ηλεκτρονικά τους βιβλία (e-books) στα MyDATA είναι:
- Παραστατικά που εκδόθηκαν αλλά δεν διαβιβάστηκαν.
- Διπλές ή πολλαπλές διαβιβάσεις του ίδιου παραστατικού.
- Αποκλίσεις μεταξύ ERP και MyDATA στις αξίες ή στον ΦΠΑ
- Λανθασμένοι χαρακτηρισμοί εσόδων και εξόδων στο Ε3.
- Παραστατικά αγορών που εμφανίζονται στο ERP αλλά όχι στο MyDATA ή το αντίστροφο.
- Ασυνήθιστες συναλλαγές που υποδηλώνουν πιθανά λάθη καταχώρησης.
- Προμηθευτές που δημιουργούν συστηματικά αποκλίσεις.
- Έλλειψη συνολικής εικόνας για τον πραγματικό φορολογικό κίνδυνο της επιχείρησης.
Παραδοσιακά, η αντιμετώπιση αυτών των θεμάτων απαιτούσε χρονοβόρους ελέγχους σε λογιστικά φύλλα, δειγματοληπτικές επαληθεύσεις και πολλές ώρες εργασίας από εξειδικευμένα στελέχη. Η Τεχνητή Νοημοσύνη αλλάζει αυτή την εικόνα, καθώς μπορεί να αναλύσει χιλιάδες εγγραφές ταυτόχρονα, να συγκρίνει διαφορετικά αρχεία, να εντοπίσει μοτίβα και αποκλίσεις και να παρουσιάσει τα αποτελέσματα με τρόπο κατανοητό και αξιοποιήσιμο.
Το σημαντικότερο πλεονέκτημα της ΤΝ είναι ότι δεν περιορίζεται σε δειγματοληπτικούς ελέγχους. Μπορεί να εξετάσει το σύνολο των συναλλαγών μιας περιόδου και να αναδείξει αμέσως τις περιπτώσεις που απαιτούν ανθρώπινη διερεύνηση. Με άλλα λόγια, η Τεχνητή Νοημοσύνη δεν αντικαθιστά τον λογιστή ή τον φοροτεχνικό, αλλά λειτουργεί σαν ένας εξαιρετικά γρήγορος και ακούραστος βοηθός.
Γι’ αυτό και τα MyDATA αποτελούν μία από τις πιο κατάλληλες περιοχές εφαρμογής της ΤΝ στα οικονομικά τμήματα των επιχειρήσεων. Τα δεδομένα είναι δομημένα, οι κανόνες ελέγχου είναι σαφείς και τα οφέλη από τον έγκαιρο εντοπισμό λαθών είναι άμεσα και μετρήσιμα. Η μεγαλύτερη όμως διαφορά που φέρνει η ΤΝ είναι ότι επιτρέπει τον έλεγχο του συνόλου των συναλλαγών και όχι μόνο δειγμάτων. Έτσι η επιχείρηση μπορεί να αποκτήσει πλήρη εικόνα του συνόλου των αποκλίσεων, ακόμη και όταν οι συναλλαγές ανέρχονται σε δεκάδες χιλιάδες γραμμές ανά μήνα.
Η μεθοδολογία του ελέγχου – Κανόνες για τα αρχεία και τις προτροπές (prompts)
Η μεθοδολογία του ελέγχου περιλαμβάνει τις εξής 4 φάσεις:
- Εξαγωγή αρχείων δεδομένων από το ERP, το λογιστικό σας σύστημα ή τις εφαρμογές διαβίβασης MyDATA
- Προσαρμογή των αρχείων ώστε να περιλαμβάνουν μόνο τις απαραίτητες πληροφορίες
- Έλεγχος των αρχείων από την ΤΝ με κατάλληλες Προτροπές (Prompts)
- Εντοπισμός Προβλημάτων, Κατάστρωση Προτάσεων Διόρθωσης, και Εξαγωγή συμπερασμάτων
Η Εξαγωγή αρχείων με δεδομένα από το ERP, το λογιστικό σας σύστημα ή τις εφαρμογές διαβίβασης MyDATA περιλαμβάνει τα παρακάτω αρχεία:
- Tο Αρχείο Πωλήσεων και Εσόδων και Το Αρχείο Αγορών και Εξόδων από το ERP και
- Το Αρχείο Πωλήσεων και Αρχείο Αγορών και Εξόδων που έχουν Διαβιβαστεί στο MyDATA
Η Προσαρμογή αυτών των αρχείων σε μορφή excel προτείνεται να περιλαμβάνει μόνο τις παρακάτω απαραίτητες πληροφορίες:
- Ημερομηνία
- Σειρά παραστατικού
- Αριθμός παραστατικού
- ΑΦΜ πελάτη ή προμηθευτή
- Καθαρή αξία
- ΦΠΑ
- Συνολική αξία
- Χαρακτηρισμός MyDATA
- MARK
Συνιστάται τα αρχεία που αποστέλλονται σε εφαρμογές Τεχνητής Νοημοσύνης να μην περιλαμβάνουν προσωπικά δεδομένα (όπως ονοματεπώνυμα, διευθύνσεις, τηλέφωνα και e-mail) που ούτως ή άλλως δεν είναι απαραίτητα για τον έλεγχο, εξασφαλίζοντας καλύτερη συμμόρφωση με τον Γενικό Κανονισμό για την Προστασία των Δεδομένων (GDPR). Στις περισσότερες περιπτώσεις αρκούν στοιχεία όπως ΑΦΜ, αριθμός παραστατικού, ημερομηνία και αξίες συναλλαγών.
Ο Έλεγχος των αρχείων από την Τεχνητή Νοημοσύνη προτείνεται να γίνεται με κατάλληλες Προτροπές που ακολουθούν τη βέλτιστη πρακτική RTF (Role – Task – Format), όπου:
- Ρόλος (Role) καθορίζει την ιδιότητα που αναλαμβάνει η Τεχνητή Νοημοσύνη π.χ. «έμπειρος λογιστής»
- Η Εργασία (Task) που περιγράφει αναλυτικά και με σαφήνεια τι ακριβώς πρέπει να ελεγχθεί ή να εντοπιστεί και τέλος
- Η Μορφή του Αποτελέσματος (Format) που καθορίζει τον τρόπο παρουσίασης των αποτελεσμάτων.
Παράλληλα, είναι καλή πρακτική να μη βασιζόμαστε σε μία μόνο εφαρμογή ΤΝ αλλά σε πολλές όπως οι: ChatGPT, Gemini, Claude, Grok και DeepSeek. Κάθε μία διαθέτει διαφορετικά πλεονεκτήματα στην ανάλυση δεδομένων, στη λογική επεξεργασία και στην παραγωγή αναφορών. Για κρίσιμες εργασίες, όπως οι έλεγχοι MyDATA, η διασταύρωση των αποτελεσμάτων από περισσότερα του ενός συστήματα μπορεί να αυξήσει σημαντικά την αξιοπιστία των συμπερασμάτων. Η συγκεκριμένη προσέγγιση βελτιώνει σημαντικά την ποιότητα των απαντήσεων και παράγει πιο αξιόπιστα και αξιοποιήσιμα αποτελέσματα. Δεν πρέπει όμως να ξεχνάμε ότι η Τεχνητή Νοημοσύνη σε καμία περίπτωση δεν υποκαθιστά τον λογιστή, τον οικονομικό διευθυντή ή τον φοροτεχνικό, δεν αναλαμβάνει την ευθύνη της φορολογικής συμμόρφωσης και ότι οι προτάσεις που παράγει πρέπει να ελέγχονται και να αξιολογούνται από άνθρωπο.
Στη συνέχεια του κειμένου παρουσιάζονται οι προτροπές (Prompts).
Προτροπή (Prompt) 1: Έλεγχος Συμφωνίας Πωλήσεων μεταξύ ERP και MyDATA
Σαν έμπειρος ελεγκτής λογιστικών και φορολογικών δεδομένων με εξειδίκευση στα MyDATA, σύγκρινε τα δύο συνημμένα αρχεία Excel («Αρχείο πωλήσεων από το ERP» και «Αρχείο πωλήσεων που έχουν διαβιβαστεί στο MyDATA») και εντόπισε παραστατικά που λείπουν, διπλοδιαβιβάσεις, καθώς και αποκλίσεις σε καθαρή αξία, ΦΠΑ και συνολική αξία. Παρουσίασε τα ευρήματα σε πίνακες αποκλίσεων, υπολόγισε το ποσοστό συμφωνίας μεταξύ ERP και MyDATA και ολοκλήρωσε με σύντομη σύνοψη των βασικών ευρημάτων και προτεινόμενες διορθωτικές ενέργειες κατά σειρά προτεραιότητας.
Η συγκεκριμένη προτροπή αποτελεί το σημείο εκκίνησης κάθε ελέγχου MyDATA. Επιτρέπει τη γρήγορη σύγκριση των πωλήσεων που έχουν καταχωρηθεί στο ERP με εκείνες που έχουν διαβιβαστεί στην ΑΑΔΕ, εντοπίζοντας παραστατικά που λείπουν ή εμφανίζουν αποκλίσεις. Με αυτόν τον τρόπο η επιχείρηση μπορεί να εντοπίσει έγκαιρα προβλήματα που ενδέχεται να οδηγήσουν σε φορολογικές διαφορές όπως π.χ. με την παρακάτω αναφορά:
Η ΤΝ μπορεί να εντοπίσει τέτοιες αποκλίσεις μέσα σε λίγα δευτερόλεπτα ακόμη και όταν το αρχείο περιέχει χιλιάδες εγγραφές
Προτροπή (Prompt) 2: Έλεγχος Συμφωνίας Αγορών και Εξόδων μεταξύ ERP και MyDATA
Σαν έμπειρος ελεγκτής λογιστικών και φορολογικών δεδομένων με εξειδίκευση στα MyDATA, σύγκρινε τα δύο συνημμένα αρχεία Excel («Αρχείο αγορών και εξόδων από το ERP» και «Αρχείο παραστατικών αγορών και εξόδων από το MyDATA») και εντόπισε συναλλαγές που έχουν καταχωρηθεί στο ERP αλλά δεν εμφανίζονται στο MyDATA και το αντίστροφο. Παρουσίασε τα ευρήματα σε πίνακες αποκλίσεων, υπολόγισε τη συνολική αξία των διαφορών και πρότεινε διορθωτικές ενέργειες κατά σειρά προτεραιότητας.
Η προτροπή αυτή εστιάζει στις αγορές και τα έξοδα, όπου συχνά εμφανίζονται αποκλίσεις μεταξύ λογιστικής και MyDATA. Ο έγκαιρος εντοπισμός τους συμβάλλει στη σωστή απεικόνιση των δαπανών και των φορολογικών υποχρεώσεων, καθώς και στην αναζήτηση τιμολογίων προμηθευτών προς καταχώρηση.
Προτροπή (Prompt) 3: Έλεγχος Χαρακτηρισμών Εσόδων και Εξόδων
Σαν έμπειρος ελεγκτής λογιστικών και φορολογικών δεδομένων με εξειδίκευση στα MyDATA, ανάλυσε το συνημμένο αρχείο Excel με τα παραστατικά που έχουν διαβιβαστεί στο MyDATA και έλεγξε αν οι χαρακτηρισμοί εσόδων και εξόδων είναι ορθοί και συμβατοί με το είδος κάθε συναλλαγής. Παρουσίασε τα ευρήματα σε πίνακα, αξιολόγησε τον φορολογικό κίνδυνο και πρότεινε διορθωτικές ενέργειες κατά σειρά προτεραιότητας, λαμβάνοντας υπόψη τον κλάδο δραστηριότητας της επιχείρησης.
Ακόμη και όταν οι αξίες είναι σωστές, ένας λανθασμένος χαρακτηρισμός μπορεί να δημιουργήσει σημαντικά προβλήματα φορολογικής απεικόνισης. Η προτροπή αυτή συμβάλλει καθοριστικά στη βελτίωση της ποιότητας των δεδομένων που διαβιβάζονται.
Prompt 4: Εντοπισμός Ασυνήθιστων Συναλλαγών και Πιθανών Λαθών Καταχώρησης
Σαν έμπειρος ελεγκτής λογιστικών και φορολογικών δεδομένων με εξειδίκευση στα MyDATA, ανάλυσε τα συνημμένα αρχεία Excel με τα παραστατικά πωλήσεων και αγορών και εντόπισε ασυνήθιστες συναλλαγές, ακραίες αξίες, μη αναμενόμενους συντελεστές ΦΠΑ και πιθανά λάθη καταχώρησης. Παρουσίασε τα ευρήματα σε πίνακα με αξιολόγηση κινδύνου και προτεινόμενες ενέργειες ελέγχου.
Η ΤΝ είναι ιδιαίτερα αποτελεσματική στον εντοπισμό συναλλαγών που αποκλίνουν από τη συνήθη συμπεριφορά της επιχείρησης. Η συγκεκριμένη προτροπή λειτουργεί ως μηχανισμός έγκαιρης προειδοποίησης για πιθανά λάθη ή παραλείψεις.
Prompt 5: Εκτίμηση Φορολογικών Κινδύνων και Αναφορά Ελέγχου: Το Prompt που θα χρησιμοποιούσε ένας CFO
Σαν έμπειρος φορολογικός ελεγκτής και σύμβουλος κανονιστικής συμμόρφωσης με εξειδίκευση στα MyDATA, ανάλυσε τα συνημμένα αρχεία Excel με τα δεδομένα πωλήσεων, αγορών και διαβιβάσεων MyDATA και εντόπισε περιοχές αυξημένου φορολογικού κινδύνου. Παρουσίασε τα ευρήματα σε πίνακες με αξιολόγηση κινδύνου, πιθανή οικονομική επίπτωση και προτεινόμενες διορθωτικές ενέργειες. Τέλος δημιούργησε ολοκληρωμένη αναφορά ελέγχου για τον Οικονομικό Διευθυντή (CFO). Παρουσίασε εκτελεστική σύνοψη, βασικούς δείκτες, περίληψη με μορφή πίνακα ελέγχου (dashboard-style summary), αξιολόγηση κινδύνων και προτεινόμενο σχέδιο ενεργειών κατά σειρά προτεραιότητας.
Πέρα από τον εντοπισμό λαθών, οι οικονομικές διευθύνσεις χρειάζονται μια συνολική εικόνα κινδύνου. Η προτροπή αυτή μετατρέπει τα δεδομένα σε χρήσιμη πληροφόρηση, αναδεικνύοντας τα σημεία που ενδέχεται να προσελκύσουν την προσοχή ενός φορολογικού ελέγχου και παρέχει στους CFOs και στις διοικήσεις μια διοικητική αναφορά που διευκολύνει τη λήψη αποφάσεων. Δεδομένου δε του γεγονότος ότι η ΑΑΔΕ αξιοποιεί πλέον προηγμένες τεχνικές ανάλυσης δεδομένων και αυτοματοποιημένους ελέγχους στα στοιχεία των MyDATA, η επιχείρηση πρέπει να χρησιμοποιήσει τις παραπάνω προτροπές ΤΝ για να προλάβει τον ελεγκτή της ΑΑΔΕ.
Βάσει των αποτελεσμάτων αναζήτησης, τα πιο συνηθισμένα λάθη που εντοπίζουν οι αλγοριθμικοί έλεγχοι της ΑΑΔΕ στα MyDATA είναι:
- Οι Λανθασμένοι Χαρακτηρισμοί Εσόδων και Εξόδων
- Οι Αποκλίσεις και Μη Συμφωνία Δεδομένων με τις περιοδικές δηλώσεις ΦΠΑ
- Η Μη Διαβίβαση ή η Ελλιπής Διαβίβαση Παραστατικών και
- Τα Προβλήματα σε Ειδικές Κατηγορίες Συναλλαγών όπως οι Ενδοκοινοτικές συναλλαγές και οι Συναλλαγές με συνδεδεμένες επιχειρήσεις)
Αν τα αρχεία με τα δεδομένα είναι πολύ μεγάλα, διαχώρισέ τα σε μικρότερες παρτίδες (batches) με κριτήριο την ημερομηνία και ζήτα συγκεντρωτικά αποτελέσματα, κανονίζοντας και το χρονοδιάγραμμα των ελέγχων (π.χ. κάθε μήνα ή κάθε εβδομάδα).
Συμπέρασμα
Η ΤΝ βοηθά τον λογιστή, τον φοροτεχνικό ή τον οικονομικό διευθυντή να ελέγξουν και να αξιοποιήσουν τα δεδομένα της πλατφόρμας MyDATA της ΑΑΔΕ. Τους επιτρέπει να εξετάζουν το σύνολο των συναλλαγών αντί για μικρά δείγματα, να εντοπίζουν αποκλίσεις γρηγορότερα και να λαμβάνουν καλύτερα τεκμηριωμένες αποφάσεις. Σε μια εποχή όπου τα MyDATA αποτελούν τον ψηφιακό καθρέφτη της επιχείρησης απέναντι στην ΑΑΔΕ, η αξιοποίηση εργαλείων Τεχνητής Νοημοσύνης μπορεί να μετατρέψει τον έλεγχο από μια χρονοβόρα διαδικασία συμφωνιών σε ένα ισχυρό εργαλείο πρόληψης λαθών και μείωσης φορολογικών κινδύνων.
Όπως τα υπολογιστικά φύλλα και τα ERP άλλαξαν ριζικά τη δουλειά των λογιστηρίων τη δεκαετία του 1990, έτσι και οι πλατφόρμες όπως η MyDATA και η Τεχνητή Νοημοσύνη φαίνεται ότι θα αλλάξουν επίσης δραστικά τον τρόπο με τον οποίο οι επιχειρήσεις ελέγχουν τα δεδομένα τους.
Οι επιχειρήσεις που θα ενσωματώσουν έγκαιρα την Τεχνητή Νοημοσύνη στις διαδικασίες ελέγχου των MyDATA δεν θα έχουν απλώς καλύτερη συμμόρφωση, αλλά θα αποκτήσουν και σημαντικό πλεονέκτημα στην ταχύτητα και στην ποιότητα λήψης αποφάσεων.
Το μεγαλύτερο όφελος θα προκύψει όχι τόσο από τα ευρήματα, όσο από την καθιέρωση μιας κουλτούρας συνεχούς ελέγχου με τη βοήθεια της Τεχνητής Νοημοσύνης.
