SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteudvalget 2024-25
SAU Alm.del Bilag 190
Offentligt

REDEGØRELSE

Skatteministeriet

Skatteforvaltningens

brug af kunstig

intelligens

Årlig redegørelse

April 2025

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Side 2

Skatteforvaltningens brug af kunstig intelligens

Side 1

Indhold

Forord .................................................................................................................................... 2

2.1

2.2

2.3

2.4

Resumé..................................................................................................................... 3

Udgangspunkt for den årlige redegørelse ................................................... 5

Definition af kunstig intelligens ...................................................................................... 6

Formål med Skatteforvaltningens brug af AI ........................................................... 7

Regeringens målsætninger for kunstig intelligens ................................................ 8

Retsgrundlag for Skatteforvaltningens brug af AI ................................................. 9

3.1

3.2

3.3

3.4

3.4.1

3.4.2

3.5

Anvendelse af kunstig intelligens i Skatteforvaltningen........................11

Anvendelse af machine learning modeller ............................................................ 12

Datakilder og indsamling .............................................................................................. 13

Skatteforvaltningens machine learning modeller............................................... 14

Resultater og erfaringer ................................................................................................ 16

Juridisk compliance......................................................................................................... 16

Databeskyttelse ifm. brug af AI ................................................................................... 17

Det videre arbejde med AI i Skatteforvaltningen ................................................ 17

Bilag - Skatteforvaltningens idriftssatte machine learning

modeller .................................................................................................................19

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 2

Forord

I foråret 2024 besluttede den daværende skatteminister, Jeppe Bruus (S), at der

skulle udarbejdes en årlig redegørelse til Folketinget om brugen af kunstig intelli-

gens i Skatteforvaltningen.

Det politiske ønske om en årlig redegørelse opstod på baggrund af et offentligt

fokus på Skatteforvaltningens brug af kunstig intelligens. Fokus på Skatteforvalt-

ningens brug af kunstig intelligens kom på baggrund af Datatilsynets kortlæg-

ning af brugen af kunstig intelligens i den offentlige sektor.

I denne kortlægning

konkluderede Datatilsynet, at offentlige myndigheder i deres anvendelse af kun-

stig intelligens overvejende havde styr på behandlingsgrundlaget, men at myn-

dighederne havde svært ved at opfylde kravene om udarbejdelse af konse-

kvensanalyser i forbindelse med udvikling og drift af it-systemer, herunder AI-

modeller.

Hvad angår Skatteforvaltningen, kom der på den baggrund bl.a. fokus på, hvilke

typer data Skatteforvaltningen har adgang til og behandlingen af disse data i

forbindelse med forvaltningens opgavevaretagelse.

Skatteforvaltningen anvender kunstig intelligens til at understøtte arbejdet med

forvaltningens kerneopgaver. Forvaltningen modtager mange oplysninger fra

bl.a. udenlandske skattemyndigheder, pengeinstitutter, arbejdsgivere samt fra

borgere og virksomheders indberetninger til brug for beregning og opkrævning

af skatter og afgifter. Kunstig intelligens anvendes til at analysere og behandle

data til brug for skattekontrol eller borgervejledning, og er med til at sikre korrekt

afregning af skatter og afgifter og en effektiv forvaltning.

Formålet med denne redegørelse er at skabe gennemsigtighed i brugen af kun-

stig intelligens i Skatteforvaltningen. Redegørelsen er således også et bidrag til

en drøftelse af den fremtidige udvikling og de potentialer og risici, der er forbun-

det med brugen af kunstig intelligens i Skatteforvaltningen.

God læselyst!

Rasmus Stoklund

Skatteminister

Brug af kunstig intelligens i den offentlige sektor, kortlægning,

Datatilsynet, oktober 2023

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 3

Resumé

Skatteforvaltningen modtager hvert år store mængder af data fra borgere og

virksomheder og fra tredjeparter, som fx pengeinstitutter og andre offentlige

myndigheder.

Skatteforvaltningen skal varetage sine myndighedsopgaver ansvarligt, effektivt

og tidssvarende. Skatteforvaltningen anvender derfor kunstig intelligens til at ef-

fektivisere arbejdet med kerneopgaver som sagsbehandling, svigbekæmpelse

og skatteopkrævning.

Kunstig intelligens bidrager fx med at fordele sager til manuel sagsbehandling

og til at sikre, at virksomheder, hvor der er størst risiko for fejl eller svig, udtages

til manuel kontrol hos en sagsbehandler.

Skatteforvaltningen følger de grundlæggende forvaltningsmæssige regler om, at

indsamling af data og personoplysninger skal have et sagligt formål, og at be-

handlingen af data, herunder ifm. brug af kunstig intelligens, skal være proporti-

onal med formålet. Der skal således være konkrete, saglige og afgrænsede for-

mål i forbindelse med udvikling og anvendelse af kunstig intelligens.

I dag benytter Skatteforvaltningen udelukkende den type kunstig intelligens, der

går under navnet machine learning. Machine learning anvendes til udvikling af

algoritmer, som kan finde mønstre i historiske data og herefter anvendes til at

genkende tilsvarende mønstre i ny data. Skatteforvaltningen har i dag 29 ma-

chine learning modeller i drift. Disse modeller træffer ikke automatiske afgørel-

ser, men de understøtter forvaltningens medarbejdere i forbindelse med kerne-

opgaver som kontrol, vejledning og administrative processer.

Anvendelsen af machine learning har

medført hurtigere sagsbehandling,

øget skatteprovenu, bedre ressource-

udnyttelse, højere kvalitet i afgørelser

og mere målrettet vejledning over for

borgere og virksomheder.

Machine learning sikrer bl.a., at de ca. 270.000 skriftlige henvendelser, som Bor-

ger- og Virksomhedsvejledningen i Skattestyrelsen modtager årligt, visiteres til

de sagsbehandlere, der kan besvare spørgsmålene. Det mindsker sagsbehand-

lingstiden. Den pågældende model kan visitere 90 pct. af alle henvendelser og

rammer rigtigt i 82 pct. af tilfældene. På erhvervsområdet sikrer machine lear-

ning, at svigsvirksomheder stoppes allerede i registreringsfasen. Det er estime-

ret, at der forhindres et tab for staten på ca. 1,4 mio. kr. for hver svigvirksomhed,

der stoppes i denne fase.

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 4

Der er ligeledes et arbejde i gang med at sikre, at borgere og virksomheder er

oplyst til fulde om Skatteforvaltningens behandling af deres data og brug af kun-

stig intelligens.

Samlet set styrker brugen af kunstig intelligens Skatteforvaltningens evne til ef-

fektivt at håndtere store datamængder, forebygge svig og sikre korrekt betaling

af skatter og afgifter. Alt dette reducerer administrationen og forbedrer kvalite-

ten i Skatteforvaltningens arbejde.

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 5

Udgangspunkt for

den årlige redegø-

relse

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 6

2.1 Definition af kunstig intelligens

Kunstig intelligens (eller AI) er i korte træk en teknologi, der gør det muligt for

computere at analysere og lære af erfaringer, at forstå sprog og genkende bille-

der eller lyd.

Kunstig intelligens kan anvendes til at analysere og genkende mønstre i store

mængder af både

struktureret og ustruktureret data.

Struktureret data er foruddefineret - det kan fx være tal. Struktureret data er let-

tere at validere på grund af det foruddefinerede format (fx tal) og kan ofte auto-

matisk kontrolleres for fejl og inkonsistens.

Ustruktureret data er fx tekst, billeder og video. Det kræver ofte en større og

mere kompleks gennemgang at sikre korrekthed af ustruktureret data.

En betydelig mængde af den data, som Skatteforvaltningen har til rådighed, er

struktureret data.

Kunstig intelligens dækker også over flere typer af teknologier, der bl.a. kan fore-

tage

forudsigelser, danne indhold og præsentere anbefalinger.

En teknologi inden for kunstig intelligens er machine learning. Machine learning

anvendes til udvikling af algoritmer, som er i stand til at finde mønstre i historiske

data. Når en algoritme modelleres og trænes til at genkende et specifikt møn-

ster, kaldes det en model. Modellen kan herefter anvendes til at genkende tilsva-

rende mønstre i ny data.

Definition af kunstig

intelligens

I AI-forordningen, som trådte i kraft den

1. august 2024, defineres et AI-system

således.

”AI-system«:

et maskinbaseret system,

som er udformet med henblik på at

fungere med en varierende grad af au-

tonomi, og som efter idriftsættelsen

kan udvise en tilpasningsevne, og som

til eksplicitte eller implicitte mål af det

input, det modtager, udleder, hvordan

det kan generere output såsom forud-

sigelser, indhold, anbefalinger eller be-

slutninger, som kan påvirke fysiske el-

ler virtuelle miljøer.”

Kilde: Europa-Parlamentet

Skatteforvaltningen bruger machine

learning til at genkende mønstre.

En anden type kunstig intelligens er generativ AI. Det er avancerede modeller,

der er trænet ved hjælp af machine learning på meget store mængder af ustruk-

tureret data med det formål at kunne producere nyt (ustruktureret) indhold, fx

tekst, billede, lyd og video. Programmer som ChatGPT og CoPilot er eksempler

på generative AI-systemer.

Når Skatteforvaltningen i dag taler om kunstig intelligens eller AI, er det machine

learning, der tales om. Der anvendes i dag ikke generativ AI i Skatteforvaltnin-

gen.

EUROPA-PARLAMENTETS OG RÅDETS FORORDNING (EU) 2024/1689 af 13. juni 2024 om harmonise-

rede regler for AI, art. 3, nr. 1

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 7

2.2 Formål med Skatteforvaltningens brug af AI

Skatteforvaltningen modtager hvert år store mængder af data fra både de

skatte- og afgiftspligtige og fra tredjeparter. Alene Skattestyrelsen modtager år-

ligt ca. 295 mio. indberetninger om borgere og virksomheder fra tredjeparter - fx

fra arbejdsgivere og pengeinstitutter.

Den store mængde data, som Skatteforvaltningen indsamler og behandler, kan

indeholde nøglen til at opklare

–

og måske endda forhindre

–

skatteøkonomisk

kriminalitet. En stor del af den skatteøkonomiske kriminalitet består ofte af en

uoverskuelig kæde af selskaber, stråmænd og bagmænd, der gør det vanskeligt

at afsløre, hvem der står bag den kriminalitet, som begås.

Det er afgørende for en tidssvarende og fremtidssikret skatteforvaltning, at der

udvikles og implementeres værktøjer, som understøtter og effektiviserer be-

handlingen af de store mængder data, så der sikres korrekt betaling af skatter

og afgifter.

Skatteforvaltningen har derfor en proaktiv tilgang til behandling af store mæng-

der data. Denne tilgang spiller en afgørende rolle i forhold til at kunne bekæmpe

og forhindre fx kædesvig og momskarruseller, international skatteunddragelse

og skattely.

Kunstig intelligens understøtter, at Skatteforvaltningen kan behandle de store

datamængder, da teknologien udvider mulighederne for at analysere, systemati-

sere og screene de store mængder data, som Skatteforvaltningens sagsbehand-

lere ikke vil kunne nå at behandle manuelt.

Skatteforvaltningen skal tilrettelægge udførelsen af sine myndighedsopgaver i

tråd med principperne for god offentlig forvaltning. Det indebærer bl.a., at offent-

lige midler forvaltes effektivt. Det betyder, at Skatteforvaltningen skal udføre sin

kerneopgave, som fx skattekontrol, så der opnås de bedst mulige resultater i for-

hold til det ønskede formål. På den baggrund integreres der løbende nye tekno-

logier i Skatteforvaltningens opgavevaretagelse.

Skatteforvaltningens myndighedsopgaver

Antal årlige indberetninger

Skattestyrelsen modtager 295 mio.

indberetninger årligt om borgere og

virksomheder, fx fra pengeinstitutter

og pensionsselskaber.

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 8

Kilde: Finansloven 2025

2.3 Regeringens målsætninger for kunstig intel-

ligens

Skatteforvaltningen arbejder i overensstemmelse med regeringens strategiske

målsætninger ved at udnytte de teknologiske muligheder, herunder kunstig intel-

ligens, på en sikker og ansvarlig måde med skatteyderne i centrum.

Det fremgår af regeringens digitaliseringsstrategi for 2024-2027

, at Danmark

skal gå forrest med at udnytte de nye muligheder inden for kunstig intelligens,

samtidig med at udvikling og anvendelse skal ske ansvarligt og med afsæt i bor-

gernes grundlæggende rettigheder. Dette følger ligeledes af regeringens strate-

giske indsats for kunstig intelligens, der foreskriver, at udvikling og anvendelse af

kunstig intelligens altid skal ske med borgerne i centrum.

Der skal være et ansvarligt og stærkt

grundlag for udnyttelse af kunstig

intelligens.

Kilde: Danmarks Digitalieringsstrategi 2024-2027

I 2022 blev Digitaliseringsrådet nedsat. Rådet har til opgave at følge implemen-

teringen af regeringens digitaliseringsstrategi og rådgive regeringen om Dan-

marks digitale udvikling. Digitaliseringsrådet kommer med anbefalinger til nye

muligheder, potentialer og opmærksomhedspunkter for den videre digitale ud-

vikling.

Digitaliseringsrådet udgav i juni 2023 sin vision

Strategisk indsats for kunstig in-

telligens

for den nationale udvikling og anvendelse af kunstig intelligens i Dan-

mark. Rådet peger her på, at den danske tilgang bl.a. skal styres af et fokus på,

hvad der har et værdiskabende potentiale for borgere, medarbejderne, virksom-

hederne og samfundet som helhed.

Vision i

Strategisk indsats for kunstig intelligens - Et styrket fundament for ansvarlig udvikling

og anvendelse af kunstig intelligens i Danmark

Danmarks Digitaliseringsstrategi, ansvar for den digitale udvikling, 2024-2027, Regeringen november

2023

Strategisk indsats for kunstig intelligens, et styrket fundament for ansvarlig udvikling og anvendelse af kun-

stig intelligens i Danmark, Regeringen december 2024

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 9

2.4 Retsgrundlag for Skatteforvaltningens brug

af kunstig intelligens

Skatteforvaltningens indsamling og behandling af data til udvikling og anven-

delse af digitale værktøjer som fx machine learning-modeller foregår på bag-

grund af lovgivningsmæssige rammer.

Skatteforvaltningen har siden 2006 haft hjemmel til at samkøre data fra it-syste-

mer, herunder machine learning modeller, til brug for forvaltningens myndig-

hedsudøvelse.

Skatteforvaltningen kan ligeledes behandle og foretage samkøring af data, med

henblik på

udvikling

af machine learning-modeller, som er nødvendige for myn-

dighedsudøvelsen. Skatteforvaltningen har således til brug for sin myndigheds-

udøvelse hjemmel til at samkøre de oplysninger, som forvaltningen er i besid-

delse af, samt indsamle og behandle alle nødvendige oplysninger om fysiske el-

ler juridiske personers økonomiske og erhvervsmæssige forhold fra andre of-

fentlige myndigheder og offentligt tilgængelige kilder.

I 2021 vedtog Folketinget enstemmigt en ændring af skattekontrolloven. Lovæn-

dringen har præciseret Skatteforvaltningens hjemmel til at indsamle og be-

handle data i forbindelse med udviklingen og anvendelsen af it-systemer.

Lovforslaget blev til på baggrund af et ønske i forvaltningen om at udvide brugen

af samkøring af data med henblik på at optimere opgavevaretagelsen. En sådan

udvidelse af lovgrundlaget ville være et naturligt og vigtigt element i arbejdet

med forbedringer af bl.a. vejledningsindsatsen over for borgere og virksomhe-

der og kontrolindsatsen, fx i forhold til hvidvask og svig.

Lovændringen ændrer ikke på det helt grundlæggende princip om, at anven-

delse af data, herunder personoplysninger, kræver et sagligt formål, og at be-

handlingen ikke må være mere omfattende, end forholdet tilsiger. Der skal være

konkrete, saglige og afgrænsede formål med udvikling og anvendelse af kunstig

intelligens. Formålet kan fx være at afdække svindel med moms, eller det kan

være at gennemføre analyser eller automatisere administrative processer.

Lovgivningen skal overholdes, uanset hvilken teknologi der anvendes i forbin-

delse med udvikling og idriftsættelse af it-systemer. Dette omfatter både de ma-

terielle regler på Skatteforvaltningens område, de rammesættende regler, som

fx forvaltningsretten, og de EU-retlige regler. Hvis der i machine learning-model-

lerne sker behandling af personoplysninger, skal Skatteforvaltningen også efter-

leve databeskyttelsesforordningen (GDPR) og databeskyttelsesloven. Datatilsy-

net udgav i forbindelse med kortlægningen af brug af kunstig intelligens i den

Samkøring

Begrebet ”samkøring” omhandler

sammenstilling af data, der kommer

fra forskellige it-systemer, herunder

machine learning-modeller. Ved sam-

køring tilføres data fra et register til et

andet register, så det modtagende

sendende register. Til begrebet sam-

køring henregnes desuden sammen-

stillinger af oplysninger fra forskellige

registre, hvorved der dannes et helt

nyt register.

Skatteforvaltningen kan fx samkøre

data, der indberettes af en arbejdsgi-

ver om løn og skattefri godtgørelser,

med data, som den skattepligtige selv

har afgivet.

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 10

offentlige sektor

en vejledning

til de offentlige myndigheder. Vejledningen har

til formål at gøre myndigheder i stand til at foretage de indledende databeskyt-

telsesretlige overvejelser i forbindelse med anvendelsen af kunstig intelligens.

Desuden gælder der særlige regler for anvendelse og udvikling af kunstig intelli-

gens, som findes i AI-forordningen, som trådte i kraft den 1. august 2024. De nye

regler skal skabe klare rammer for udvikling, distribution og brug af kunstig intel-

ligens. Forordningen beskriver desuden, hvordan kunstig intelligens må og

ikke

må anvendes.

Brug af kunstig intelligens i den offentlige sektor,

Datatilsynet, oktober 2023.

Offentlige myndigheders brug af kunstig intelligens ”Inden I går i gang”,

Datatilsynet, oktober 2023

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 11

Anvendelse af kun-

stig intelligens i Skat-

teforvaltningen

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 12

3.1 Anvendelse af machine learning-modeller

Skatteforvaltningen har igennem en årrække arbejdet med kunstig intelligens,

som indtil videre udelukkende omfatter machine learning-modeller. Skattefor-

valtningen har i dag 29 machine learning-modeller i drift. Den mest udbredte

type af machine learning i Skatteforvaltningen er modeller, der anvendes til at

understøtte forvaltningens sagsbehandlere.

Skatteforvaltningen udvikler og drifter selv en række machine learning-modeller

med henblik på bl.a. opdagelse af svig og fejl, fremsøgning af information og

klassifikation af tekst.

Machine learning-modellerne anvendes primært som et understøttende beslut-

ningsværktøj til at udvælge sager til kontrol og sagsbehandling tidligt i et sags-

forløb. Der er i den forbindelse fokus på at undgå såkaldte

”automation

bias”,

hvor sagsbehandlerne ukritisk lægger machine learning-modellens resultat til

grund for beslutninger. Hovedformålet med machine learning modellerne er at

understøtte sagsbehandlingen i fx at udvælge de sager til kontrol, hvor der er

størst sandsynlighed for fejl og svig. Sagsbehandleren vil dog efterfølgende altid

foretage en konkret vurdering og inddrage alle relevante oplysninger i sagens

afgørelse.

Skatteforvaltningens machine learning-modeller har primært tre funktioner:

1. Machine learning-modeller bistår med at prioritere udvælgelsen af sager til

kontrol

Machine learning-modellerne understøtter, at Skatteforvaltningen udtager de sa-

ger til kontrol, hvor der er størst sandsynlighed for fejl og svig. Anvendelse af mo-

dellerne er med til at sikre, at Skatteforvaltningens kontrolressourcer anvendes

bedst muligt, herunder at sagerne udvælges på baggrund af risiko og væsentlig-

hed.

Machine learning-modellerne kan analysere store mængder data og opdage

uregelmæssigheder eller afvigelser, som kan indikere fejl eller svig. På baggrund

heraf kan modellen tildele de enkelte sager en risikoscore. På den måde kan de

mest relevante sager, hvor der er højest træfprocent, blive udvalgt til nærmere

gennemgang af en sagsbehandler. Sagsbehandleren beslutter her, om der skal

åbnes en egentlig kontrolsag. I tillæg hertil foretages der, hvor det er relevant,

stikprøver på

andre

sager end de sager, som har den højeste træfprocent ved

modellen. Dertil foretages der, hvor det er relevant, manuel, tilfældig stikprøve-

kontrol for en lille mængde af sagerne uagtet deres score i machine learning-

modellen. Dette gælder fx

Erhvervsmodellen,

som anvendes i Skattestyrelsen (se

også afsnit 3.3).

2. Machine learning-modeller anvendes til at opdage skattesvig ved at op-

dage nye mønstre i transaktioner eller selvangivelser

Modellerne kan tilpasses og trænes i nye metoder til kontrol af fx svig. Her sup-

plerer modellerne traditionelle manuelle kontrolmetoder i situationer, hvor virk-

somheder eller borgere anvender avancerede teknikker til at undgå betaling af

skatter og afgifter. Machine learning-modeller kan løbende identificere nye typer

af mønstre og uregelmæssigheder, som kan indikere svig. Machine learning-mo-

deller analyserer, systematiserer og screener data, som gør det muligt at gene-

rere en prioriteret liste over sager, der er mest relevante at kontrollere ud fra ri-

siko og væsentlighed.

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 13

3. Machine learning-modeller anvendes til automatisering af administrative

processer.

Skatteforvaltningen anvender i en række tilfælde machine learning-modeller til

at automatisere enkle og rutineprægede opgaver såsom at visitere henvendel-

ser og forespørgsler fra borgere og virksomheder. Henvendelserne visiteres hur-

tigere til de korrekte enheder, der manuelt skal behandle henvendelsen, og der-

med får borgerne og virksomhederne også hurtigere svar. Det gælder fx

Hen-

vendelsesvisiteringsmodellen,

som anvendes i Skattestyrelsen (se også afsnit

3.3).

3.2 Datakilder og indsamling

Når der behandles data om borgere og virksomheder, skal Skatteforvaltningen

sikre, at data kun anvendes, når det er proportionalt med formålet, og at den ef-

terfølgende behandling af data ikke går videre, end formålet tilsiger. Machine

learning modellerne skal understøtte konkrete, saglige og afgrænsede formål og

kun behandle den mængde og type af data, der er nødvendig for at opnå retvi-

sende resultater og opfylde det formål, som machine learning modellen skal un-

derstøtte.

Skatteforvaltningens machine lear-

ning-modeller baseres ofte på data fra

Skatteforvaltningens egne systemer.

Skatteforvaltningens egne systemer indeholder informationer om borgere og

virksomheders skatteforhold. Det kan fx være data fra en borgers forskudsopgø-

relse eller en virksomheds momsangivelse.

Foruden data fra Skatteforvaltningens egne systemer er forvaltningen i besid-

delse af data fra bl.a. arbejdsgivere og pengeinstitutter. Således modtager alene

Skattestyrelsen årligt ca. 295 mio. indberetninger om borgere og virksomheder.

Hertil kommer en lang række data via bl.a. informationsudvekslingsaftaler med

andre lande og fra Hvidvasksekretariatet i National enhed for Særlig Kriminalitet

(NSK).

Skatteforvaltningen kan også indhente data fra andre offentlige myndigheder,

hvilket bidrager til en mere samlet og helhedsorienteret tilgang til myndigheds-

udøvelsen. Det kan fx være data fra Det Centrale Virksomhedsregister (CVR), ak-

tionærejerregisteret, Erhvervsstyrelsen, CPR og Udbetaling Danmark.

Skatteforvaltningen vurderer for hver enkelt machine learning-model, om data

fra de pågældende eksterne datakilder kan styrke kvaliteten af modellens resul-

tater og dermed vejlednings- og kontrolopgaven i Skatteforvaltningen.

Selvom Skatteforvaltningen har hjemmel til at indsamle og behandle data fra so-

ciale medier, anvender Skattestyrelsen ikke i dag denne type af oplysninger i

sine machine learning-modeller.

Der anvendes adresseoplysninger fra offentlige myndigheder som CPR og CVR.

Det kan bruges til fx at sende breve til borgere samt at vurdere hvilket skattecen-

ter, der skal behandle en konkret borgers eller virksomheds sag. Skatteforvalt-

ningen anvender ikke i sine machine learning-modeller lokationdata, der kan

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 14

sige noget om en borgers lokation. Der anvendes således ikke data i form af fx

GPS-data fra telefoner eller betalingslokationer.

3.3 Skatteforvaltningens machine learning-mo-

deller

Skatteforvaltningen har 29 machine learning-modeller i drift på tværs af forvalt-

ningen. I følgende afsnit beskrives tre eksempler på machine learning-modeller i

Skatteforvaltningen. Her beskrives modellernes formål, funktion og gevinster

med henblik på at give en overordnet forståelse af, hvordan modellerne under-

støtter Skatteforvaltningens myndighedsopgaver. En udtømmende liste over

Skatteforvaltningens idriftsatte machine learning-modeller fremgår af bilaget til

redegørelsen.

Model 1. Henvendelsesvisitering

Formål med modellen

Visiteringsmodellen understøtter automatiseret fordeling af skriftlige henvendelser fra borgere

og virksomheder til Skatteforvaltningen.

Visiteringsmodellen har til formål at bidrage til effektiv sagsbehandling.

Visitering af henvendelser baseres på machine learning.

Machine learning-modellen screener henvendelser ved modtagelsen og benytter tekstgenken-

delse til at fordele henvendelsen til rette sagsbehandlingsenhed via Skattestyrelsens sagsbe-

handlingssystem. Henvendelsen besvares herefter manuelt.

Visiteringsmodellen reducerer behovet for intern manuel fordeling af henvendelser, og visite-

ring sker straks ved modtagelse.

Skattestyrelsens borger- og virksomhedsvejledning modtager årligt ca. 270.000 henvendelser

via kontaktformularen.

Det estimeres, at visiteringsmodellen kan håndtere 90 pct. af disse henvendelser med en træf-

procent for korrekt visitering på 82 pct.

Modellens anvendelse

Gevinster ved modellen

Henvendelser, der enten ikke kan visiteres eller ikke kan tilgå rette enhed, bliver manuelt fordelt

eller omplaceret hos Skattestyrelsen.

Visiteringsmodellen er i funktion hele døgnet, og der visiteres derfor til rette enhed, uanset tids-

punktet for borgerens eller virksomhedens henvendelse. Anvendelse af løsningen forventes at

føre til varig reduceret sagsbehandlingstid til gavn for borgere og virksomheder.

Kilde: Skattestyrelsen

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 15

Model 2. Erhvervsmodellen

Formål med modellen

Erhvervsmodellen har til formål at effektivisere, styrke og målrette den kontrolopgave, der er

forbundet med registreringer fra erhvervsvirksomheder, så sagsbehandlerne kan bruge deres

tid på de sager, hvor risikoen for svig er størst.

Fundamentet for modellen er data, der hentes fra 13 centrale registre fra hhv. Erhvervsstyrel-

sen og Skattestyrelsen. Data vurderes op imod en række regler og ca. 300 variabler, som er ud-

valgt på baggrund af tidligere sager.

Erhvervsmodellen risikoscorer og segmenterer registreringsanmodningerne, så de bliver visite-

ret til rette opgave og sagsbehandler.

Erhvervsmodellen understøtter sagsbehandlernes kerneopgaver og medvirker til at:

•

sikre hurtigere registreringsgodkendelse af såkaldte risikofrie virksomheder,

styrke kontrollen og forebyggelsen af restancer,

styrke kontrollen og forebyggelsen af svig tidligt i forretningsmodellen, og

styrke kontrollen generelt over for stråmandsvirksomheder i det forebyggende arbejde.

Modellens anvendelse

Gevinster ved modellen

Det estimeres, at staten spares for et tab på i gennemsnit 1,4 mio. kr. for hver svigsvirksomhed,

der stoppes i registreringsfasen.

Kilde: Skattetsyrelsen

Model 3. Negativ moms-modellen

Formål med modellen

Modellen anvendes til brug for visitering og udvælgelse af kontrolrelevante negative momsan-

givelser og medvirker dermed til en mere effektiv kontrol af momsangivelser og til at mindske

skattegabet ved at sikre, at virksomheder ikke uretmæssigt får udbetalt negativ moms.

Negativ moms-modellen består af to modeller:

Modellens anvendelse

•

Visiteringsmodellen: Har til formål at frasortere de ikke-risikofyldte angivelser.

Reguleringsmodellen: Har til formål at indikere, hvor stor en risiko der er for regulering i en gi-

ven momsangivelse.

Ved at anvende Negativ moms-modellen er der blevet frasorteret ca. 47.000 angivelser, som i

visiteringsfasen er blevet sendt direkte til genvisiteringsprocessen. Dvs. at der ikke er an-

vendt ressourcer til manuel visitering for disse 47.000 angivelser.

Negativ moms-modellen understøtter sagsbehandlernes kerneopgave og medvirker til at:

Gevinster ved modellen

•

sikre ensartet behandling af de negative momsangivelser og effektiv udvælgelse af de mest

kontrolrelevante momsangivelser ud fra væsentlighed og risiko, og at

•

sikre korrekt afregning og betaling af moms og lønsumsafgift for borgere og virksomheder.

Modellen medfører således en højere træfprocent, et højere reguleringsbeløb og en mere ef-

fektiv visitering.

Kilde: Skattestyrelsen

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 16

3.4 Resultater og erfaringer

Skatteforvaltningen har fokus på at løse kerneopgaverne på en tidssvarende og

ressourceeffektiv måde. Skatteforvaltningens arbejde med kerneopgaven er på

flere områder blevet styrket med brugen af machine learning-modeller. Dette

gør sig gældende både for så vidt angår sagsbehandling, øget skatteprovenu,

bekæmpelse af svig og bedre brug af ressourcer.

Nedenfor er eksempler på gevinsterne ved Skatteforvaltningens brug af machine

learning-modeller beskrevet.

Effektivisering

Machine learning-modeller automatiserer manuelle processer på intelligent vis

og forbedrer dermed gennemløbstiden for komplekse og tidskrævende opgaver.

Øget skatteprovenu

Machine learning-modellerne understøtter, at sager med størst risiko for svig el-

ler fejl og sager med størst forventet provenu kan prioriteres til kontrol.

Bekæmpelse af svig

Machine learning-modeller afdækker mønstre i data, der ses hos de virksomhe-

der eller borgere, der begår skattesvig, og afdækker atypiske mønstre i data, der

kan bidrage til at afsløre nye former for svig.

Kortere svar- og sagsbehandlingstider

Machine learning-modeller fordeler henvendelser effektivt og korrekt og priorite-

rer relevante sager til kontrol. Machine learning-modellerne kan samtidig give in-

dikationer på hvilke områder, der rummer fejl eller svig. Det betyder, at borgeren

eller virksomheden får behandlet sin sag hurtigere.

Højere kvalitet i sagsbehandlingen

Machine learning-modellerne bidrager til ensartethed i sagsbehandlingen og

øger dermed kvaliteten.

Mere målrettet vejledning

Machine learning-modeller anvendes til at udsøge grupper af borgere og virk-

somheder, der fx typisk laver samme fejl i deres angivelser. Skatteforvaltningen

kan på baggrund af modellernes output vejlede målrettet om, hvordan der skal

angives korrekt.

Ovenstående eksempler på gevinster understøtter regeringens strategi for kun-

stig intelligens, hvoraf det fremgår, at brugen af kunstig intelligens kan bidrage til

at reducere administration og øge kvaliteten i den offentlige opgaveløsning til

gavn for borgere og virksomheder.

3.4.1 Juridisk compliance

Skatteforvaltningen har siden 2018 som led i implementeringen af databeskyt-

telsesforordningen udarbejdet og anvendt en proces for konsekvensanalyse

vedrørende databeskyttelse (DPIA) i tilknytning til udvikling af machine-learning

modeller.

I arbejdet med kunstig intelligens har Skatteforvaltningen gjort sig vigtige erfarin-

ger, og i løbet af de seneste år har Skatteforvaltningen konstateret en række

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 17

opmærksomhedspunkter i forvaltningens brug af personoplysninger til udvikling

og drift af machine learning-modeller.

Opmærksomhedspunkterne blev særligt tydelige i forbindelse med det politiske

og mediemæssige fokus på Skatteforvaltningens anvendelse af machine lear-

ning-modeller i foråret 2024. Her blev det klart, at der ikke for alle forvaltningens

machine learning-modeller forelå fuldt opdaterede databeskyttelsesretlige kon-

sekvensanalyser, og at der for enkelte machine learning-modeller ikke var udar-

bejdet sådanne konsekvensanalyser.

Skatteforvaltningen har på baggrund heraf udarbejdet de manglende konse-

kvensanalyser samt opdateret allerede eksisterende. Disse har vist, at Skattefor-

valtningen fortsat har enkelte udeståender i relation til overholdelsen af databe-

skyttelseslovgivningen. Det gælder bl.a. kravene om visse tekniske foranstaltnin-

ger, der skal understøtte behandlingssikkerheden, og fuld opfyldelse af oplys-

ningspligten over for de borgere, hvis personoplysninger anvendes til udvikling

og/eller drift af forvaltningens machine learning modeller.

Skatteforvaltningen arbejder på at sikre, at der i alle tilfælde er udarbejdet de

nødvendige risikovurderinger og på at opdatere eksisterende oplysningstekster.

Det skal sikre, at borgerne modtager tilstrækkelig information om, at deres op-

lysninger anvendes af kunstig intelligens i Skatteforvaltningen.

Endeligt har Skatteforvaltningen et stort fokus på, at Skatteforvaltningens sags-

behandlere besidder den nødvendige viden om, hvordan machine learning-mo-

dellerne skal anvendes, og hvordan medarbejderne skal bearbejde resultater,

herunder af hensyn til automation bias.

Databeskyttelse

Når Skatteforvaltningen udvikler ma-

chine learning modeller, har forvalt-

ningen, når der vil være en høj risiko

for fysiske personers rettigheder efter

databeskyttelsesforordningen, pligt til

at udarbejde en såkaldt konsekvens-

analyse vedrørende databeskyttelse

(DPIA).

En konsekvensanalyse vedrørende

databeskyttelse har til formål at be-

skrive behandlingen af personoplys-

ninger og håndtere risici for fysiske

personers rettigheder.

3.4.2 Databeskyttelse ifm. brug af kunstig intelligens

På baggrund af de seneste års erfaringer er der i Skatteforvaltningen et øget fo-

kus på at indtænke kravene i databeskyttelseslovgivningen, inden personoplys-

ninger anvendes til udvikling og drift af machine learning-modeller.

Det gør sig særligt gældende i Skatteforvaltningens overvejelser om brug af kun-

stig intelligens til at træffe automatiske afgørelser.

Efter databeskyttelsesforordningens artikel 22 kræver automatiske afgørelser

uden reel menneskelig stillingtagen udtrykkelig hjemmel i EU-retten eller national

lovgivning.

Det betyder, at hvis der i fremtiden skal anvendes kunstig intelligens til at træffe

automatiske afgørelser, skal databeskyttelsesforordningens særlige hjemmels-

krav for automatisering af lovhjemlede afgørelser opfyldes.

3.5 Det videre arbejde med kunstig intelligens i

Skatteforvaltningen

Skatteforvaltningen følger den teknologiske udvikling inden for kunstig intelli-

gens, herunder generativ AI, og er opmærksom på, at teknologien har store po-

tentialer.

Skatteforvaltningen arbejder løbende på, at borgernes og virksomhedernes kon-

takt med forvaltningen bliver mere smidig og effektiv. I den forbindelse vil det

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 18

altid være en overvejelse, om nye machine learning-modeller kan understøtte

dette.

Den øgede digitalisering i samfundet har desuden givet nye muligheder for bl.a.

at begå mere kompleks skatteøkonomisk kriminalitet. Skatteforvaltningen mod-

tager meget store mængder data, som forvaltningen kan anvende i arbejdet

med at forhindre og opklare skatteøkonomisk kriminalitet. Der ligger et stort po-

tentiale i yderligere at styrke måden, hvorpå Skatteforvaltningen arbejder med

data. Det er derfor naturligt, at Skatteforvaltningen orienterer sig mod nye og

mere avancerede teknologier og værktøjer

–

herunder anvendelse af machine

learning - i vurderingen af, om Skatteforvaltningen i sin myndighedsudøvelse kan

blive endnu bedre til effektivt at varetage forvaltningens kerneopgaver.

Samtidig anlægger Skatteforvaltningen en ansvarlig og forsigtig tilgang mhp. at

sikre, at forvaltningen indfrier potentialerne i overensstemmelse med rammerne

og reglerne for den offentlige forvaltning.

Skatteforvaltningen fortsætter således arbejdet med at udvikle nye machine

learning-modeller samt eventuelle andre teknologier inden for kunstig intelligens

i tråd med regeringens strategiske målsætninger og med fokus på borgernes

retssikkerhed.

Skatteforvaltningen har i 2025 særligt fokus på:

•

Fortsat at implementere og anvende kunstig intelligens de steder i forvaltnin-

gen, hvor teknologien kan reducere administration og forbedre kvaliteten i

Skatteforvaltningens arbejde.

•

At følge regeringens arbejde med kunstig intelligens (AI-taskforce).

•

Håndteringen af de enkelte databeskyttelsesretlige udeståender, jf. afsnit

3.4.1. Dette sker i form af sikring af nødvendig viden samt udarbejdelse af de

nødvendige risikovurderinger og oplysningstekster til borgerne.

•

At undersøge, hvordan ministeren og Folketingets partier mest hensigtsmæs-

sigt kan orienteres forud for, at Skatteforvaltningen måtte ønske at tage andre

teknologier inden for AI i brug.

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 19

Bilag -

Skatteforvaltningens

idriftsatte machine

learning modeller

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 20

Tabel 1. Skatteforvaltningens idrftssatte machine learning modeller

Modellens navn

Modellens formål

Anvendes af styrelse

NegativMoms-model (Visitering)

Vurdering af risiko for fejl/snyd i ne-

gative momsangivelser

Vurdering af risiko for fejl/snyd i ne-

gative momsangivelser

Vurdering af risiko for fejl/snyd i posi-

tive momsangivelser

Vurdering af forvaltningsmæssig an-

svarsplacering samt vurdering af ri-

siko for fejl/snyd i virksomhedsan-

modninger

Vurdering af om virksomhedsanmod-

ninger opfylder kriterier for sanktione-

ring

Vurdering af risiko for svig blandt virk-

somheder

Vurdering af risiko for svig blandt virk-

somheder

Afdækning af svigsmønstre

Skattestyrelsen

NegativMoms-model (Regulering)

Skattestyrelsen

PositivMoms-model

Skattestyrelsen

Erhvervsmodellen

–

Sagsbehandler-

modellen (daMer)

Skattestyrelsen

Erhvervsmodellen

–

Restancemodel-

len (daMerRest)

Skattestyrelsen

Erhvervsmodellen

–

Svigsmodellen

(daMerSvig)

Erhvervsmodellen

–

Fremrykket Svigs-

modellen (daMerFSB)

Erhvervsmodellen

–

Outliermodellen

(daMerOutlier)

Det Digitale Kontrolværktøj, Borger

Skattestyrelsen

Vurdering af risiko for fejl/snyd i dan-

ske borgeres angivelser

Vurdering af risiko for fejl/snyd i

udenlandske borgeres angivelser

Vurdering af risiko for fejl/snyd i selv-

stændige erhvervsdrivendes angivel-

ser

Vurdering af risiko for svig blandt bor-

gere

Skattestyrelsen

Det Digitale Kontrolværktøj, Udland

Skattestyrelsen

Det Digitale Kontrolværktøj, Selvstæn-

digt erhvervsdrivende

Skattestyrelsen

Anmeldermodellen, Borger

Skattestyrelsen

Anmeldermodellen, Selvstændigt er-

hvervsdrivende

Anmeldermodellen, Virksomheder

Vurdering af risiko for svig blandt selv- Skattestyrelsen

stændigt erhvervsdrivende

Vurdering af risiko for svig blandt virk-

somheder

Skattestyrelsen

ComplianceSelskaberRoed

Vurdering af risiko for grove fejl blandt Skattestyrelsen

selskaber

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 21

ComplianceselskaberGroen

Vurdering af risiko for simple fejl

blandt selskaber

Vurdering af risiko for simple fejl

blandt selskaber

Vurdering af risiko for ingen fejl blandt

selskaber

Afdækning af svigsmønstre og vurde-

ring af risiko for fejl/snyd ifm. udbeta-

linger

Vurdering af risiko for fejl/snyd i virk-

somheders angivelser i eIndkomst

Svarer på henvendelser og visiterer til

manuel vejledning

Visiterer henvendelser til manuel vej-

leder

Vurdering af risiko for svig pba. hvid-

vaskefterretninger

Vurdering af risiko for fejl/snyd

Svarer på henvendelser og visiterer til

manuel vejledning

Optimering af kontroludvælgelse

Skattestyrelsen

ComplianceselskaberGroenBeloeb

Skattestyrelsen

ComplianceSelskaberHvid

Skattestyrelsen

MARS (Monitorering og Analyse af Ri-

sikoSegmenter)

Skattestyrelsen

eIndkomst scoringsmodel

Skattestyrelsen

Chatbot

Skattestyrelsen

Henvendelsesvisitering

Skattestyrelsen

Udsøgnings- og scoringsmodel på

hvidvaskområdet

ComplipyErhverv

ComplipyBorger

Chatbot

Skattestyrelsen

Gældsstyrelsen

Pristjekudvælgelse

Machine Learning-model til begrun-

delser

Chatbot

Motorstyrelsen

Understøtter sagsbehandler i udarbej- Vurderingsstyrelsen

delse af begrundelser

Svarer på henvendelser og visiterer til

manuel vejledning via livechat

Vurderingsstyrelsen

Kilde: Skatteforvaltningen

SAU, Alm.del - 2024-25 - Bilag 190: Årlig redegørelse om Skatteforvaltningens brug af kunstig intelligens

Skatteforvaltningens brug af kunstig intelligens

Side 22

Skatteministeriet