Detección de fraude por cruce de datos administrativos

Qué es

La detección de fraude por cruce de datos administrativos consiste en comparar registros que el Estado ya tiene, creados para fines distintos y por instituciones distintas, para encontrar combinaciones que son lógicamente incompatibles. Nadie inventa un dato nuevo: se pone al lado el registro de licencias médicas y el de salidas del país, o el de subsidios de cesantía y el de cotizaciones previsionales, y aparecen las contradicciones. La técnica formal detrás —cómo decidir si dos filas de dos bases distintas se refieren a la misma persona cuando los nombres están mal escritos y los identificadores no coinciden— tiene su tratamiento clásico en el modelo probabilístico de Fellegi y Sunter (1969), que sigue siendo la base de los sistemas de record linkage que usan las agencias tributarias y de seguridad social.

Lo económicamente interesante es por qué esto funciona tan bien. El punto de partida es el modelo de disuasión de Becker (1968): una persona comete un delito cuando el beneficio esperado supera al costo esperado, y ese costo es el producto de la probabilidad de ser detectado por la sanción que recibe. Allingham y Sandmo (1972) trasladaron esa lógica a la evasión tributaria y obtuvieron el resultado que ordena toda la discusión posterior: quien evade compara la ganancia segura de subdeclarar contra una pérdida que solo ocurre con cierta probabilidad.

De ahí sale una conclusión incómoda que Becker mismo sacó y que Polinsky y Shavell (2000) sistematizaron: como la multa es una transferencia (no cuesta recursos reales) y la fiscalización consume recursos reales, lo óptimo sería fiscalizar poquísimo y castigar durísimo. La realidad no funciona así —hay aversión al riesgo, insolventes que no pueden pagar cualquier multa, errores de clasificación y necesidad de disuasión marginal— y por eso la receta de "probabilidad ínfima con pena máxima" nunca se aplica.

El cruce de datos administrativos rompe ese dilema por el otro lado: hace barata la probabilidad de detección. Si los registros ya existen y están digitalizados, el costo marginal de revisar un caso adicional tiende a cero, mientras que el costo marginal de una auditoría presencial no baja nunca. Se puede subir la probabilidad de ser pillado sin subir la pena y sin contratar un ejército de fiscalizadores.

La evidencia empírica más citada sobre esto es el experimento danés de Kleven, Knudsen, Kreiner, Pedersen y Saez (2011): auditaron al azar a miles de contribuyentes y encontraron que la evasión en los ingresos informados por terceros —el empleador, el banco— era prácticamente nula, en torno al 0,3%, mientras que en los ingresos autodeclarados llegaba a cerca del 37%. La conclusión de los autores es que la gente no evade menos porque sea más honesta en un caso que en otro, sino porque en uno no puede. Pomeranz (2015) mostró el mecanismo en Chile con el SII: las cartas de fiscalización aumentaron el pago de IVA sobre todo en las transacciones que no dejaban rastro documental cruzable, y el efecto se propagó hacia arriba en la cadena de proveedores. Donde el dato ya se cruzaba, la carta no agregaba nada; donde no, era decisiva.

Los límites son igual de importantes. Con fraude de baja prevalencia, un filtro con buena tasa de acierto igual produce muchísimos más falsos positivos que casos reales —la falacia de la tasa base—, y perseguir a inocentes tiene un costo político y humano que no aparece en el modelo. Un sistema que anuncia sus criterios invita a adaptarse a ellos, que es la ley de Goodhart aplicada a la fiscalización. Y el efecto disuasivo no distingue entre el que abusa y el que tiene derecho: si el mensaje es "te estamos mirando", parte de la caída en el uso puede ser gente enferma que decide no pedir la licencia que le corresponde.

Cómo lo explicó el programa

En el episodio del 1 de septiembre de 2026, discutiendo fiscalización predictiva versus castigo ex post en el sistema de licencias médicas, el panel puso el caso extremo: un cabecilla emitió 16.000 licencias en dos años sin que saltara una sola alarma, cuando hoy un cruce de datos o un modelo predictivo lo detectaría de inmediato. El argumento no fue moral sino de costo: la detección temprana es más eficaz y más barata que la condena posterior, que llega años después, cuesta un juicio y recupera poco.

El dato que aportó Pepe Arias es justamente el de la elasticidad de la conducta frente a la probabilidad de ser detectado: "se redujeron en dos años 15% y 10% inmediatamente las licencias, simplemente porque se empezó a controlar esto" —entre 25% y 30% acumulado, sin cambiar una sola línea de la ley, solo porque la gente supo que la podían pillar. Es Becker en versión chilena: subió la probabilidad percibida de detección y la conducta se movió, con la sanción constante. El cierre del bloque fue el costado político del asunto: el proyecto que moderniza la fiscalización lleva desde el año pasado durmiendo en el Congreso.

Relación con otros conceptos

El fenómeno vive en el terreno de la asimetría de información: el afiliado sabe si está enfermo y el pagador no, que es exactamente el riesgo moral que Arrow describió para los seguros de salud. Cruzar registros es una tecnología para reducir esa asimetría desde afuera, sin depender de la declaración del interesado. Se emparenta con la disuasión de la economía del delito y con el cumplimiento tributario, donde el mismo mecanismo —información de terceros— explica por qué el IVA se autofiscaliza. En el plano fiscal, aparece como una forma de mejorar la eficiencia del gasto público sin recortar beneficios, y su reverso es la tensión con la protección de datos personales: un Estado capaz de cruzarlo todo es también un Estado con capacidad de vigilancia, y la línea entre ambas cosas es una decisión política, no técnica.

Fuentes y lecturas

• Becker, G. (1968), Crime and Punishment: An Economic Approach, Journal of Political Economy 76(2).
• Allingham, M. y Sandmo, A. (1972), Income Tax Evasion: A Theoretical Analysis, Journal of Public Economics 1(3-4).
• Kleven, H., Knudsen, M., Kreiner, C., Pedersen, S. y Saez, E. (2011), Unwilling or Unable to Cheat? Evidence from a Tax Audit Experiment in Denmark, Econometrica 79(3).
• Pomeranz, D. (2015), No Taxation without Information: Deterrence and Self-Enforcement in the Value Added Tax, American Economic Review 105(8).
• Slemrod, J. (2019), Tax Compliance and Enforcement, Journal of Economic Literature 57(4).