Cenários de impacto da inteligência fiscal

Como ler um cenário ilustrativo

Um cenário publicado aqui não é estudo de caso. Estudo de caso descreve o que aconteceu com um cliente identificável, com números medidos e verificáveis. O que está nesta página é outra coisa: uma composição que mostra como uma técnica de fiscalização ou de cobrança se comporta quando aplicada ao universo inteiro de contribuintes de um município, e quanto esforço ela consome em cada etapa.

A distinção importa porque muda o que o leitor deve extrair do texto. Não há aqui promessa de retorno. Há uma sequência operacional — que dado entra, que critério ordena a fila, que decisão o auditor toma, o que fica registrado — e uma ordem de grandeza para dimensionar se vale a pena montar essa operação. Cada cenário declara suas premissas na seção “Fontes e metodologia”: porte do município, janela temporal, limiar de severidade, qualidade esperada dos dados. Trocar qualquer premissa muda o resultado, e é por isso que elas estão escritas em vez de embutidas num número final.

Os percentuais que aparecem nos textos são parâmetros do cenário, não medição. Quando um número serve para ordenar prioridade — “os 3% de maior desvio entram primeiro na fila” — ele é uma escolha de calibração, e o texto diz isso. Quando um número descreve resultado — recuperação de estoque, adesão a parcelamento — ele é uma faixa ilustrativa cuja função é responder “isso é da ordem de dezenas ou de milhares de casos?”, não “quanto vou arrecadar”.

O que os dois cenários cobrem

Os dois lados da operação fiscal municipal aparecem aqui, e eles têm lógicas diferentes.

A recuperação de dívida ativa é um problema de estoque: existe um passivo acumulado, maior do que a capacidade da equipe em qualquer cenário realista, e a questão é decidir onde gastar o esforço de cobrança. Modelos de propensão a pagamento, segmentação por idade do crédito e priorização por retorno esperado resolvem a pergunta “qual dos setenta mil devedores eu contato esta semana”. O ganho não vem de cobrar mais, vem de cobrar na ordem certa — e de identificar cedo o que não vale executar.

A fiscalização de NFS-e com Lei de Benford é um problema de fluxo: o contribuinte declara mês a mês, e a questão é detectar, sobre o universo inteiro de prestadores, quais declarações se afastam do padrão esperado. Aqui a técnica é estatística e o resultado é um indício, não uma conclusão: o desvio diz onde olhar, e a auditoria decide o caso. O ciclo termina em autorregularização, não em autuação — que é o que o art. 3º, XX da LC 225/2026 passou a exigir da administração antes da lavratura do auto de infração.

Entre os dois cenários há um elemento comum que talvez seja o mais importante: a decisão continua sendo do servidor. O art. 142 do Código Tributário Nacional trata o lançamento como atividade administrativa vinculada e obrigatória — nenhum modelo preditivo, por melhor calibrado, transfere essa competência para um sistema. O que a camada de inteligência faz é entregar ao auditor a fila ordenada, o dossiê montado e a trilha registrada, para que a decisão humana aconteça com contexto em vez de acontecer no escuro.

Estimativa com os dados do seu município

Um cenário ilustrativo responde “como isso funciona”. Ele não responde “quanto isso rende aqui” — essa resposta depende da composição do seu estoque de dívida, da cobertura do seu cadastro, do histórico de NFS-e disponível e da política de parcelamento vigente. Para uma estimativa calibrada sobre a base real do município, agende uma demonstração: em trinta minutos é possível rodar a priorização sobre um recorte da sua base e ver a fila que ela produz.

Para o enquadramento normativo por trás dessas operações — o que muda com o IBS, o que permanece com a administração tributária local e em que prazo — o ponto de partida é o guia consolidado da Reforma Tributária para municípios.