Twee jaar geleden had de Belastingdienst (IRS) ongeveer 10 actieve AI-projecten. Vandaag zijn dat er 126 – en zes keer per jaar doorzoeken een reeks machine-learningmodellen elke ingediende belastingaangifte van kleine ondernemingen en zelfstandigen, op zoek naar patronen die een menselijke controleur weken zou kosten om te ontdekken. Op 10 februari 2026 maakte de dienst dit officieel door de praktijk te codificeren in het Internal Revenue Manual als IRM 10.24.1, het eerste formele beleid dat regelt hoe AI aangiften selecteert voor controle.
Als u een bedrijf runt en een Schedule C, een 1120-S of een partnerschapsaangifte indient, is dit geen achtergrondgeluid. Het is een echte verschuiving in wie een tweede blik van de Belastingdienst krijgt, en waarom. Dit is wat er veranderd is, waar de algoritmen daadwerkelijk naar zoeken, en hoe u ervoor kunt zorgen dat uw boeken hen nooit een reden geven om u te markeren.
Wat IRM 10.24.1 Werkelijk Zegt
Het nieuwe handboekdeel doet drie concrete dingen:
- Bepaalt wat AI gemachtigd is te doen in het controleproces – inclusief, expliciet, systemen die "informeren of beïnvloeden of een belastingplichtige onderworpen zal worden aan een controle, of welke aspecten van een aangifte onderworpen zullen worden aan een controle." De Belastingdienst noemt dit een "verondersteld impactvol" gebruik van AI, wat het in dezelfde risicocategorie plaatst als systemen die raken aan burgerrechten of kritieke infrastructuur.
- Vereist verplichte menselijke beoordeling voordat een AI-gegenereerde verwijzing een daadwerkelijke controle wordt. Een model kan een aangifte markeren, maar een persoon moet goedkeuren voordat het een kennisgeving wordt.
- Stelt documentatievereisten voor AI-ondersteunde selectie van zaken, zodat controleurs schriftelijk moeten kunnen uitleggen waarom een zaak is gekozen.
Het beleid creëert ook een governance-structuur: een Chief Data and Analytics Officer fungeert als "Verantwoordelijke AI-functionaris" van de Belastingdienst, en een raad genaamd de Data and Analytics Strategic Integration Board keurt elk nieuw impactvol AI-gebruik goed voordat het in gebruik wordt genomen.
In gewone taal: de Belastingdienst verbergt niet dat algoritmen de eerste triage op uw aangifte doen. Het legt nu de regels vast voor hoe die triage werkt – wat ook betekent dat controleurs het later moeten kunnen rechtvaardigen.
Hoe de Modellen Werkelijk Uw Aangifte Selecteren
Twee van de AI-modellen van de Belastingdienst zijn specifiek gericht op zelfstandige belastingplichtigen en eigenaren van kleine ondernemingen, en om een simpele reden: ondergerapporteerd inkomen uit zelfstandige arbeid is de grootste component van de individuele belastingkloof. Deze modellen bekijken uw aangifte niet op zichzelf – ze vergelijken deze met uw eigen indieningsgeschiedenis en met duizenden vergelijkbare bedrijven in uw sector. Een paar dingen verhogen de score betrouwbaar:
- Jaar-op-jaar verschillen. Een adviesbureau dat vorig jaar $180.000 aan bruto-inkomsten rapporteerde en dit jaar $95.000, zonder duidelijke verklaring, valt direct op.
- Aftrekratio's buiten de sectornormen. De Belastingdienst heeft statistische profielen van typische kosten-omzet-ratio's per sector. Als uw bedrijf 65–70% van de bruto-inkomsten als aftrek claimt terwijl de norm voor uw NAICS-code 35–45% is, wordt die afwijking gemarkeerd – zelfs als elke aftrek legitiem is.
- Ronde getallen. Een schema met exact $5.000 aan kantoorkosten, $3.000 aan nutsvoorzieningen en $2.000 aan maaltijden wordt gelezen als geschat, niet geregistreerd. Echte boekhouding levert getallen op zoals $4.847,13 en $2.963,82, geen nette veelvouden van vijf.
- Informatie-mismatches. De Belastingdienst kruist W-2's, 1099's en K-1's die het rechtstreeks van betalers ontvangt. Als een 1099-NEC voor $42.000 nergens op uw aangifte verschijnt, is dat een automatische, bijna onmiddellijke mismatch – geen AI nodig om deze te vangen, maar AI helpt nu bij het prioriteren van welke mismatches het belangrijkst zijn.
- Afwijkende kilometer- en kostenposten. Claims zoals 40.000+ zakelijke kilometers per jaar voor een eenmanszaak, of maaltijd- en entertainmentkosten boven de 10% van de omzet, zijn statistische uitschieters die zwaar worden meegewogen.
Niets hiervan is nieuw in zijn soort – het Discriminant Function (DIF) scoresysteem van de Belastingdienst vergelijkt al decennia aangiften met statistische normen. Wat nieuw is, is de schaal en snelheid: in plaats van één statische formule die periodiek wordt herzien, hebt u nu modellen die zes keer per jaar opnieuw draaien en met elke cyclus beter worden in het herkennen van patronen.
Het Deel Dat U Meer Zorgen Zou Moeten Baren: Reactietijd, Niet Detectie
Hier is de asymmetrie waar eigenaren van kleine ondernemingen in 2026 daadwerkelijk tegenaan lopen: de AI-ondersteunde markering is snel, maar de menselijke kant van het oplossen van een markering is niet meegegroeid. Geautomatiseerde kennisgevingen gaan snel uit. Het duurt nu merkbaar langer dan twee jaar geleden om een levende persoon aan de lijn te krijgen, of een inhoudelijke schriftelijke reactie op een kennisgeving. Een markering die in 2023 een telefoontje van vijf minuten zou zijn geweest, kan nu maanden onopgelost blijven terwijl boetes en rente oplopen.
Dat betekent dat de werkelijke kosten van een rommelige aangifte niet alleen het risico op een controle zijn – het is de tijd en stress van het ontwarren van een markering zodra deze is opgeworpen, met een tragere menselijke achtervang aan de andere kant. De beste verdediging is om het algoritme in de eerste plaats geen reden te geven om u te markeren.
Waarom de Belastingdienst Dit Beleid Moest Opschrijven
De governancestructuur in IRM 10.24.1 is niet alleen bureaucratisch onderhoud – het is een directe reactie op een reëel probleem met algoritmische controleselectie. Onafhankelijk onderzoek en beoordelingen door de Government Accountability Office (GAO) hebben aangetoond dat bepaalde groepen belastingplichtigen, waaronder zwarte belastingplichtigen die de Earned Income Tax Credit claimen, drie tot vijf keer vaker worden gecontroleerd dan andere indieners met vergelijkbare aangiften. De werkhypothese van de GAO is dat dit geen opzettelijk doelwit is, maar onbedoelde algoritmische vooringenomenheid – modellen die zijn getraind op historische controlegegevens kunnen uiteindelijk dezelfde selectiepatronen reproduceren die in het verleden bestonden, zelfs als niemand ze daarvoor ontwerpt.
Dat is precies waarom het nieuwe beleid impactbeoordelingen, doorlopende monitoring en verplichte menselijke goedkeuring vereist voordat een verwijzing van een model een daadwerkelijke controle wordt: een machine-learningsysteem dat puur is geoptimaliseerd om "onderrapportage van inkomen te vangen" heeft geen ingebouwde controle op wiens inkomen het onevenredig markeert. Eigenaren van kleine ondernemingen moeten dit lezen als een reden voor voorzichtig optimisme in plaats van een rechtszaak in de maak – de menselijke beoordelingsvereiste is een echte achtervang – maar het bevestigt ook dat de eerste score van de AI niet onfeilbaar is. Als u wordt gemarkeerd, betekent dat niet dat het algoritme iets echts heeft gevonden; het betekent dat een patroonherkenner iets statistisch ongewoons heeft gevonden, wat uw eigen administratie heel goed kan verklaren.
Als U Wordt Gemarkeerd
Het ontvangen van een kennisgeving betekent niet dat u iets verkeerd hebt gedaan – het betekent meestal dat één getal, ergens, niet overeenkwam met de verwachting van het model voor een bedrijf zoals het uwe. Een paar dingen maken het verschil tussen een snelle oplossing en een langdurige:
- Reageer schriftelijk, en reageer snel. Gezien de langere wachttijden voor menselijke beoordeling zoals hierboven beschreven, wordt een vroege, volledige schriftelijke reactie eerder in één keer opgelost dan een telefoontje dat u terug in een wachtrij plaatst.
- Begin met de reconciliatie, niet de uitleg. Toon de onderliggende transacties die het betreffende getal hebben geproduceerd, voordat u uitlegt waarom ze legitiem zijn. Controleurs werken sneller als de wiskunde al voor hen is gedaan.
- Laat niet één gemarkeerd jaar er drie worden. Een onopgeloste markering op de aangifte van dit jaar is precies het soort anomalie dat een vervolgmodel ertoe brengt om ook een tweede blik te werpen op de aangiften van vorig jaar en volgend jaar. Sluit het volledig af in plaats van het te laten voortduren.
- Schakel een CPA of een geregistreerde belastingadviseur in als de kennisgeving een uitgebreide reikwijdte vermeldt. Een markering op één regel is beheersbaar om zelf te beantwoorden; een verzoek om ondersteunende documenten voor meerdere jaren is professionele hulp waard.
Wat Uw Risico Werkelijk Verkleint
Niets van dit alles betekent dat u legitieme aftrekken minder moet claimen – het doel is een aangifte die zowel nauwkeurig als goed onderbouwd is, niet een kleinere.
Houd eigentijdse administratie bij, niet gereconstrueerde. Documentatie die op het moment van de uitgave is gemaakt – een bon die de week van aankoop is geregistreerd – weegt veel zwaarder dan een spreadsheet die de avond voor het indienen van uw aangifte is samengesteld. Het is ook gewoon makkelijker: het reconstrueren van zes maanden aan uitgaven uit het geheugen in april is hoe legitieme aftrekken worden gemist of verkeerd weergegeven.
Gebruik een rekeningschema dat weerspiegelt hoe uw bedrijf daadwerkelijk werkt. Brede, vage categorieën zoals "Diversen" of "Overige kosten" zijn precies de emmers die het moeilijkst te verdedigen zijn en het gemakkelijkst door een model als ruis worden gemarkeerd. Als uw boeken een getal niet kunnen verklaren, kunt u dat ook niet.
Reconciliëer inkomen met elke 1099 en K-1 voordat u indient. Aangezien de Belastingdienst deze formulieren al heeft, is elke mismatch bijna een gegarandeerde markering. Een snelle controle tegen uw boeken vóór indienen vangt dit in minuten in plaats van maanden later in een kennisgeving.
Vermijd ronde getallen op alles wat u niet letterlijk in ronde getallen hebt uitgegeven. Als uw echte boekhouding precies is, zal uw aangifte die precisie van nature weerspiegelen – wat op zichzelf een signaal van legitimiteit is.
Scheid zakelijke en privérekeningen volledig. Vermengde fondsen zijn een van de snelste manieren om een routinecontrole in een echt onderzoek te veranderen, omdat ze elk ander getal op de aangifte moeilijker te verifiëren maken.
De rode draad: elk van deze oplossingen komt neer op het gedurende het jaar bijhouden van schone, volledige, eigentijdse boeken – niet haasten om ze op belastingtijd te reconstrueren. Plain-text, versiebeheerde boekhouding maakt deze discipline gemakkelijk vol te houden, omdat elke transactie wordt geregistreerd op het moment dat deze plaatsvindt, in een formaat dat u zelf kunt controleren voordat de Belastingdienst dat ooit doet.
Houd Uw Boeken Gereed voor Elke Vorm van Toezicht
Nu de selectie voor controles sneller en geautomatiseerder wordt, hebben de bedrijven die het minst te vrezen hebben, degenen waarvan de boeken al nauwkeurig waren voordat een algoritme ernaar keek. Beancount.io biedt u plain-text boekhouding met volledige transparantie en een volledige git-achtige geschiedenis van elke wijziging – geen black-box-categorisatie, geen gereconstrueerde administratie, gewoon een grootboek dat u regel voor regel kunt verdedigen. Begin gratis en houd uw boeken standaard auditklaar, niet via een last-minutensprint.