INFLUÊNCIA DA INTELIGÊNCIA ARTIFICIAL E MACHINE LEARNING NO PLANEJAMENTO TRIBUTÁRIO PARA PEQUENAS E MÉDIAS EMPRESAS (PMES) NO NORTE DO BRASIL: UMA ANÁLISE DA REDUÇÃO DE CARGA TRIBUTÁRIA E OTIMIZAÇÃO DE PROCESSOS.
DOI:
https://doi.org/10.36557/2009-3578.2025v11n2p7453-7467Palavras-chave:
Planejamento Tributário; Pequenas e Médias Empresas (PMEs); Inteligência Artificial; Machine Learning; Otimização de Processos; Redução de Carga Tributária.Resumo
O planejamento tributário é um instrumento estratégico vital para a saúde financeira de qualquer empresa. No entanto, para as Pequenas e Médias Empresas (PMEs), a complexidade da legislação brasileira e a escassez de recursos tornam sua implementação um desafio constante. A ausência de um planejamento eficaz pode levar a uma carga tributária excessiva, prejudicando a competitividade e a sustentabilidade do negócio. Nesse contexto, a proposta deste estudo surge da necessidade de investigar como a adoção de tecnologias emergentes, como a Inteligência Artificial (IA) e o Machine Learning (ML), pode mitigar esses desafios, oferecendo uma nova abordagem para a otimização tributária nas PMEs. Diante disso, a pesquisa busca responder à seguinte questão: Como a implementação de ferramentas de Inteligência Artificial e Machine Learning pode influenciar a redução da carga tributária e a otimização dos processos de planejamento tributário em Pequenas e Médias Empresas? O objetivo geral consiste em analisar a viabilidade e os impactos da adoção de ferramentas de IA e ML no planejamento tributário para PMEs, visando à redução da carga fiscal e à otimização dos processos de gestão. Como desdobramento, estabelecem-se dois objetivos específicos: analisar os principais desafios das PMEs no Brasil no planejamento tributário diante da complexidade da legislação e da limitação de recursos; e avaliar como a aplicação de Inteligência Artificial e Machine Learning pode reduzir a carga tributária e otimizar processos de gestão fiscal. Para alcançar esses propósitos, a metodologia adotada será uma pesquisa de natureza qualitativa, de caráter exploratório-descritivo, fundamentada em uma revisão bibliográfica com base em artigos científicos, livros, relatórios e documentos especializados. Espera-se que os resultados demonstrem que a adoção de IA e ML pode automatizar a análise fiscal, identificar oportunidades de economia tributária, simular cenários e, consequentemente, gerar uma proposta de intervenção fundamentada que permita às PMEs otimizar seu planejamento tributário de forma mais eficiente e acessível.
Downloads
Referências
ALPAYDIN, Ethem. Machine Learning: The New AI. Cambridge (MA): MIT Press, 2016.
AMARAL, C. J. da S.; CARVALHO, R. F.; SOUZA, A. P. Compliance tributário e fiscal: desafios e perspectivas para a governança corporativa. Revista Brasileira de Contabilidade, v. 54, n. 2, p. 45-62, 2025.
AMARAL, C. J. da S. et al. Compliance: uma revisão dos periódicos na área tributária e fiscal. Cuadernos de Educación y Desarrollo, v. 17, n. 4, p. e8234, 2025. DOI: 10.55905/cuadv17n5-189. Disponível em: https://ojs.cuadernoseducacion.com/ojs/index.php/ced/article/view/8234.
AMARAL, J. et al. Compliance tributário e fiscal: desafios e perspectivas para a governança corporativa. Revista Brasileira de Contabilidade, v. 54, n. 2, p. 45-62, 2025.
BECKER, M.; SOUZA, L.; ANDRADE, T.; OLIVEIRA, R. Big data em micro e pequenas empresas: uma revisão sistemática. Revista de Gestão e Secretariado, v. 14, n. 3, p. 3420–3442, 2023. DOI: 10.7769/gesec.v14i3.1817.
CALMON, S.; DERZI, M. Reformas tributárias necessárias para a integração global das PMEs. Revista Brasileira de Direito Tributário, v. 45, n. 1, p. 1–18, 2020.
CANEN, Dóris. Desafios na tributação das novas tecnologias: debates atuais. Biblioteca Digital do CNJ, 2024. Disponível em: https://bibliotecadigital.cnj.jus.br/jspui/handle/123456789/483.
CREPALDI, S. A. Planejamento tributário: teoria e prática. 15. ed. São Paulo: Atlas, 2019.
DHALIWAL, Sonia B. et al. Digitalization of tax administration: a review of the Organization for Economic Co-operation and Development (OECD). Accounting & Taxation, v. 15, n. 1, p. 55–81, 2023.
ELLIFFE, Craig. Taxing the digital economy: theory, policy and practice. Cambridge: Cambridge University Press, 2021. (Cambridge Tax Law Series).
EUROPEAN COMMISSION. Guide to the VAT mini one-stop shop. Brussels: European Commission, 2024. Disponível em: https://taxation-customs.ec.europa.eu/document/download/ca213281-027c-4ade-9a07-0c60e8929242_en?filename=one-stop-shop-guidelines_en.pdf.
FORTES, Fellipe Cianca. Neutralidade fiscal, tributação e livre concorrência. Londrina (PR): Thoth Editora, 2020.
GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 7. ed. São Paulo: Atlas, 2017.
KAANAEL, Simon Mbise; LUKUNDO, Baseka. The impact of digital systems on tax compliance among SMEs. The Journal of Informatics, v. 3, n. 1, p. 1–14, 2023.
LUKIC, Melina Rocha. Afinal, quem deve ser chamado contribuinte no IBS/IVA? Consultor Jurídico, 2020. Disponível em: https://www.conjur.com.br/2020-jul-14/melina-rocha-quem-contribuinte-ibsiva/.
MACHADO, Hugo de Brito. Curso de Direito Tributário. 38. ed. São Paulo: Malheiros, 2020.
MARCONI, Marina de Andrade; LAKATOS, Eva Maria. Fundamentos de metodologia científica. 8. ed. São Paulo: Atlas, 2017.
MARTINEZ, Juan Carlos. La neutralidad fiscal en el sistema tributario español. Madrid: Editorial Civitas, 2019.
MARTINS, B. O.; PEREIRA, L. S.; CARVALHO, A. T. A revolução da inteligência artificial na contabilidade: transformação digital e novas oportunidades. Cuadernos de Educación y Desarrollo, v. 17, n. 5, p. e8297, 2025.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (OECD). Addressing the tax challenges of the digital economy. OECD/G20 Base Erosion and Profit Shifting Project. Paris: OECD Publishing, 2020.
PRODANOV, Cleber Cristiano; FREITAS, Ernani Cesar de. Metodologia do trabalho científico: métodos e técnicas da pesquisa e do trabalho acadêmico. 2. ed. Novo Hamburgo: Feevale, 2013.
RIBEIRO, Osni Moura. Contabilidade Empresarial. 9. ed. São Paulo: Saraiva, 2018.
RODRIGUES, G. P. de A.; GUIMARÃES JÚNIOR, D. S. Transformação digital em pequenos negócios no contexto da pandemia da COVID-19: uma revisão da literatura. Desenvolvimento em Debate, v. 10, n. 3, p. 1–20, 2021. DOI: 10.18316/desenv.v10i3.8906.
SEBRAE. Anuário do Trabalho na Micro e Pequena Empresa. Brasília (DF): SEBRAE, 2023. Disponível em: https://sebrae.com.br/Sebrae/Portal%20Sebrae/Imagens%20SebraeNA/Arquivo%20pesquisas.pdf.
SILVA, Guilherme Antônio; CURY, Larissa K. P. Os impactos do uso de Inteligência Artificial para empresas de pequeno porte. Instituto Federal Goiano, 2024.
VERGARA, Sylvia Constant. Projetos e relatórios de pesquisa em administração. 16. ed. São Paulo: Atlas, 2016.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Bruna Rodrigues Ferreira, José Carlos Alves Roberto, Zuila Paulino Cavalcante
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Você tem o direito de:
- Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
- Adaptar — remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial.
De acordo com os termos seguintes:
- Atribuição — Você deve dar o crédito apropriado , prover um link para a licença e indicar se mudanças foram feitas . Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
- Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
