Новая налоговая система Индии, основанная на данных, использует индивидуализированные подталкивания для повышения степени соблюдения, восстановления миллиардов и сокращения ошибок до официального оформления в апреле 2026 года. India's new data-driven tax system uses personalized nudges to boost compliance, recovering billions and reducing errors ahead of legal formalization in April 2026.

Индия внедряет основанную на данных налоговую систему с использованием поведенческих «напрягов» для стимулирования добровольного соблюдения, о чем подробно говорится в «Экономическом обзоре 2025-26 годов». India is implementing a data-driven tax system using behavioral "nudges" to boost voluntary compliance, as detailed in the 2025–26 Economic Survey. Система NUDGE анализирует данные в режиме реального времени для выявления ошибок, таких как завышенные вычеты, незаявленный иностранный доход или неправильные заявления о TDS, и отправляет персонализированные предупреждения налогоплательщикам, поощряя исправления до принудительного исполнения. The NUDGE framework analyzes real-time data to identify errors—such as inflated deductions, unreported foreign income, or incorrect TDS filings—and sends personalized alerts to taxpayers, encouraging corrections before enforcement. Этот активный подход привел к значительным результатам: более 8 500 TDS-возвращений были пересмотрены, 4 825 млн. рупий были возвращены, 29 000 млн. рупий в иностранных активах были объявлены и 2 050 млн. рупий в ложных вычетах были сокращены. This proactive approach has led to significant results: over 8,500 TDS returns revised, ₹4,825 crore recovered, ₹29,000 crore in foreign assets declared, and ₹2,050 crore in false deductions reduced. Эта система, которая должна быть официально закреплена в законодательстве к апрелю 2026 года, направлена на сокращение судебных разбирательств, снижение издержек, связанных с соблюдением, и укрепление доверия путем установления приоритетности мер наказания. The system, set to be formalized in law by April 2026, aims to reduce litigation, lower compliance costs, and build trust by prioritizing guidance over penalties. Вместе с тем сохраняется озабоченность по поводу транспарентности, конфиденциальности и риска алгоритмической предвзятости. However, concerns remain over transparency, privacy, and the risk of algorithmic bias.