Importören i tulldeklarationen blir en datafråga

Efterlevnad av tullregler har traditionellt betraktats som en transaktionsbaserad uppgift. Klassificera produkten, beräkna tullavgiften, lämna tulldeklarationen och spara dokumentationen. Den modellen blir allt svårare att upprätthålla i takt med att tullmyndigheterna kräver större insyn i företagen, produkterna och leveranskedjorna bakom varje import.

Förändringen märks särskilt tydligt i USA. Presidentorder 14411, ”Stärkt tullkontroll”, som undertecknades den 3 juni 2026, ger Department of Homeland Security och US Customs and Border Protection (CBP) i uppdrag att skärpa kraven på importören i tulldeklarationen, utöka granskningen och införa ytterligare krav på upplysningar och intyg. Ordern ger också regeringen i uppdrag att kräva in information eller dokumentation som utländska exportörer var skyldiga att lämna till utländska tullmyndigheter innan de exporterade varor till USA.

För importörerna innebär detta en utmaning som i grunden handlar om data. Den relevanta informationen kan redan finnas, men den är ofta utspridd i olika system, beskriven på olika sätt och förvaltas av olika ansvariga. AI kan hjälpa till att koppla samman informationen, men bara om företagen ser AI som en del av en kontrollerad process för regelefterlevnad, inte som en ersättning för tullkompetens.

Därför är IOR viktigare än tidigare

CBP har redan vidtagit en konkret åtgärd för att granska uppgifter om importörers identitet noggrannare. I ett meddelande i Federal Register från augusti 2026 uppgav myndigheten att den skulle börja tillämpa skärpta kontroller av uppgifter som lämnas in via CBP Form 5106. Från och med den 18 september 2026 uppgav CBP att myndigheten kan ogiltigförklara ett importörsnummer om uppgifterna i registret är felaktiga eller ofullständiga, vilket gör att numret inte längre kan användas för att tulldeklarera varor.

Detta är viktigt eftersom en IOR-registrering är mer än en administrativ profil. Den kopplar en juridisk person till tulldeklarationer, tullavgifter, tullombud och regulatoriska skyldigheter. Om de underliggande identitetsuppgifterna är felaktiga kan det bli svårare att stämma av andra register.

Här kan AI och automatisering ge praktisk nytta utan att själva fatta beslut om regelefterlevnad. System kan upptäcka motstridiga adresser, företagsnamn, kontaktuppgifter eller ägaruppgifter i interna register. De kan flagga registerposter som inte har granskats nyligen eller identifiera ändringar som bör uppmärksammas av en människa. Målet är inte att låta en algoritm avgöra om en importör följer reglerna, utan att göra det lättare för regelefterlevnadsteamen att se var deras data kanske inte längre räcker som stöd för den bedömningen.

Utländska exportdokument kan öka datakraven

Nästa utmaning kan bli betydligt större. I sitt förhandsmeddelande om föreslagen regelgivning från september 2026 bad CBP allmänheten att lämna synpunkter på krav som skulle ge myndigheten större insyn i leveranskedjor och utländsk exportdokumentation.

Förslaget övervägs fortfarande. CBP frågar om importörer bör lämna in eller spara dokument som utländska exportörer var skyldiga att tillhandahålla utländska tullmyndigheter före exporten. Myndigheten nämner särskilt exempel som exportdeklarationer, handelsfakturor, packlistor, ursprungscertifikat, exportlicenser, konossement och flygfraktsedlar. CBP frågar också om importören i tulldeklarationen bör ansvara för att spara och tillhandahålla dessa dokument, och om kravet på skälig aktsamhet bör gälla när importörer bedömer om uppgifterna är korrekta.

Den sista frågan är särskilt viktig. En importör kanske inte själv upprättar en utländsk exportdeklaration. Den kan upprättas av en leverantör, distributör eller logistikleverantör. Importören kan ändå behöva förklara hur uppgifterna hänger samman med tulldeklarationen i USA.

Uppgiften handlar därför mindre om att lagra PDF-filer och mer om att jämföra information. Stämmer produktbeskrivningen? Verkar mängden rimlig? Är det samma tillverkare? Stämmer ursprungslandet överens? Behöver det deklarerade värdet förklaras? Om två dokument skiljer sig åt, kan importören förklara varför?

AI gör störst nytta när den kopplar samman underlag

Det är här AI kan användas till mer än det vanligaste tullrelaterade användningsområdet: klassificering. Stora språkmodeller och andra AI-system är särskilt användbara när informationen är ostrukturerad eller utspridd över många dokument. En produktspecifikation kan beskriva en vara på ett sätt, en leverantörsfaktura kan använda ett annat namn och en tulldeklaration kan innehålla en förkortad beskrivning. Ett ursprungscertifikat kan innehålla ytterligare en uppsättning identifierare. En person med kunskap om verksamheten kan förstå att alla fyra avser samma produkt, men det är svårt att manuellt hitta sådana samband bland tusentals poster.

AI kan hjälpa till att synliggöra sådana samband. Den kan hämta relevant information ur dokument, standardisera produktbeskrivningar, identifiera möjliga avvikelser och prioritera poster för granskning. Den kan också hitta relevanta tullavgöranden, myndighetsvägledning och tidigare beslut när en specialist på regelefterlevnad utreder en fråga om klassificering eller tulltaxa.

Världstullorganisationen har uppmärksammat denna bredare potential. I sin rapport från 2025 om införandet av AI och maskininlärning inom tull identifierade organisationen datahantering, styrning, riskhantering, interoperabilitet, cybersäkerhet och kompetens hos arbetskraften som viktiga faktorer för ett framgångsrikt införande. Det är en nyttig påminnelse om att AI inom tullområdet inte i första hand handlar om chattbotar, utan om data och styrning.

De mest lovande tillämpningarna kommer därför att vara knutna till specifika arbetsflöden. Ett AI-system kan flagga en avvikelse mellan ett leverantörsdokument och en tulldeklaration. En regelefterlevnadsspecialist kan sedan granska de bakomliggande handlingarna, avgöra om avvikelsen är befogad och dokumentera resonemanget.

Mänsklig granskning är fortfarande viktig

Tullbeslut får ekonomiska och rättsliga konsekvenser, vilket gör förklarbarhet särskilt viktig. Ett system som ger ett svar utan att visa vilka belägg det bygger på skapar en ny risk för bristande regelefterlevnad. Därför bör AI som används för regelefterlevnad inom handeln bevara informationen som ligger till grund för ett resultat. Om ett system rekommenderar en klassificering bör användarna kunna se produktegenskaperna, relevant källmaterial och de skäl som låg till grund för rekommendationen. Om systemet identifierar en avvikelse bör användaren kunna spåra de motstridiga uppgifterna.

Detta synsätt ligger i linje med de bredare principerna i National Institute of Standards and Technology:s ramverk för riskhantering av AI, som betonar vad som krävs för att AI ska vara tillförlitlig, däribland ansvarsskyldighet, transparens, förklarbarhet och tolkbarhet. NIST framhåller också mänsklig tillsyn som en viktig del av hanteringen av AI-system.

För tullteam innebär det att AI i allmänhet bör fungera som en analytiker, inte som en självständig beslutsfattare. AI kan hitta belägg, jämföra uppgifter, identifiera förändringar och prioritera arbetet. Den mänskliga experten ansvarar fortfarande för att utvärdera beläggen och fatta beslut om regelefterlevnad.

Bygg datagrunden innan AI-lagret

Med AI är det frestande att börja med modellen. När det gäller regelefterlevnad inom tull är det bättre att börja med data. Importörer bör fråga sig om de kan koppla samman information om en produkt mellan de system som stöder transaktionen. Det kan handla om: 

• Produktspecifikationer
• HTS-klassificeringar
• Tullbeslut
• Information om leverantörer och tillverkare
• Fastställanden av ursprungsland
• Fakturor
• Transportdokument
• Regelkrav
• Uppgifter från tidigare tulldeklarationer

De bör också fråga sig om förändringar går att upptäcka. Om en leverantör ändrar en produktspecifikation, om en tullåtgärd ändras eller om en importörs företagsuppgifter ändras, kan regelefterlevnadsteamet då identifiera vilka uppgifter som påverkas?

Datakvaliteten blir ännu viktigare när AI införs. Ett AI-system kan inte på ett tillförlitligt sätt stämma av uppgifter som är ofullständiga, inaktuella eller inkonsekventa. Det kan identifiera mönster i bristfälliga data, men det kan inte omvandla saknade belägg till tillförlitliga belägg.

Detta ligger i linje med Världstullorganisationens senaste arbete, där datastyrning har lyfts fram som en grund för AI och dataanalys inom tullområdet. I organisationens diskussion från 2026 om AI inom tullområdet betonades vikten av tillförlitliga data med god styrning för att uppnå tillförlitliga resultat.

Förklarbarhet kan bli nästa konkurrensfördel inom tull

Det framväxande tullandskapet kommer sannolikt att gynna företag som kan göra mer än att bara ge ett svar. De måste kunna visa hur de kom fram till det.

Executive Order 14411 och CBP:s föreslagna arbetssätt för utländsk exportdokumentation pekar mot ökad insyn i parterna, produkterna och handlingarna bakom en importtransaktion. Det kan leda till en miljö för regelefterlevnad där det blir svårt att hantera kalkylblad och dokumentarkiv som inte är sammankopplade. AI kan hjälpa till, men de mest värdefulla systemen kommer inte att vara de som bara skapar klassificeringar eller sammanfattar regler. Det blir i stället system som kopplar samman belägg, synliggör avvikelser, bevarar källor och ser till att människor förblir delaktiga.

Importörer kan börja förbereda sig redan nu: 

• Validera uppgifter om IOR
• Kartlägg var leverantörsdokument och utländska exportdokument skapas och lagras
• Identifiera skillnader mellan leverantörsuppgifter och USA:s importdeklarationsuppgifter
• Se över vilka beslut om regelefterlevnad som fortfarande kräver manuella sökningar
• Ta reda på var AI kan minska arbetet med att hitta och utvärdera beläggen

Framtiden för AI inom tullområdet kanske handlar mindre om att ersätta tullspecialisten och mer om att ge den experten en betydligt bättre överblick över transaktionen. I takt med att tullkontrollen blir mer datadriven kan konkurrensfördelen tillfalla de importörer som med säkerhet kan besvara en enkel fråga: inte bara ”Vad deklarerade vi?” utan ”Kan vi visa varför det var korrekt?”