23.06.2022

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

Jährlich verzichten zwei Millionen Östereicher:innen auf ihre Arbeitnehmerveranlagung.
/artikel/taxefy-wiener-startup-will-zu-viel-bezahlte-steuern-zurueckholen
Taxefy, Steuern, Arebitnehmerveranlagung, wie geht finanzonline, wie geht abreitnehmerveranlagung, Rückzahulng, Steuern zurück holen,
(c) Taxefy - Alexander Fleik (l.) und Aleksej Sinicyn von Taxefy.

Es ist bekannt, dass Arbeitnehmer:innen in Österreich bis zum 30. Juni via FinanzOnline ihren Jahressteuerausgleich durchführen können. Seit 2017 erfolgt diese Berechnung automatisch durch die sogenannte “antragslose Arbeitnehmerveranlagung”, jedoch werden bei dieser Berechnung nur die Daten herangezogen, die den Finanzbehörden auch bekannt sind. Das antraglose Verfahren startet zudem auch nur, wenn der Steuerausgleich nach den Berechnungen der Finanzverwaltung zu einer Steuergutschrift führt und keine besonderen Ausgaben geltend gemacht wurden. Hier kommt Taxefy ins Spiel.

Taxefy: Verdoppelung der Rückzahlung

Das 2022 in Wien gegründete Unternehmen will allen Österreicher:innen dabei helfen, die Berechnung sowie den Antrag der eigenen Arbeitnehmerveranlagung so einfach wie möglich und komplett automatisiert zu gestalten.

“In Zeiten, in denen jeder Euro zählt, wäre es grob fahrlässig, die eigene Arbeitnehmerveranlagung nicht mit allen vorhandenen Daten zu füttern. Bei Taxefy konnten wir bei über 2.700 eingereichten Anträgen für das Vorjahr im Durchschnitt 748 Euro zurückerhalten. Dies entspricht fast einer Verdoppelung der kürzlich durch die AK angegebenen Rückzahlung von 400 Euro durchschnittlich”, sagt Aleksej Sinicyn, Gründer und Geschäftsführer der Taxefy GmbH, der das Startup mit Alexander Fleik erschaffen hat.

Nicht nur für Höchstverdiener

Wer jetzt davon ausgeht, dass dies nur durch die potentiell höheren Gehälter der Tech-affinen Nutzer:innen von Taxefy bedingt ist, der liegt laut dem Geschäftsführer nicht ganz richtig. Denn die Firma will mit seiner Steuerlösung insbesondere auch Menschen ansprechen, die nicht zu den Höchstverdienern zählen oder nur einen Teil des Jahres angestellt waren.

Hier sei laut Sinicyn die Arbeitnehmerveranlagung besonders zu empfehlen, da das Einkommen bei Anstellung auf das ganze Jahr verteilt besteuert wird und hier auf jeden Fall zu viel bezahlte Lohnsteuer zurückerstattet werden muss. Sogar, auch wenn keine Lohnsteuer bezahlt wurde, kann unter Umständen ein Teil der Sozialversicherungsbeiträge als sogenannte “Negativsteuer” wieder zurückgeholt werden.

Laut Sinicyn verzichten nämlich jedes Jahr mehr als zwei Millionen Österreicherinnen und Österreicher ihre Arbeitnehmerveranlagung zu beantragen. Begründet sei dies laut dem jungen Gründer in der “Angst etwas falsch zu machen oder wegen persönlicher Überforderung durch die komplex gestalteten Formulare”.

Steuerthemen die Komplexität nehmen

Mit seinem Startup will er mithilfe eines “Schritt für Schritt”-Prozesses genau dieses Problem lösen und die komplexe Steuerthematik auf ein Minimum reduzieren.

“Mit einfachen Fragen, beispielsweise, ob man mit dem Auto, zu Fuß oder dem Fahrrad zur Arbeit gekommen ist, sollen die Nutzerinnen und Nutzer zu Ihrer wohlverdienten Rückzahlung kommen, ohne dass sie die komplexen Steuerformulare Wort für Wort durchgehen müssen”, so Sinicyn.

Eingetragen werden nur die Daten, die Taxefy zur Verfügung gestellt werden und am Schluss – nach genauer Vorausberechnung nach geltendem Steuerrecht sowie Übersicht über die Eingaben – papierlos an das Finanzamt übermittelt.

Steuererstattung: Von Stunden auf Minuten

“Mit unserem Verfahren wird sichergestellt, dass nicht nur die maximale Steuererstattung erzielt wird, sondern sich auch der Zeitaufwand für die Erstellung von mehreren Stunden auf unter zehn Minuten reduziert”, sagt Sinicyn weiter.

Taxefy arbeitet dabei nach einem “no win – no fee”-Ansatz. Die Firma erhält im Erfolgsfall zehn Prozent der für den Steuerzahler erzielten Rückzahlung direkt vom Finanzamt.

“Wir wollen allen Arbeitnehmerinnen und Arbeitnehmern ermöglichen, ihre zu viel bezahlten Steuergelder ohne Kostenrisiko und ohne Vorwissen schnell und einfach zurückzufordern”, so Sinicyn abschließend.

Deine ungelesenen Artikel:
22.09.2023

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

Lisette Espín-Noboa entwickelt in Wien mit Big Data Machine-Learning-Modelle und zeigt uns mit Poverty Maps, wo die Ärmsten in Zukunft leben.
/artikel/ihre-modelle-visualisieren-zukuenftige-armut-auf-landkarten
22.09.2023

Ihre Modelle visualisieren zukünftige Armut auf Landkarten

Lisette Espín-Noboa entwickelt in Wien mit Big Data Machine-Learning-Modelle und zeigt uns mit Poverty Maps, wo die Ärmsten in Zukunft leben.
/artikel/ihre-modelle-visualisieren-zukuenftige-armut-auf-landkarten
Lisette Espín-Noboa liefert Politiker:innen neue Entscheidungsgrundlagen. Foto: Map Box/OpenStreetMap/Bimal Viswanath
Lisette Espín-Noboa liefert Politiker:innen neue Entscheidungsgrundlagen. Foto: Map Box/OpenStreetMap/Bimal Viswanath

Heuer präsentierte ein wissenschaftliches Team von der Central European University (CEU) und dem Complexity Science Hub (CSH) einen Durchbruch: Sie können Armut auf Landkarten sichtbar machen.

Konkret nahmen sich die Forscher:innen dafür Sierra Leone und Uganda vor. Die beiden Staaten in Subsahara-Afrika zählen zu den ärmsten der Welt. Das Wiener Forscherteam entwickelte dazu das interaktive Online-Tool Poverty Maps, mit dem User:innen die Wohlstandsentwicklung in beiden Ländern vergleichen können. Sogar einen Ausblick auf die Zukunft können die Karten geben. Unmengen abstrakter Daten werden damit auf einen Blick zu aussagekräftiger Information.

Vom Taxiverhalten zu Armutskarten

“Die Idee wäre, dass politische Entscheidungsträger:innen, die Menschen unterhalb der Armutsgrenze helfen möchten, diese Art von Instrumenten nutzen können. Um zu verstehen, wo die Menschen sind, die wirklich Hilfe brauchen”, erklärt Lisette Espín-Noboa im brutkasten-Interview.

Die aus Ecuador stammende Computerwissenschaftlerin ist extra für das Projekt nach Wien gekommen. Sie ist Expertin für Predictive Analytics, Netzwerkanalysen und Machine Learning. Davor arbeitete sie vor allem mit Mobilitätsdaten, auf deren Basis sie Prognosen für die Zukunft erstellte. Espín-Noboa erforschte unter anderem, wie sich Taxis in der Metropole New York verhalten.

Wiederverwendbare ML-Modelle

“Sie gaben mir dieses Projekt und ich hatte die Freiheit, zu schauen, wie es funktioniert”, sagt die Computerwissenschaftlerin. Sie entwickelte ein eigenes Framework für drei Machine-Learning-Modelle. Damit visualisieren die Forscher:innen die Wohlstandsentwicklung auf Landkarten. Am Beispiel von Sierra Leone und Uganda bewies das Team bereits, dass es möglich ist.

Espín-Noboa erklärt, dass sie die Modelle nun auch für andere Länder verwenden. Dafür müsse nur die sogenannte Ground Truth für jedes Land anhand einer eigenen Datenbasis neu in das Modell gefüttert werden. Ground Truth ist die genaue und verlässliche Referenz, anhand derer die Richtigkeit von Daten oder Vorhersagen bewertet wird.

Wie viele Antennen, welche Toilette?

Für die beiden afrikanischen Länder verwendeten die Forscher:innen Umfragedaten als Basis. “In Afrika werden Umfragen zum Haushalt oder Lebensstandard durchgeführt. Diese Fragebögen ermitteln, wie viele Zimmer Ihr Haus hat, welche Art von Toilette Sie benutzen, wie Sie an Ihr Wasser kommen, ob Sie ein Auto habe oder ob Sie eine Haus- und Sanitäranlage haben”, erklärt die Computerwissenschaftlerin. Mit dem Internationalen Wohlstandsindex (IWI) wurden auf dieser Basis dann Grundwerte errechnet.

Hinzugefügt wurden in der Folge weitere Daten, die etwa von Satellitenbildern oder Social-Media-Postings stammen. Daraus konnten Espín-Noboa und ihre Kolleg:innen schließen, wie viele Menschen in einer Region ein iPhone besitzen oder wie viele Antennen sich in einem Gebiet befinden. “Wir dachten: Wenn der Ort viele Antennen hat, bedeutet das wahrscheinlich, dass er wohlhabend ist. Wenn er keine Antennen hat, ist er wahrscheinlich arm”, so Espín-Noboa. Daten aus OpenStreetMap würden wiederum verraten, wie weit die nächste Straße oder Schule entfernt ist.

Zukunftsvorhersagen auch für Europa

Nun versuchen Espín-Noboa und ihr Team diese Karten auch für Österreich und Ungarn zu erstellen. Noch fehlen ihr aber die dafür notwendigen Daten für ihre Modelle. Sie ist deshalb auf der Suche nach Organisationen, die Daten zur Verfügung stellen.

“Wir können nicht einfach die gleichen Daten verwenden, weil die Standards unterschiedlich sind. Etwa fragt man in Ungarn nicht, welche Art von Toiletten jemand benutzt”, erklärt Espín-Noboa. Stattdessen sei in etwa Ungarn aussagekräftiger, wie viel Immobilien kosten. Für jedes Land müsse deshalb eine eigene “Ground Truth” ermittelt werden, dann könnten die entwickelten Modelle für verschiedene Länder verwendet werden, glaubt die Expertin.

Bessere Entscheidungsgrundlage

Das Projekt ist ein Novum, denn bisher verließen sich Entscheidungsträger:innen vor allem auf Volkszählungsdaten, wenn es um den Umgang mit Armut ging. Die Karten stellen die Entwicklung jedoch viel detaillierter dar. “Mit der Ground Truth haben wir Armut vorhergesagt, aber Sie können alles vorhersagen. Wenn Sie fundierte Fakten zum Thema Bildung haben, können Sie etwa auch Bildung vorhersagen”, sagt Espín-Noboa. Sie hofft, dass künftig mehr Tools für politische Entscheidungsträger:innen zur Verfügung stehen – damit diese bessere und zielgerichtete Entscheidungen treffen können.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Taxefy: Wiener Startup will zu viel bezahlte Steuern zurückholen

Es gibt neue Nachrichten

Auch interessant