Создание самообучающихся ИИ-агентов для налоговой сферы на базе Codex

Суть

Компании OpenAI, Thrive Holdings и Crete представили Tax AI — специализированного ИИ-агента для подготовки сложных налоговых деклараций. Главная инновация проекта заключается не в автоматизации рутины, а во внедрении механизма самосовершенствования. Вместо того чтобы полагаться на инженеров для поиска и исправления каждой ошибки, система использует модель Codex для преобразования реального пользовательского опыта в структурированные сигналы, обеспечивающие автономное улучшение агента.

Контекст

Системы искусственного интеллекта в реальных условиях часто ведут себя иначе, чем в лаборатории. Обычно команды разработчиков обнаруживают сбои только после запуска, а затем тратят недели на изучение крайних случаев (edge cases), корректировку подсказок и перевод обратной связи в стабильные обновления продукта. Этот цикл обратной связи является ручным, медленным и зависит исключительно от скорости работы инженеров.

В сфере налогового учета цена ошибки высока. Специалисты сети Crete ежегодно обрабатывают десятки тысяч деклараций, что требует анализа миллионов первичных документов. Для сложных случаев только ввод данных может занимать до восьми часов на одну декларацию. Именно этот этап стал идеальным полигоном для тестирования новых подходов к разработке ИИ-агентов.

Детали

В течение пилотного сезона Tax AI обработал 7000 налоговых деклараций (включая формы 1040 и 1041). Результаты внедрения показали существенный рост эффективности:

• Экономия около трети времени специалистов на подготовку документов.
• Увеличение общей пропускной способности примерно на 50%.
• Черновые варианты деклараций создаются с точностью до 97%.

Однако наиболее важным показателем стала динамика обучения. На момент запуска только 25% деклараций достигали порога в 75% правильного заполнения полей. Спустя всего шесть недель этот показатель вырос до 86%. Система начинала с простых форм (W-2, 1099), постепенно переходя к сложным случаям, таким как графики аренды недвижимости и формы K-1.

Анализ

Архитектура самообучения Tax AI опирается на три ключевых элемента:

1. Обратная связь от практикующих экспертов. Специалисты направляют процесс обучения продукта. Их интуиция и понимание контекста помогают определить, какие ошибки критичны, а какие являются ожидаемым шумом рабочего процесса.
2. Трассировка в рабочей среде (production traces). Продукт фиксирует не только входные и выходные данные, но и весь путь: от исходного материала до извлеченных полей, их происхождения и последующей экспертной корректировки.
3. Цикл улучшений на базе Codex. Когда проблемы становятся видимыми и структурированными, они превращаются в выводы, специализированные тесты-оценки (evals) и инженерные задачи. Codex помогает исследовать причины ошибок, предлагать изменения и проверять их с помощью регрессионного тестирования.

Например, если бухгалтер исправляет извлеченное значение дохода от аренды, система не просто запоминает новое число. Она сравнивает ожидаемое значение с предсказанным, группирует похожие сбои и превращает повторяющиеся паттерны в новые цели для тестирования, которые Codex должен преодолеть в следующем цикле обновления.

Перспектива

Опыт создания Tax AI демонстрирует переход индустрии от статичных моделей к динамическим системам, способным к контролируемому саморазвитию. Этот подход открывает новые возможности для разработки ИИ в тех областях, где экспертиза человека имеет решающее значение — юриспруденции, медицине, финансовом аудите. В будущем ценность ИИ-продуктов будет определяться не только их начальной точностью, но и скоростью, с которой они способны интегрировать профессиональный опыт пользователей в свою базовую логику.