Dayjob: Impuestos – evaluando agentes de IA en 50 encargos fiscales profesionales

Artículo original ↗ Discusión en Hacker News ↗

Los modelos de IA se están usando cada vez más para preparar o revisar declaraciones de impuestos complejas, y algunos usuarios informan que herramientas como Claude o GPT detectaron errores costosos cometidos por contadores humanos. Los comentaristas sopesan este potencial frente a preocupaciones serias: los contribuyentes siguen siendo legalmente responsables incluso cuando profesionales o la IA se equivocan, compartir datos financieros con proveedores de LLM plantea cuestiones de privacidad y regulación, y los modelos actuales aún tienen dificultades con casos límite, matemáticas y normas fiscales transfronterizas. Varios participantes sostienen que el verdadero cuello de botella es la complejidad de sistemas como el código fiscal de EE. UU. y piden software fiscal más determinista y abierto en lugar de agentes de IA totalmente autónomos.

Contadores humanos vs agentes de IA

  • Varios comentaristas informan de errores significativos por parte de contadores fiscales (declaraciones mal presentadas que costaron $20k–$50k, arrastres de pérdidas incorrectos, periodos de amortización erróneos, K‑1 mal gestionados, deducciones, etc.).
  • Varios dicen que pasar declaraciones de años anteriores por Claude/GPT reveló errores, lo que llevó a declaraciones enmendadas y reembolsos.
  • Otros, incluidos CPAs con experiencia, replican: muchos “fallos” son ingresos no declarados o malentendidos sobre auditorías, no necesariamente incompetencia o fraude del preparador.
  • Patrón emergente: la IA se usa a menudo como un segundo revisor para detectar errores humanos, no como único preparador.

Responsabilidad, regulación y equidad

  • Consenso: en muchas jurisdicciones (especialmente EE. UU.), el contribuyente es en última instancia responsable, incluso si un profesional prepara la declaración.
  • Puedes demandar o recuperar multas/intereses de un preparador negligente, pero eso es costoso e incierto.
  • Algunos ven esto como injusto dada la complejidad del código fiscal; piden simplificación o presentación automática.
  • Un proyecto de ley en EE. UU. regularía a los preparadores de pago; muchos creen que no va lo suficientemente lejos.

Usar LLMs para impuestos: promesa y límites

  • Los usuarios informan que los LLMs:
    • Detectan errores de tipo de cambio, pérdidas inmobiliarias aplicadas incorrectamente, compensaciones omitidas y problemas estructurales en las declaraciones.
    • Manejan situaciones complejas transfronterizas como herramientas de investigación/verificación, pero no calculan de forma fiable obligaciones exactas.
    • Preparan hojas de cálculo, rellenan formularios (incluso de decenas de páginas) y guían a los usuarios por portales y procedimientos.
  • Limitaciones:
    • Mala aritmética cruda y razonamiento numérico; necesidad de calculadoras deterministas o llamadas a herramientas.
    • Débiles en cuestiones límite de tratados y algunos detalles de retenciones/deducciones.
    • No están listos para automatizar por completo declaraciones complejas sin revisión humana.

Privacidad y preocupaciones sobre datos

  • Hay una fuerte incomodidad con enviar finanzas completas a LLMs en la nube; temores de filtraciones, uso para entrenamiento, acceso gubernamental o reventa.
  • Otros argumentan que el ahorro de tiempo justifica el riesgo, especialmente para pequeñas empresas ahogadas en tareas administrativas.
  • Mitigaciones sugeridas: inferencia local, proveedores sin retención, construir herramientas locales que solo usen modelos para generación de código o verificación estructural.

Benchmarks, formalización y herramientas

  • Algunos cuestionan el valor del benchmark sin un andamiaje sólido; sostienen que los sistemas reales usarían harnesses y herramientas específicas para impuestos.
  • Otros destacan proyectos que formalizan formularios del IRS y árboles de decisión (usando Lean, YAML, etc.) y señalan los artefactos de Direct File de código abierto del propio IRS.
  • Hay consenso general en que gran parte de la preparación de impuestos debería ser un motor de reglas determinista, con IA ayudando en la interpretación y en el manejo de datos.