Dayjob: कर – 50 पेशेवर कर असाइनमेंट्स पर AI एजेंट्स का मूल्यांकन

मूल लेख ↗ Hacker News चर्चा ↗

AI models का उपयोग तेजी से जटिल tax returns तैयार करने या उनकी समीक्षा करने के लिए किया जा रहा है, और कुछ उपयोगकर्ता रिपोर्ट करते हैं कि Claude या GPT जैसे tools ने मानव accountants की महंगी गलतियाँ पकड़ लीं। टिप्पणीकार इस संभावना को गंभीर चिंताओं के साथ तौलते हैं: professionals या AI की गलती होने पर भी taxpayer कानूनी रूप से जिम्मेदार रहता है, LLM providers के साथ financial data साझा करने से privacy और regulatory मुद्दे उठते हैं, और मौजूदा models अभी भी edge cases, math, और cross‑border tax rules में संघर्ष करते हैं। कई योगदानकर्ता तर्क देते हैं कि असली बाधा U.S. tax code जैसी प्रणालियों की जटिलता है और पूरी तरह autonomous AI agents की बजाय अधिक deterministic, open tax software की मांग करते हैं.

मानव अकाउंटेंट बनाम AI एजेंट्स

  • कई टिप्पणीकार कर अकाउंटेंट्स की महत्वपूर्ण गलतियों की रिपोर्ट करते हैं (गलत फाइलिंग जिनकी लागत $20k–$50k रही, गलत loss carryforwards, गलत amortization periods, mishandled K‑1s, deductions, आदि)।
  • कई लोग कहते हैं कि Claude/GPT के जरिए पिछले रिटर्न चलाने पर गलतियाँ सामने आईं, जिससे amended returns और refunds मिले।
  • अन्य लोग, जिनमें अनुभवी CPAs भी शामिल हैं, इसका विरोध करते हैं: कई “failures” रिपोर्ट न की गई आय या audits की गलत समझ हैं, जरूरी नहीं कि preparer की अक्षमता या धोखाधड़ी।
  • उभरता हुआ पैटर्न: AI का उपयोग अक्सर मानवीय गलतियों को पकड़ने के लिए second reviewer के रूप में होता है, न कि sole preparer के रूप में।

देयता, विनियमन, और निष्पक्षता

  • सहमति: कई jurisdictions (खासकर US) में, tax return कोई professional तैयार करे तब भी अंतिम देयता taxpayer की ही होती है।
  • आप negligence वाले preparer पर मुकदमा कर सकते हैं या penalties/interest वसूल सकते हैं, लेकिन यह महंगा और अनिश्चित है।
  • कुछ लोग इसे tax code की जटिलता को देखते हुए अन्यायपूर्ण मानते हैं; simplification या automatic filing की मांग करते हैं।
  • US में एक bill paid preparers को regulate करेगा; कई लोगों का मानना है कि यह पर्याप्त दूर तक नहीं जाता।

Taxes के लिए LLMs का उपयोग: वादा और सीमाएँ

  • उपयोगकर्ता रिपोर्ट करते हैं कि LLMs:
    • exchange-rate errors, गलत तरीके से लागू किए गए real-estate losses, छूटे हुए offsets, और returns में structural issues पकड़ते हैं।
    • जटिल cross‑border स्थितियों को research/checking tools के रूप में संभालते हैं, लेकिन exact liabilities को भरोसेमंद तरीके से नहीं निकालते।
    • spreadsheets तैयार करते हैं, forms भरते हैं (दर्जनों पन्नों तक), और portals तथा प्रक्रियाओं में उपयोगकर्ताओं को step by step मार्गदर्शन देते हैं।
  • सीमाएँ:
    • कच्ची गणना और numerical reasoning कमजोर; deterministic calculators या tool calls की जरूरत।
    • edge-case treaty issues और कुछ withholding/deduction विवरणों में कमजोर।
    • मानव समीक्षा के बिना जटिल returns को पूरी तरह automate करने के लिए तैयार नहीं।

गोपनीयता और डेटा संबंधी चिंताएँ

  • cloud LLMs को पूरी financial जानकारी भेजने पर तीव्र असहजता; leaks, training use, government access, या resale का डर।
  • अन्य लोग तर्क देते हैं कि समय की बचत जोखिम को उचित ठहराती है, खासकर छोटे व्यवसायों के लिए जो admin में डूबे रहते हैं।
  • सुझाए गए mitigation: local inference, zero-retention providers, ऐसे local tools बनाना जो models का उपयोग केवल code generation या structural checking के लिए करें।

Benchmarks, Formalization, और Tooling

  • कुछ लोग मजबूत scaffolding के बिना benchmark के मूल्य पर सवाल उठाते हैं; उनका तर्क है कि वास्तविक systems tax-specific harnesses और tools का उपयोग करेंगे।
  • अन्य लोग ऐसे projects को रेखांकित करते हैं जो IRS forms और decision trees को formalize करते हैं (Lean, YAML, आदि का उपयोग करके) और IRS के अपने open-sourced Direct File artifacts की ओर इशारा करते हैं।
  • सामान्य सहमति है कि tax prep का बड़ा हिस्सा एक deterministic rules engine होना चाहिए, जिसमें AI interpretation और data wrangling में सहायता करे।