Dayjob: Impostos – avaliando agentes de IA em 50 atribuições profissionais de impostos
Modelos de IA estão a ser cada vez mais usados para preparar ou rever declarações fiscais complexas, com alguns utilizadores a relatar que ferramentas como Claude ou GPT detetaram erros caros cometidos por contabilistas humanos. Os comentadores ponderam este potencial face a preocupações sérias: os contribuintes continuam legalmente responsáveis mesmo quando profissionais ou IA erram, partilhar dados financeiros com fornecedores de LLM levanta questões de privacidade e regulação, e os modelos atuais ainda falham em casos-limite, matemática e regras fiscais transfronteiriças. Vários participantes defendem que o verdadeiro estrangulamento é a complexidade de sistemas como o código fiscal dos EUA e pedem software fiscal mais determinístico e aberto, em vez de agentes de IA totalmente autónomos.
Contabilistas Humanos vs. Agentes de IA
- Vários comentadores relatam erros significativos de contabilistas fiscais (declarações apresentadas incorretamente, com custos de $20k–$50k, carryforwards de prejuízos incorretos, períodos de amortização errados, K‑1s mal tratados, deduções, etc.).
- Vários dizem que passar declarações anteriores por Claude/GPT revelou erros, levando a declarações retificativas e reembolsos.
- Outros, incluindo CPAs experientes, contrapõem: muitas “falhas” são rendimentos não declarados ou mal-entendidos sobre auditorias, não necessariamente incompetência ou fraude do preparador.
- Padrão emergente: a IA é frequentemente usada como um segundo revisor para detetar erros humanos, e não como único preparador.
Responsabilidade, Regulação e Justiça
- Consenso: em muitas jurisdições (especialmente nos EUA), o contribuinte é, em última instância, responsável, mesmo que um profissional prepare a declaração.
- É possível processar ou recuperar multas/juros de um preparador negligente, mas isso é caro e incerto.
- Alguns veem isto como injusto dada a complexidade do código fiscal; defendem simplificação ou apresentação automática.
- Um projeto de lei nos EUA regularia preparadores pagos; muitos acham que não vai longe o suficiente.
Usar LLMs para Impostos: Promessa e Limites
- Utilizadores relatam LLMs:
- Detetando erros de câmbio, perdas imobiliárias aplicadas incorretamente, compensações perdidas e problemas estruturais nas declarações.
- Lidando com situações complexas transfronteiriças como ferramentas de pesquisa/verificação, mas sem calcular de forma fiável passivos exatos.
- Preparando folhas de cálculo, preenchendo formulários (até dezenas de páginas) e orientando utilizadores através de portais e procedimentos.
- Limitações:
- Matemática bruta e raciocínio numérico fracos; necessidade de calculadoras determinísticas ou chamadas a ferramentas.
- Fracos em questões de tratados em casos-limite e em alguns detalhes de retenção na fonte/deduções.
- Ainda não estão prontos para automatizar totalmente declarações complexas sem revisão humana.
Privacidade e Preocupações com Dados
- Forte desconforto em enviar dados financeiros completos para LLMs na cloud; receios de fugas, uso para treino, acesso governamental ou revenda.
- Outros argumentam que a poupança de tempo justifica o risco, especialmente para pequenas empresas afogadas em tarefas administrativas.
- Mitigações sugeridas: inferência local, fornecedores com zero retention, criar ferramentas locais que usem modelos apenas para geração de código ou verificação estrutural.
Benchmarks, Formalização e Ferramentas
- Alguns questionam o valor do benchmark sem scaffolding forte; argumentam que sistemas reais usariam harnesses e ferramentas específicas para impostos.
- Outros destacam projetos que formalizam formulários do IRS e árvores de decisão (usando Lean, YAML, etc.) e observam os artefactos do Direct File de código aberto do próprio IRS.
- Há concordância geral de que grande parte da preparação fiscal deveria ser um motor de regras determinístico, com IA a ajudar na interpretação e no tratamento de dados.