Создан самообучающийся налоговый агент Tax AI на базе Codex

Tax AI-новый самообучающийся налоговый агент, разработанный с использованием модели Codex, предназначен для автоматизации подготовки сложных налоговых деклараций и повышения точности обработки данных. Проект важен тем, что предлагает заменить длительный ручной цикл отладки инженеров механизмом, который переводит реальный продакшн‑фидбек в структурированные сигналы для автономных исправлений, сокращая время на ручную отладку и ускоряя рабочие процессы. Агент создан для работы с комплексными налоговыми документами и заявлен как инструмент, упрощающий подготовку деклараций за счёт автоматической обработки входных данных и повышения точности. В основе системы — Codex, что позволяет агенту опираться на возможности программного генерирования и анализа кода при парсинге, валидации и формировании выходных структур данных, необходимых для налоговой отчётности.

Разработку вели шесть месяцев в сотрудничестве инженеров OpenAI и Thrive Holdings вместе с сетью Crete, объединяющей более 30 бухгалтерских фирм. На протяжении этого периода практики из сети Crete обрабатывали десятки тысяч деклараций и миллионы документов, что обеспечило масштабный продакшн‑фидбек для обучения и проверки поведения агента в реальных рабочих условиях. Ключевая особенность Tax AI-отказ от медленного ручного цикла инженеров при внесении исправлений по результатам эксплуатации. Вместо этого агент преобразует поступающие из продакшна замечания и результаты в структурированные сигналы, которые используются для автономных корректировок логики и правил обработки. Такой подход снижает необходимость в постоянной ручной отладке и позволяет быстрее адаптировать модель к особенностям входных данных и типичным ошибкам.

Практическая роль проекта заключается в том, чтобы облегчить работу бухгалтерских фирм и специалистов, работающих с большими объёмами налоговой документации, и повысить общую надёжность автоматизированных процедур подготовки деклараций. Использование продакшн‑данных в процессе обучения и самообучения даёт системе реальные примеры ошибок и исключений, что повышает качество обработанных выходных файлов и потенциально сокращает время, необходимое для ручной проверки и исправления.