Wie beginne ich mit dem Einsatz von KI im Steuerwesen? Eine kurze Reise durch KI-Experimente anhand eines realen Beispiels

Lassen Sie mich mit einem Geständnis beginnen: Ich bin weder ein reiner Steuerfachmann noch ein Technologieexperte. Ich bin irgendwo dazwischen angesiedelt, was in der Praxis bedeutet, dass ich viel Zeit damit verbringe, darüber nachzudenken, wie die Technologie den Steuerfachleuten helfen kann.

Nach fast 15 Jahren im Steuerwesen und mehr als einem Jahrzehnt in technologieorientierten Positionen habe ich die Vorteile genossen und die Grenzen von Endbenutzer-Tools mit geringem/keinem Code gespürt, während ich mich mit schlechten Daten und komplizierten Analysen herumgeschlagen habe. Die meisten Tools haben in dieser Zeit einen echten Nutzen gebracht. Der neueste Schwerpunkt ist KI - insbesondere die Verwendung von Large Language Models (LLMs). Ich beschäftige mich schon seit einiger Zeit mit diesem Bereich und bin begeistert!

Ich schreibe dies absichtlich so, als ob ich mit Ihnen zusammen zum ersten Mal die Verwendung eines LLM erkunden würde. Ich stelle oft fest, dass neue Technologien eine Phase des Gatekeepings durchlaufen, und bei der Geschwindigkeit, mit der sich KI derzeit verändert, sind wir alle noch dabei, das herauszufinden. Betrachten Sie dies als einen ersten Rundgang, der Ihnen helfen soll, die anfänglichen Wissensbarrieren zu überwinden, die KI als einschüchternd oder zu komplex erscheinen lassen. Ich habe versucht, in diesem Blog einige konkrete Beispiele anzuführen, die die Fähigkeit der KI verdeutlichen, mit den "Grauzonen" des Steuerwesens umzugehen.

Hinweis: Dieser Blog folgt keiner wissenschaftlichen Methodik, und ich behaupte nicht, dass das, was wir herausgefunden haben, auch in Ihrem Unternehmen funktioniert, noch biete ich Ihnen zu viel Skalierbarkeit. Dieser Blog dient nur zur Veranschaulichung und stellt keine Steuerberatung dar. Überprüfen Sie die Ergebnisse immer durch eine angemessene menschliche Überprüfung.

Einfach anfangen: Einmaliges Prompting

Die meisten von uns stellen eine einfache, typischerweise einmalige Frage, wie z. B. "Helfen Sie mir, ein Rezept mit Huhn, Reis und Gemüse zu finden". Bei der Verwendung von Tools wie ChatGPT wird dies als "One-Shot"-Prompting bezeichnet. Das funktioniert für viele Aufgaben gut und kann wirklich hilfreich sein.

Aber wie funktioniert dieser grundlegende Ansatz bei einer Herausforderung der Steuerkategorisierung? Beginnen wir mit einer einzigen Transaktion und sehen wir, was passiert. Hier ist mein erster Versuch mit einer einfachen Aufforderung, die lohnsteuerliche Behandlung einer Ausgabe für einen Mitarbeiter im Vereinigten Königreich anzugeben. Aus Gründen der Konsistenz werde ich dieses Beispiel durchgängig verwenden, aber es könnte leicht eine Körperschaftssteueranalyse des Rechts- und Berufsbuchs oder die Mehrwertsteueranalyse einer Einkaufsrechnung sein.

Warum habe ich diese Transaktion gewählt? Weil es sich dabei um einen Vorgang handelt, mit dem sich die klassischen Regeln - auch die mit Schlüsselwortanalyse - immer schwer taten, weil er widersprüchliche Merkmale ("Team" und "Kunde") enthält, die interpretiert werden müssen.

Meine Aufforderung:

Ich bin mir nicht sicher, ob diese Transaktion in die britische PSA-Erklärung aufgenommen werden sollte. Bitte analysieren Sie sie und geben Sie mir eine Antwort:

Lieferant: Gourmet Burger Kitchen

Betrag: £175.00

Beschreibung: Teamessen nach Kundendemo

Kategorie: Mahlzeiten

Ort: London

AI-Antwort:

Dieses Teamessen bei Gourmet Burger Kitchen im Wert von £175, das nach einer Kundendemo stattfand, kann in die britische PSA-Steuererklärung aufgenommen werden, wenn es die HMRC-Kriterien erfüllt: Die Ausgabe muss unregelmäßig, nicht vertraglich vereinbart, nicht Teil des Gehalts der Mitarbeiter und nicht als Geschäftsausgabe erstattet sein. Da das Essen für die Mitarbeiter (und nicht für die Kunden) bestimmt war und es sich offenbar um eine einmalige feierliche Veranstaltung handelte, erfüllt es die Voraussetzungen für eine geringfügige, nicht routinemäßige Zuwendung an die Mitarbeiter. Sofern sie nicht über die Gehaltsabrechnung abgewickelt oder zuvor versteuert wurde, ist sie für die Aufnahme in die PSA geeignet.

Nicht schlecht! Vielleicht ein bisschen langatmig. Vielleicht wurden einige mögliche Ausnahmen übersehen. Wie können wir es besser machen?

Wie könnte eine KI Steuerinformationen lesen und darauf reagieren?

Bevor wir uns mit den technischen Verfahren befassen, sollten wir ein wenig darüber nachdenken, wie diese KI-Tools unsere Anfragen tatsächlich verarbeiten. Dies ist ein grundlegender Überblick, der Ihnen helfen soll zu verstehen, warum einige Ansätze besser funktionieren als andere.

Ganz einfach ausgedrückt: Wenn Sie einem KI-System Ihre Anfrage (Ihren "Prompt") übermitteln, zerlegt es Ihren Text in Schlüsselkomponenten, die "Token" genannt werden. Meist, aber nicht immer, ist dies ein Token pro Wort. Es ordnet jedes Token einer Zahl in seiner Wissensbasis zu. Anschließend versucht es, diese Token den Mustern zuzuordnen, die es beim Training gelernt hat, um die Aufforderung zu verstehen und die bestmögliche Antwort vorherzusagen. Was bedeutet das in der Praxis?

Für unsere Steueranalyse bedeutet dies, dass die KI nach Mustern wie "Restaurant" + "Mitarbeiter" + "Feier" = "potenzielle Mitarbeiterbewirtung" oder "Hotel" + "Fortbildungskurs" = "zulässige Betriebsausgabe" sucht, um die ihrer Meinung nach korrekteste Antwort zu geben. Oft hört man den Satz: "Sie ist nicht intelligent, sie rät nur das nächste Zeichen", was eine vereinfachende Kritik an der Verwendung von Mustern durch KI ist, aber nicht ganz falsch.

Warum ist es gut, dies zu verstehen? Weil Sie dann Ihre Aufforderungen so formulieren können, dass die Chancen, die richtigen Muster zu erkennen, maximiert werden.

Effektivere Anfragen

Der Prozess der Verbesserung und Verfeinerung Ihrer Prompts wird "Prompt-Engineering" genannt und ist der einfachste Weg, um Ihre Ergebnisse zu verbessern. Es gibt viele verschiedene Best Practices für die Entwicklung Ihrer Prompts - OpenAIs Zusammenfassung und Leitfaden ist hier. Oft sind dies Dinge, die Sie kopieren und in jeden Prompt einfügen können, um ihn zu vereinfachen.

In diesem Blog werde ich mich auf ein paar konzentrieren:

Personas: Einer KI sagen, sie solle "wie ein Steuerprofi denken

Das bedeutet nicht, dass Ihre KI am Freitagmorgen manchmal "verkatert" sein wird - das ist immer noch den Absolventen des ersten Jahres vorbehalten (ich glaube, das ist schon eine Weile her). Die Verwendung einer "Persona" bedeutet hier, die KI dazu zu bringen, ihre Herangehensweise an eine Aufgabe zu ändern, je nachdem, wie Sie sie bitten, sich zu verhalten. Das kann sich auf die Antwort auswirken, die Sie erhalten.

Um bei unserem Beispiel zu bleiben, könnten Sie Ihre KI bitten, die folgende "Persona" anzunehmen: Sie sind ein erfahrener Steuerberater, der Ausgaben für die PSA-Analyse überprüft. Maximieren Sie die Verwendung von Annahmen, die zu nicht steuerpflichtigen Ergebnissen führen":

Ergebnis:

"Unter der Annahme, dass es sich bei dem Essen um eine einmalige, informelle Teamzusammenkunft handelte, die nicht Teil einer vertraglichen Verpflichtung oder einer Gehaltsverzichtsvereinbarung war und an der keine Kunden teilnahmen, kann diese Ausgabe wahrscheinlich als geringfügige Leistung oder als Wohlfahrtsmaßnahme für das Personal eingestuft werden. Wenn sie nicht über die Gehaltsabrechnung erstattet werden und nicht Teil eines routinemäßigen Belohnungssystems sind, sind sie nicht steuerpflichtig und müssen nicht in der PSA-Erklärung angegeben werden."

Wie wäre es mit einer vorsichtigeren Persona? Sie sind ein erfahrener HMRC-Inspektor, der die Ausgaben für die PSA-Analyse anhand der HMRC-Anleitung überprüft.

Ergebnis:

Auf der Grundlage der HMRC-Anleitung ist dieses Teamessen im Wert von £175 im Anschluss an eine Kundendemo wahrscheinlich ein steuerpflichtiger Vorteil. Da es nicht zu den geschäftlichen Pflichten gehörte, nur Mitarbeiter involvierte und die Bagatellgrenze überschreitet, sollte es in die PSA-Erklärung aufgenommen werden - vorausgesetzt, es ist unregelmäßig, nicht vertraglich vereinbart und wird nicht über die Gehaltsabrechnung abgewickelt. Wenn es sich um eine regelmäßige Leistung oder eine Belohnung handelt, ist sie möglicherweise nicht zu berücksichtigen.

Wie Sie sehen können, ist der Unterschied erheblich. Dies deutet darauf hin, dass wir das Verhalten der künstlichen Intelligenz auf die Risikobereitschaft eines Unternehmens abstimmen können, genau wie wir es mit menschlichen Prüfern tun. Alternativ, und das ist vielleicht noch interessanter, könnten wir mehrere Personas für die Analyse einer einzigen Transaktion verwenden, um festzustellen, wo die Analyse interpretationsbedürftig ist. Auf diese Weise würden wir verstehen, wo die Analyse ein höheres Risiko birgt, das dann quantifiziert werden kann.

Halluzinationen: Verhindern, dass KI etwas erfindet

Eines der größten Probleme im Zusammenhang mit KI ist die "Halluzination". Dies ist der Fall, wenn die KI mit voller Überzeugung gefälschte Informationen produziert. Im Steuerwesen könnte dies katastrophale Folgen haben. Zum Glück gibt es Techniken, um dieses Risiko zu verringern.

Es gibt einige Möglichkeiten, wie Sie dies tun können:

• Referenzmaterial: Sie können die KI auf bestimmte Leitfäden oder Websites verweisen, um ihre Analyse auf das tatsächliche Steuerrecht statt auf allgemeines Wissen zu stützen, oder Sie können die Wissensbasis durch die Bereitstellung von Referenzmaterial erweitern. Auf diese Weise stellen Sie sicher, dass die KI mit denselben Referenzmaterialien arbeitet, die auch Sie verwenden würden.

• Harte Regeln: Sie könnten auch sehr explizite Regeln verwenden, die den Umfang, den die KI zur Kontextualisierung einer Transaktion benötigt, minimieren. In Anlehnung an das obige Beispiel könnte die KI immer nach der Anzahl der anwesenden Mitarbeiter fragen, bevor sie eine Antwort gibt. Dies könnte auch für andere Steuerfragen gelten, z. B. für die Klärung des Bestimmungsortes bei internationalen Sendungen. Sie können sogar Ihre klassischen Regeln / Ihren Code in die Eingabeaufforderung einbauen, wenn Sie diese haben.

• Denken Sie langsam: Untersuchungen zeigen, dass LLMs besser denken können, wenn sie aufgefordert werden, langsamer zu denken.

• Vereinfachen Sie: Anstatt Ihren LLM zu bitten, Ihnen die endgültige steuerliche Antwort zu geben, geben Sie ihm eine kleinere Aufgabe, wie z.B. die Zusammenfassung, Kontextualisierung oder Gruppierung der Transaktion. So können Sie die Steueranalyse anderen Personen, Regelwerken oder Software überlassen.

• Format: Sie können festlegen, welches Ausgabeformat Sie erreichen wollen. Sie können auch das Format der Eingaben klären, was das Risiko von Fehlinterpretationen und/oder der Bezugnahme auf die falschen Informationen verringert.

• Begründungsanforderungen: Anstatt nur nach einer Antwort zu fragen, können Sie die KI auffordern, ihre Arbeit zu zeigen. Dies ist noch hilfreicher, wenn es um Prüfpfade usw. geht. Wie könnte das in der Praxis aussehen?
  

Analysieren Sie diese Ausgabe für PSA-Zwecke und stellen Sie sie bereit:

1. Fassen Sie Ihr Verständnis der Ausgabe zusammen

2. Ihre Empfehlung (steuerpflichtig/nicht steuerpflichtig/ungewiss)

3. Ihre Argumentation auf der Grundlage des britischen Steuerrechts

4. Welche zusätzlichen Informationen würden Ihre Analyse untermauern?

5. Ihr Vertrauensniveau (Hoch/Mittel/Niedrig)

Lernen mit wenigen Schritten: Lehren mit Beispielen

Die grundlegende One-Shot-Aufforderung kann mit einigen der oben genannten Techniken zu einer besseren Analyse führen. Eine andere Möglichkeit ist das so genannte "few-shot"-Lernen, bei dem der KI "einige" Beispiele für gute Analysen gegeben werden, an denen sie ihre zukünftigen Antworten ausrichten kann.

Wenn Sie heute mit einer großen Datenaufgabe konfrontiert sind, könnten Sie damit beginnen, Ihrer Eingabeaufforderung gelabelte Stapel von guten (und schlechten) Ergebnissen hinzuzufügen, sobald Sie eine Analyse haben, mit der Sie zufrieden sind.

Dies könnte auch hilfreich sein, wenn Sie beispielsweise bestimmte Steuerpositionen haben oder wenn Sie eine Bibliothek von Szenarien haben, die ein KI-Modell nutzen soll.

Schlussfolgerung

Derzeit gibt es eine enorme Menge an Informationen über KI, und es kann schnell kompliziert werden. Für diejenigen unter Ihnen, die sich noch nicht mit künstlicher Intelligenz befasst haben oder dies tun wollten, aber nicht wussten, wo sie anfangen sollten, hoffe ich, dass dieser Artikel nützlich war. Diejenigen, die noch nicht mit KI experimentiert haben, möchte ich ermutigen, dies (gefahrlos) zu tun, um herauszufinden, wie sie Ihnen bei Ihrer täglichen Arbeit helfen kann.

Wenn ich neben Ihnen säße und Sie dies zum ersten Mal ausprobieren würden, wäre dies wahrscheinlich der Punkt, an dem wir einen Kaffee trinken und darüber nachdenken würden, bei welchen anderen Dingen KI helfen könnte.

Es gibt eine Reihe von Bereichen, in denen wir weiter erforschen sollten, wie KI Ihre Steuer-Workflows und -Prozesse integrieren und unterstützen könnte - einschließlich Agenten, APIs und GPTs. Etwas für einen späteren Blog...