¿Cómo empiezo a utilizar la IA en el ámbito fiscal? Un breve recorrido por la experimentación con IA a través de un ejemplo real

Permítanme empezar con una confesión: No soy ni un experto puramente técnico en fiscalidad ni un mago de la tecnología. Me sitúo en algún punto intermedio, lo que, en la práctica, significa que paso mucho tiempo pensando en lo que la tecnología puede hacer para ayudar a los profesionales de la fiscalidad.

Después de casi 15 años en el sector fiscal, y más de una década en funciones centradas en la tecnología, he disfrutado de las ventajas y he sentido las limitaciones de las herramientas de usuario final, de bajo código o sin código, mientras me encontraba en medio de datos erróneos y análisis complicados. La mayoría de las herramientas han aportado un valor real a lo largo del tiempo. El área de interés más reciente es la IA, en particular el uso de grandes modelos lingüísticos (LLM). Llevo un tiempo explorando esta área y estoy entusiasmado.

Estoy escribiendo esto deliberadamente como si estuviera explorando el uso de un LLM por primera vez junto a ti. A menudo encuentro que las nuevas tecnologías pasan por un periodo de control y, con el ritmo de cambio de la IA en este momento, todos estamos todavía descubriéndolo. Piense en esto como un primer paseo diseñado para ayudarle a romper esas barreras de conocimiento iniciales que hacen que la IA parezca intimidante o demasiado compleja. En este blog he intentado utilizar algunos ejemplos concretos que ponen de relieve la capacidad de la IA para hacer frente a las "zonas grises" de la fiscalidad.

Nota: Este blog no sigue una metodología científica, y no estoy afirmando que lo que descubramos vaya a funcionar en tu organización, ni te estoy ofreciendo demasiado en cuanto a escalabilidad. Este blog sólo tiene fines ilustrativos y no constituye asesoramiento fiscal. Valide siempre los resultados con una revisión humana adecuada.

Empezar por lo sencillo: Una sola pregunta

La mayoría de nosotros formulamos una pregunta sencilla, normalmente única, del tipo "Ayúdame a elaborar una receta con pollo, arroz y verduras". Esto es lo que se conoce como "one-shot" cuando se utilizan herramientas como ChatGPT. Funciona bien para muchas tareas y puede ser realmente útil.

Pero, ¿cómo funciona este enfoque básico con un reto de categorización fiscal? Empecemos con una sola transacción y veamos qué ocurre. Aquí está mi primer intento con una solicitud directa para proporcionar el tratamiento fiscal de un gasto de un empleado en el Reino Unido. Utilizaré este ejemplo en todo momento por coherencia, pero podría ser fácilmente un análisis del impuesto de sociedades del libro mayor legal y profesional, o el análisis del IVA de una factura de compra.

¿Por qué he elegido esta operación? Porque siempre ha sido una de las que las reglas clásicas -incluso las de análisis de palabras clave- han encontrado difícil porque contiene características contradictorias ("equipo" y "cliente") que necesitan interpretación.

Mi pregunta:

No estoy seguro de si esta transacción debe incluirse en la declaración de PSA del Reino Unido. Por favor, analícenla y denme una respuesta:

Proveedor: Gourmet Burger Kitchen

Importe: £175.00

Descripción: Comida de equipo después de la demostración a un cliente

Categoría: Comidas

Localización: Londres

Respuesta de AI:

Esta comida de equipo de 175 libras en Gourmet Burger Kitchen, celebrada después de una demostración de un cliente, puede incluirse en la declaración del IRPF del Reino Unido si cumple los criterios del HMRC: el gasto debe ser irregular, no contractual, no formar parte del salario de los empleados y no reembolsarse como gasto empresarial. Como la comida era para el personal (no un entretenimiento para el cliente) y parece ser un evento de celebración único, puede considerarse un beneficio menor y no rutinario para el personal. Siempre que no se haya procesado a través de la nómina ni se haya gravado previamente, es apropiado para su inclusión en el APS.

No está mal. Quizá un poco prolijo. Tal vez se hayan omitido algunas posibles exenciones. ¿Cómo mejorarlo?

¿Cómo podría una IA leer la información fiscal y responder?

Antes de adentrarnos en las técnicas de ingeniería, merece la pena entender un poco cómo procesan realmente nuestras solicitudes estas herramientas de IA. Esta será una visión general básica para ayudarle a entender por qué algunos enfoques funcionan mejor que otros.

En términos muy sencillos, cuando le das a un sistema de IA tu petición (tu "prompt"), éste descompone tu texto en componentes clave llamados "tokens". En la mayoría de los casos, aunque no siempre, se trata de un token por palabra. Asigna a cada palabra un número de su base de conocimientos. A continuación, intenta asignar estos tokens a los patrones que ha aprendido durante el entrenamiento para entender la pregunta y predecir la mejor respuesta posible. ¿Qué significa esto en la práctica?

Para nuestro análisis fiscal, esto significa que la IA busca patrones como "restaurante" + "empleado" + "celebración" = "posible entretenimiento del personal" u "hotel" + "curso de formación" = "gasto empresarial permitido" para proporcionar lo que cree que es la respuesta más correcta. A menudo oirá la frase "no es inteligente, sólo adivina el siguiente carácter", que es una crítica simplista de cómo la IA utiliza los patrones, pero no del todo incorrecta.

¿Por qué es bueno entender esto? Porque así puedes escribir tus peticiones de forma que maximices las posibilidades de captar los patrones correctos.

Hacer que sus peticiones sean más eficaces

El proceso de mejora y perfeccionamiento de las solicitudes se denomina "ingeniería de solicitudes" y es la forma más sencilla de mejorar considerablemente los resultados. Existen muchas prácticas recomendadas sobre cómo diseñar las instrucciones. de OpenAI y guía de OpenAI aquí. A menudo, estas son cosas que usted puede copiar y pegar en cada aviso para mayor facilidad.

Para este blog, me centraré en un par:

Personas: Decirle a una IA que "piense como un profesional de los impuestos".

Esto no significa que tu IA se comporte a veces como una "resaca" un viernes por la mañana; eso sigue siendo cosa de los graduados de primer año (creo... Hace tiempo que me gradué en primer año). Utilizar un "personaje" significa hacer que la IA cambie su forma de abordar una tarea en función de cómo le pidas que se comporte. Esto puede influir en la respuesta que obtengas.

Siguiendo con nuestro ejemplo, puedes pedirle a tu IA que adopte el siguiente "personaje": "Usted es un asesor fiscal con experiencia que revisa gastos para el análisis PSA. Maximice el uso de supuestos que conduzcan a resultados no imponibles":

Resultado:

"Suponiendo que la comida fuera una reunión de equipo única e informal que no formara parte de ninguna obligación contractual o acuerdo de sacrificio salarial, y que no asistiera ningún cliente, este gasto probablemente se califique como beneficio trivial o bienestar del personal. Si no se reembolsa a través de la nómina y no forma parte de un plan de recompensa rutinario, no está sujeto a impuestos y no es necesario incluirlo en la declaración de PSA".

¿Qué tal un personaje más prudente? Usted es un inspector experimentado de HMRC que revisa los gastos para el análisis PSA utilizando la guía de HMRC".

Resultado:

Basándose en la orientación de HMRC, esta comida de equipo de £175 después de una demostración de un cliente es probablemente un beneficio imponible. Dado que no formaba parte de las tareas de la empresa, sólo afectaba al personal y supera el umbral de beneficio trivial, debe incluirse en la declaración de PSA, siempre que sea irregular, no contractual y no se procese a través de la nómina. Si es regular o una recompensa, puede que no cumpla los requisitos.

Como puede ver, la diferencia es significativa. Esto sugiere que podemos ajustar el comportamiento de la IA para que coincida con el apetito de riesgo de una organización, al igual que hacemos con los revisores humanos. Otra posibilidad, y quizá la más interesante, es utilizar múltiples personas para analizar una única transacción e identificar los puntos en los que el análisis está abierto a la interpretación. De este modo, comprenderíamos en qué aspectos del análisis existe un mayor riesgo, que podría cuantificarse.

Alucinación: Evitar que la IA invente cosas

Una de las mayores preocupaciones de la IA es la "alucinación". Esto ocurre cuando produce información inventada con total confianza. En el ámbito fiscal, esto puede ser desastroso. Afortunadamente, existen técnicas para reducir este riesgo.

Hay algunas formas de hacerlo:

• Material de referencia: Puedes remitir a la IA a documentos de orientación o sitios web específicos para basar su análisis en la legislación fiscal real en lugar de en conocimientos generales, o construir la base de conocimientos proporcionando material de referencia. Esto ayuda a garantizar que la IA trabaja con los mismos materiales de referencia que usted utilizaría.

• Reglas estrictas: También se pueden utilizar reglas muy explícitas que reduzcan al mínimo la necesidad de la IA de contextualizar una transacción. Siguiendo con el ejemplo anterior, es posible que desee que la IA pregunte siempre por el número de empleados que asistieron antes de dar una respuesta. Esto también podría aplicarse a otras cuestiones fiscales, por ejemplo, aclarar siempre el lugar de "envío a" para los envíos internacionales. Incluso puede combinar sus reglas / códigos clásicos en la pregunta, si dispone de ellos.

• Piense despacio: Los análisis muestran que los LLM pueden pensar mejor cuando se les pide que vayan más despacio.

• Simplifique: En lugar de pedir a tu LLM que te dé la respuesta final sobre impuestos, dale una tarea más pequeña como resumir, contextualizar o agrupar la transacción. Esto te permitirá dejar el análisis fiscal en manos de otras personas, conjuntos de reglas o programas informáticos.

• Formato: Puede aclarar el formato de salida que desea obtener. También puede aclarar el formato de las entradas, lo que reduce el riesgo de malas interpretaciones y/o de que se haga referencia a información incorrecta.

• Requisitos de razonamiento: En lugar de limitarse a pedir una respuesta, puede pedir a la IA que demuestre su funcionamiento. Esto es aún más útil si se tienen en cuenta las pistas de auditoría, etc. Cómo podría verse esto en la práctica:
  

Analice este gasto a efectos de APS y proporcione:

1. Resuma su comprensión del gasto

2. Su recomendación (Imponible/No Imponible/Incierto)

3. Su razonamiento basado en la legislación fiscal británica

4. Qué información adicional ayudaría a confirmar su análisis

5. Su nivel de confianza (Alto/Medio/Bajo)

Aprendizaje con ejemplos: Enseñar con ejemplos

La pregunta básica de una sola vez puede mejorar el análisis utilizando algunas de las técnicas anteriores. Otra forma es el aprendizaje con "pocos ejemplos", que consiste en dar a la IA unos "pocos" ejemplos de buenos análisis para guiar sus respuestas futuras.

Si te enfrentas hoy a una tarea de gran volumen de datos, puedes empezar a añadir lotes etiquetados de buenos (y malos) resultados a tu pregunta cuando tengas un análisis con el que estés satisfecho.

Esto también podría ser útil si, por ejemplo, tiene posiciones fiscales específicas o si tiene una biblioteca de escenarios que desea que un modelo de IA aproveche.

Conclusión

Actualmente existe una enorme cantidad de información en torno a la IA y puede complicarse con bastante rapidez. Espero que esto haya sido útil para aquellos que aún no han estudiado la IA o que querían hacerlo pero no sabían por dónde empezar. Animo a quienes no hayan experimentado con la IA a que lo hagan (con seguridad) para ver qué puede hacer para ayudarles en su día a día.

Si estuviera sentado a tu lado explorando esto por primera vez, probablemente este sería el momento de tomar un café y empezar a pensar en qué otras cosas podría ayudar la IA.

Hay una serie de áreas en las que seguir explorando cómo la IA podría integrar y apoyar sus flujos de trabajo y procesos fiscales, incluidos los agentes, las API y los GPT. Algo para un blog posterior...