50套真实税务卷宗考倒最强AI代理 十个里过不了一个 差的那步是什么

现在的AI代理能自己写代码、订机票、整理数据表，看起来什么活都能接。一家叫Surge AI的公司给这些代理出了套真实考题，把税务师日常工作里会碰到的50套卷宗原样搬进考场，让代理从客户请求一路做到成品交付。结果最强的模型通过率只有10.8%，十个任务里过不了一个。这家公司本身就在给大模型公司做训练数据和评测，之前已经用同样的方法考过医疗和金融，这次这份税务卷子的得分，比前两份更低。

卷宗摊开来看就知道为什么难。50个任务覆盖个人税、小企业税、合伙企业、房产投资、遗产信托、国际税务、公司交易、税务争议八个领域，总共塞了1789个文件，平均每个任务30份，最多的一个塞了123份，包括1487份PDF、117张Excel表、38份Word文档，还有合伙企业收入明细（注，K-1表，美国合伙企业发给投资人的年度收入报表）、雇主工资单（注，W-2表）、国税局通知函、总账、工资记录和往来邮件。有的任务里只有一张手写进货收据的照片，代理要自己读出条目和金额，跟支出记录对上，再算清楚这笔钱怎么进存货成本。出题和审题的是一组资深税务专家，背景包括四大会计师事务所和能源巨头十年的税务律师、事务所税务总监，每道题过三层人工审查。

卖公寓的案例最能说明差距。房主安娜2024年8月搬出去，问代理2026年10月和2027年1月哪天过户更划算。代理算得很对，两个日期都满足自住满两年的免税条件，卖房增值里最多25万美元不用交税。可它没提一条截止线，按规则房主需要在出售前五年里住满两年，安娜2024年8月搬走，到2027年8月底这条资格就过期了，真拖到那时候卖，免税额就没了。有一个模型五次尝试全都没发现这条线，另一个叫Opus的模型五次全发现了。客户问的是日期，专业顾问该看见的是那个没人问的期限。

离婚分账户的考题更扎心。一对分居的夫妻问代理怎么分割退休账户，其中一个是雇主提供的养老金计划（注，401k，美国雇主的免税养老储蓄账户）。一个顶级模型的回答开头就是一句，你们没有合法婚姻，两个账户谁也不能分给谁，只能各留各的再拿现金补差价。麻烦在于夫妻自己的档案里写着，他们虽然住在不承认事实婚姻的佛罗里达，但之前在承认非正式婚姻的德克萨斯同居过，还在科罗拉多办过仪式，外州成立的婚姻在佛州依然有效，这个区别会直接改变分割的税务后果。那个模型五次尝试全部按未婚给了方案，另一个模型五次里四次提出要先确认两人的婚姻状态，证据就躺在文件里，它只是没有去翻。

测评方自己的总结只有一句，代理们还没通过审计。现有的税务基准测的是模型能不能答对难题、算准税表，这套考卷测的是另一件事，客户给的材料是乱的、指令是缺的、真正要紧的问题客户自己都没想到，代理能不能把该干的活从头接管下来。算力和知识年年涨，发现问题的那一步几乎没动。往小处说这是模型能力的边界，往大处说这就是专业服务真正的收费点，客户买的从来不是计算，是那些没人提醒就会踩进去的坑。把AI往专业流程里装的团队，与其再比谁答得准，不如先补上让代理主动翻档案、主动挑毛病的那一层，这一层现在还是空的。

创业找资源，上乌鸦部落。