OpenAI 做报税 AI：真正值钱的不是会填表，而是会被纠错

OpenAI 这次用了一个很容易被误读的词：self-improving。

听起来像模型自己学习、自己改代码、自己上线。实际不是。它更像一条被栅栏圈住的生产线：会计师纠错，系统记录，评测集更新，Codex 在限定范围里改工程，最后仍然由人审核。

这件事最值得看的一点，是 OpenAI 把 agent 从“会聊天的模型”拉回了“会被纠错的系统”。在税务这种高责任场景里，能不能犯错后留下证据，比一次答对更重要。

Tax AI 做了什么，影响谁

这套 Tax AI 面向会计师，不是面向普通纳税人的一键报税工具。

试点覆盖 Crete 参与公司的 7000 份税表，主要处理 1040、1041 等报税准备流程。会计师上传客户资料和备注，系统生成可供审核的 tax engine submission。

官方给出的数字可以这样看：

早期任务偏简单，主要处理 W-2、1099 这类材料。后来进入 K-1、租赁房产 Schedule E、跨文件字段核对。越往后，任务越接近会计师真正耗时间的地方。

受影响最直接的是两类人。

会计师事务所会先把它当“准备环节的加速器”，不是当“无人报税员”。忙季里，少花三分之一准备时间，意味着同样人手能处理更多初稿。但责任没有消失。审核、判断、签字，仍在专业人员身上。

AI 产品和工程团队也该看清楚：这里的价值不在一个更长的 prompt。价值在流程里。没有业务系统接入，没有专家反馈，没有评测目标，agent 只是在空地上跑步。

自改进不是放飞，是把错误变成工程任务

Schedule E 的租赁房产案例最能说明问题。

租赁收入看起来只是填字段。实际材料可能来自手写说明、邮件、表格、去年的报税文件。系统可能漏掉 fair rental days，也可能把多套房产混在一起，还可能把“其他费用”映射错。

过去，会计师改完就结束。错误沉进流程里，下次可能还错。

现在，系统会保留三类东西：Tax AI 原本填了什么，会计师改了什么，最终申报用了什么。差异不再只是“人改过”，而是变成可分析的失败信号。

这里的“自改进”很克制。

Codex 处理的是被归类、可评测、有边界的工程任务。它不是在生产系统里自由改规则，也不是绕过会计师上线结果。最终仍有人类工程师和会计师审核。

这点很关键。税务不是写营销文案，错了不能只说“再生成一次”。谁承担责任，证据链在哪里，规则变更有没有回归测试，这些才是落地门槛。

“工欲善其事，必先利其器。”这里的器，不是单个大模型。是能记录错误、能判断错误、能把错误转成工程改动的一整套环境。

真正的门槛：现场、专家和可验证环境

我更在意的是这件事背后的分水岭。

很多垂直 agent 做不起来，不是模型完全不够用。问题更具体：它没有现场。没有专家密集参与，没有真实生产轨迹，没有结构化反馈，也没有能反复跑的评测。

于是产品看起来很聪明，一进业务就发软。因为它只会回答，不会被制度化地纠错。

Crete 有 30 多家会计师事务所网络。Thrive 又是 owner-operator 结构。工程团队能贴近一线从业者、生产数据和产品流程。这个条件很硬，不是接一个 API 就能复制。

对会计师事务所来说，接下来更现实的动作不是立刻“全面 AI 化”，而是挑准备环节试点：先看哪些表单、哪些字段、哪些客户材料能稳定进入闭环。采购会更谨慎。因为节省时间是一回事，责任归属、合规边界、审计留痕，是另一回事。

对 AI 团队来说，路线也很清楚：少卖“全自动”，多建可验证流程。先把失败记录细，再把评测做实，最后才谈规模化。没有这些，agent 只是一个包装得更像产品的聊天框。

这件事还有几个观察点，不能跳过：

这里可以拿早期工厂自动化做个短对照。不完全一样，但结构相似：机器提高产能，真正改变行业的不是第一台机器，而是围绕机器建立的工序、质检和责任分工。

Tax AI 也是这个逻辑。模型是刀。现场数据、专家判断、评测环境，才是磨刀石。

OpenAI 这次少见地把路线讲得比较实。self-improving 不是让模型开窍。是把自动化关进笼子里，让它在可测、可审、可回滚的范围内越跑越快。

报税只是场景。真正的信号是：下一代垂直 agent 的壁垒，可能不在谁的模型参数更漂亮，而在谁能拿到高质量现场，并把现场变成复利。