התוכי הסטוכסטי מול הקוד הסטטוטורי: ניתוח מקיף של שגיאת הקונצנזוס בציות מס בבינה מלאכותית והתרופה הנוירו-סימבולית

הוכן עבור: ועדת המימון והסיכונים הארגונית

מוגש על ידי: Veriprajna AI Research

תאריך: דצמבר 2025

תקציר מנהלים

השילוב המהיר של מודלי שפה גדולים (LLMs) בזרימות עבודה פיננסיות ארגוניות חולל משבר של ודאות אפיסטמית, במיוחד בתחומים הדטרמיניסטיים בקפדנות של דיני מס, ביקורת פיננסית וציות רגולטורי. אף שבינה מלאכותית יוצרת מדגימה יכולות חסרות תקדים בעיבוד שפה טבעית ובסינתזה סמנטית, היא נותרת כבולה מיסודה לארכיטקטורה הסתברותית שתוכננה לחזות את האסימון הבא, לא לאמת אמת סטטוטורית. בסביבות בסיכון גבוה שבהן סטייה אחת מקוד ההכנסות הפנימי (IRC) עלולה לגרום לחבות פיננסית משמעותית ולנזק מוניטין, הפלט ה"נכון ברובו" של מודלי LLM סטנדרטיים אינו מספיק.

נייר עמדה זה מתאר מצב כשל קריטי של פריסות בינה מלאכותית נוכחיות המזוהה כ "שגיאת קונצנזוס" —תופעה שבה מודלי בינה מלאכותית מזים ייעוץ משפטי שגוי על ידי מתן עדיפות לתדירות הסטטיסטית של מידע שנמצא בנתוני אימון (למשל בלוגים, פורומים, ומאמרים לא-סמכותיים) על פני הקשיחות הלוגית של החוק הסטטוטורי. אנו מציגים ניתוח מקיף של אנומליה עדכנית בדיני המס בנוגע לניכוי ריבית הלוואת רכב אישית תחת חוק התקציב המאוחד (OBBBA), המדגים כיצד מודלי LLM מרכזיים נכשלו באופן אחיד בהבחנה בין "הכנסה ברוטו מותאמת" (AGI) לבין "הכנסה חייבת במס" בשל הסתמכות על קונצנזוס פופולרי במקום על לוגיקה משפטית.

Veriprajna טוענת שהפתרון לשבריריות ארכיטקטונית זו אינו "הנדסת פרומפטים טובה יותר" או חלונות הקשר גדולים יותר, אלא שינוי פרדיגמה יסודי לעבר בינה מלאכותית נוירו-סימבולית . על ידי הכלאת הנזילות הסמנטית של רשתות עצביות עם הקפדנות הדטרמיניסטית של פותרי לוגיקה סימבולית (תוך שימוש בשפות ייעודיות כגון Catala ו-PROLEG) וגרפי ידע, אנו מציגים מודל תפעולי חדש: מנוע המס הדטרמיניסטי . ארכיטקטורה זו מבטיחה שיועצי בינה מלאכותית אינם רק "קוראים" את האינטרנט, אלא "מחשבים" את החוק, ומספקים ייעוץ ניתן-לביקורת ונתמך-לוגיקה ש מנהיגי מימון ארגוני יכולים לבטוח בו.

חלק I: המשבר האפיסטמולוגי של מודלים הסתברותיים בתחומים דטרמיניסטיים

1.1 החיכוך היסודי: סטוכסטיות מול חוק

העימות המרכזי בפריסת בינה מלאכותית יוצרת לציות מס טמון בטבעים האונטולוגיים המנוגדים של הכלי ושל המשימה. מודלי שפה גדולים (LLMs) הם, בליבתם, מנועים סטוכסטיים. ¹ הם פועלים על עקרונות של מתאם סטטיסטי, מיפוי וקטורים רב-ממדי, ומקסום הסתברות. הם מאומנים על קורפוסים עצומים של טקסט כדי למזער "פרפלקסיות"—למעשה ניחוש ההמשך הסביר ביותר של משפט על סמך דפוסים שנצפו באימון. ה"ידע" שלהם אינו מסד נתונים מובנה של עובדות אלא ייצוג מבוזר של משקלים סמנטיים.

לעומת זאת, דיני המס, כפי שמיוצגים בקוד ההכנסות הפנימי (IRC), פועלים על לוגיקה בוליאנית, תלויות היררכיות ותוצאות דטרמיניסטיות. ³ החוק קשיח אלגוריתמית:

●​ IF מתקיים תנאי A AND מתקיים תנאי B AND NOT חל חריג C, THEN מותר ניכוי D.

אין "סובלנות להזיה" בביקורת IRS. ניכוי הוא או מותר לפי סעיף 163(h) או שאינו מותר. האופי ההסתברותי של LLM, שעשוי לייחס 95% הסתברות לתשובה המשפטית הנכונה ו-5% הסתברות להזיה שנשמעת סבירה, יוצר פרופיל סיכון בלתי מקובל למימון ארגוני. ⁵

1.2 הגדרת "שגיאת קונצנזוס" במודלי שפה גדולים

המחקר שלנו מזהה את "שגיאת הקונצנזוס" כווקטור הכשל העיקרי של מודלי LLM ב תחומים מתמחים. תופעה זו מתרחשת כאשר LLM מיישר את הפלט שלו עם דעת הרוב שנמצאת בנתוני האימון שלו ולא עם האמת העובדתית או המשפטית, במיוחד כאשר דעת הרוב שגויה באופן ניתן-להוכחה אך מופצת בהרחבה. ¹

בניגוד ל"הזיות פנימיות", שבהן מודל ממציא עובדות בשל חוסר בנתונים, שגיאת קונצנזוס היא "אשליה משותפת" המחוזקת על ידי נפח הנתונים השגויים ברשת הפתוחה. כאשר שואלים LLM שאלה מורכבת במס, הוא אינו "מסיק" כמו משפטן; הוא שואל את מרחב הפרמטרים הפנימי שלו לרצף המילים הסביר ביותר. אם אלפי בלוגים פיננסיים, שרשורי Reddit ומאמרים מותאמי-SEO קובעים ש"ריבית על הלוואות רכב היא כעת ניתנת לניכוי," ה-LLM לומד שיוך זה בעוצמה. גם אם החוק בפועל מגביל ניכוי זה לסף הכנסה ספציפיים או מסווג אותו אחרת מהבלוגים, ה משקל ה"קונצנזוס" נוטה לגבור על המציאות ה"משפטית". ³

1.2.1 המתמטיקה של קונצנזוס כוזב

כדי להבין מדוע מודלי LLM נכשלים בהתמדה כה רבה בשאלות משפטיות ספציפיות, עלינו לבחון את ההסתברות המתמטית של התפשטות שגיאה במערכת אנסמבל או מבוססת-קונצנזוס, המחקה את התפלגות האימון של LLM.

נגדיר את "שגיאת הקונצנזוס" באופן פורמלי. אם LLM הוא מנבא $P$, הוא חוזה את ה אסימון $t$ על סמך הקשר $C$ ומשקלים $W$ הנגזרים מנתוני אימון $D$:

$$P(t | C, W) \propto \sum_{d \in D} Relevance(d, C) \times Frequency(t, d)$$ במקרה של ניכוי הלוואת הרכב ב-OBBBA (נידון בחלק II):

●​ $D_{statute}$ (החוק): מכיל את נוסח החוק. תדירות נמוכה בקורפוס האימון (מופיע פעם או פעמיים במאגרים רשמיים). תחביר מורכב וארכאי.

●​ $D_{blogs}$ (הפרשנות): מכילה אלפי פוסטים בבלוגים. תדירות גבוהה.

תחביר פשוט ונגיש. מקשרת בטעות "ניכוי" ל-"AGI" או ל"הטבה אוניברסלית."

מכיוון שתדירות שיוך האסימון השגוי בבלוגוספירה ($D_{blogs}$) היא בסדרי גודל גבוהה יותר מתדירות השיוך הסטטוטורי הנכון ($D_{statute}$), משקלי המודל $W$ מתכנסים לאסימון ה"קונצנזוס" השגוי. גם אם יצירה מועשרת-שליפה (RAG) שולפת את החוק, ראשי הקשב הפנימיים של ה-Transformer עשויים לתת קשב חזק יותר למושגים הקשורים ל דפוסי התדירות הגבוהה המוטמעים בפרמטרים העמוקים של המודל. ¹

ניתן למדל את ההסתברות לשגיאת קונצנזוס במערכת הצבעת רוב פשוטה (בדומה ל"תערובת מומחים" או פשוט לקשב המשוקלל של המודל). אם $p$ היא ההסתברות שמקור "יחיד" שגוי (בנתוני האימון), והמודל מאגד $N$ מקורות:

$$P(Error_{consensus}) = \sum_{k=\lceil N/2 \rceil}^{N} \binom{N}{k} p^k (1-p)^{N-k}$$

אם הבלוגוספירה שגויה ב-90% ($p=0.9$) לגבי ניואנס מס ספציפי—דבר נפוץ בשינויי חקיקה טכניים—המודל נועד מתמטית להזות, ללא קשר לפרומפט.

1.3 עקרות הנדסת הפרומפטים ללוגיקה משפטית

טיעון-נגד נפוץ בקהילת הבינה המלאכותית גורס ש"הנדסת פרומפטים"— אמנות מבנה השאילתות להנחיית ה-LLM—יכולה ליישב אי-דיוקים אלה. התומכים טוענים שעל ידי הוראה מפורשת למודל "לחשוב צעד-אחר-צעד" (Chain of Thought), "לפעול כמבקר מס בכיר," או "להתעלם ממקורות לא-רשמיים," ניתן לתקן את הלוגיקה. ⁷

אולם, הביקורת שלנו מגלה שהנדסת פרומפטים פועלת אך ורק בגבולות המשקלים ההסתברותיים של המודל. היא אינה יכולה להזריק יכולות הסקה שאינן קיימות, וגם לא לעקוף באופן אמין הטיות אימון מושרשות עמוק. ⁷ כפי שמחקר עדכני על "הידרדרות קוונטיזציה" וכשלי הסקה מראה, מודלי LLM מתקשים באריתמטיקה רב-שלבית וביישום כללים קשיח—שתי דרישות שאינן ניתנות למשא ומתן בחישוב מס. ⁸

כאשר מודל עובר קוונטיזציה (דחיסה) לפריסה יעילה, יכולות ההסקה שלו מידרדרות באופן לא-פרופורציונלי בהשוואה ליכולות הלשוניות. משמעות הדבר שמודל עדיין עשוי להישמע רהוט ובטוח תוך ביצוע שגיאות יסודיות ברצף הלוגי של הפחתות הדרגתיות של ניכויי מס. ⁸ לא ניתן להנחות מנוע הסתברות להפוך לפותר לוגיקה יותר מאשר ניתן להנחות מחשבון לכתוב סונטה. הארכיטקטורה עצמה חייבת להשתנות.

חלק II: אנטומיה של הזיה: חקר מקרה הלוואת הרכב ב-OBBBA

כדי להמחיש את חומרת שגיאת הקונצנזוס בהקשר עולם-אמיתי, אנו מציגים ניתוח ממצה של כשל ספציפי ונרחב בייעוץ מס בבינה מלאכותית הקשור ל-חוק התקציב המאוחד (OBBBA) ולניכוי ריבית הלוואת רכב אישית. חקר מקרה זה משמש כ"כנרית במכרה הפחם" להסתמכות רחבה יותר על מודלי LLM בסביבות רגולטוריות.

2.1 המציאות הסטטוטורית: סעיף IRC 163(h) מול ה-OBBBA

לפי קוד ההכנסות הפנימי (IRC) סעיף 163(h) הקיים מראש, "ריבית אישית" אינה ניתנת לניכוי בדרך כלל ליחידים. ⁹ איסור זה כולל ריבית ששולמה על כרטיסי אשראי, הלוואות אישיות, ובהיסטוריה, כלי רכב אישיים.

ה-OBBBA הציג שינוי זמני לשנות המס 2025 עד 2028, ויצר קטגוריה חדשה: "ריבית הלוואת רכב נוסעים כשירה" (QPVLI) . ¹⁰ החקיקה מתירה ניכוי לריבית ששולמה על הלוואות המובטחות בשעבוד ראשון על רכב נוסעים חדש לשימוש אישי שורכב בארצות הברית. ¹¹

אולם, הניואנס הקריטי —הפרט שמפריד בין רואה חשבון מוסמך (CPA) כשיר לבין בינה מלאכותית מהזה—הוא היכן ניכוי זה חל בזרימת חישוב המס.

הניכוי נוסף ל-סעיף IRC 63 (הכנסה חייבת במס), לא ל-סעיף IRC 62 (הכנסה ברוטו מותאמת). ³

2.1.1 ההבחנה בין "מעל השורה" ל"מתחת לשורה"

●​ ניכויי סעיף 62 ("מעל השורה"): אלה מפחיתים את ההכנסה הברוטו המותאמת (AGI). הם בעלי ערך רב משום ש-AGI קובע זכאות להטבות מס רבות אחרות, מיסוי קצבאות הביטוח הלאומי, הרצפות לניכויי הוצאות רפואיות, וספים לתוכניות החזר הלוואות סטודנטים. ³

●​ ניכויי סעיף 63 ("מתחת לשורה"): אלה מפחיתים הכנסה חייבת במס. הם אינם מורידים את AGI. הם מופחתים לאחר ש-AGI מחושב.

2.2 מנגנון שגיאת הקונצנזוס

לאחר העברת ה-OBBBA, הבלוגוספירה הפיננסית התפרצה בכותרות מפושטות: "ריבית הלוואת רכב ניתנת כעת לניכוי!" ו"הטבת מס חדשה לקוני רכב!". ³ רבים מהמאמרים האלה, שנכתבו על ידי יוצרי תוכן כלליים או חוות תוכן מותאמות-SEO, נכשלו בהבחנה בין ניכוי מעל-השורה לניכוי מתחת-לשורה. הם ערבבו את ההוראה החדשה עם ניכויים "אוניברסליים" אחרים, ורמזו שהיא תוריד AGI עבור כולם.

כאשר מודלי LLM מרכזיים (ChatGPT, Claude, Gemini) בלעו שיטפון תוכן זה, הם למדו את השיוך:

שאילתת משתמש: "האם ריבית הלוואת רכב ניתנת לניכוי?" תגובת המודל: "כן, לפי ה-OBBBA, אפשר לנכות ריבית זו כדי להוריד את ה-AGI שלך."

תשובה זו שגויה משפטית . אף שהריבית ניתנת לניכוי, היא אינה מורידה AGI. היא מורידה הכנסה חייבת במס. ³

2.3 אדוות ההזיה

ההבחנה אינה אקדמית בלבד; יש לה השלכות פיננסיות עמוקות עבור הנישום וסיכוני ביקורת עבור הארגון המסתמך על הבינה המלאכותית.

תחום השפעה	בינה מלאכותית של "קונצנזוס" (שגוי)	תשובת החוק הסטטוטורי (נכון)	השלכה פיננסית של השגיאה
חישוב AGI	מוריד AGI	אינו מוריד AGI	הונאת מס / תשלום חסר של מס פדרלי
מסי מדינה	מוריד מס מדינה (במדינות מצומדות- AGI כמו AZ)	עשוי שלא להוריד מס מדינה	סיכון ביקורת מדינה ו קנסות
Medicare פרמיות	מוריד פרמיות	אין השפעה על פרמיות	עלויות בלתי צפויות לגמלאים

(IRMAA)	Col2	Col3	Col4
רפואה רצפת ניכוי	מוריד רצפה (קל יותר לנכות רפואי)	אין השפעה על רצפה	ניכויים שנדחו ו ריבית
הלוואת סטודנטים החזר	מכשיר לווה לתשלומים נמוכים יותר	אין השפעה על הכשירות	חדלות הלוואה / אי-ציות

טבלה 1: השפעה פיננסית של הזיית בינה מלאכותית בנוגע לניכוי הלוואת רכב ב-OBBBA. ³

כאשר Veriprajna ביקרה מודלי LLM מרכזיים בשאלה ספציפית זו, הם שיחזרו בעקביות את "שגיאת הקונצנזוס." הם ציטטו את ה-OBBBA, הם התייחסו לתאריכים (2025-2028), אך הם יישמו את הלוגיקה של סעיף 62 במקום סעיף 63 משום שנתוני האימון (בלוגים) הכריעו את נתוני האימון (חוקים). ³ כשל זה מדגים שלגבי דיני מס, פופולריות אינה תחליף לאמת.

2.4 הפחתות הדרגתיות ומורכבות: היכן מודלי LLM נכשלים במתמטיקה

הוראת ה-OBBBA כוללת כללי הפחתה הדרגתית מורכבים שמבלבלים עוד מודלים הסתברותיים. ניכוי הריבית המותר מוגבל ל-$10,000 לשנת מס. ¹¹ יתר על כן, הוא כפוף למגבלת הכנסה ברוטו מותאמת מתוקנת (MAGI):

●​ הניכוי מופחת ב-$200 עבור כל $1,000 (או חלק מהם) שבהם ה-MAGI של הנישום עולה על $100,000 (ליחידים) או $200,000 (למגישים משותפים). ¹¹

●​ הדבר יוצר אפקט "צוק" שבו הניכוי נעלם לחלוטין ב $150,000/$250,000.

מודלי LLM מתקשים באופן ידוע בהסקה אריתמטית המוטמעת בטקסט. מודל סטנדרטי, כשמוצג לו משתמש המשתכר $125,000, לעתים קרובות נכשל ביישום נכון של הפחתת $200 לכל $1,000 הפחתה, אם בהתעלמות ממנה ואם בהזיית עקומת הפחתה הדרגתית אחרת הנפוצה ב זיכויי מס אחרים (כמו זיכוי מס ילדים). "הזיה אריתמטית" זו בשילוב עם "שגיאת הקונצנזוס" יוצרת מצב כשל מורכב. ⁷

2.5 נטל הציות: מלכודת למלווים

ה-OBBBA הציג גם את סעיף 6050AA, המטיל דרישות דיווח חדשות על מלווים. כל עסק המקבל $600 או יותר בריבית על "הלוואת רכב נוסעים מצוינת" חייב להגיש דוח מידע (סביר להניח וריאנט של טופס 1098/1099) ל-IRS ול למסור הצהרה ללווה. ¹⁰

מודלי LLM סטנדרטיים, כשנשאלים "מה על בנקים לעשות לגבי חוק הלוואת הרכב החדש?", לעתים קרובות מתמקדים אך ורק בהטבה של ה_לווה_ (משום שזה נושא רוב פוסטי הבלוגים) ומשמיטים

את חובת הדיווח של ה_מלווה_. עבור Fintech או איגוד אשראי המשתמש בבינה מלאכותית לסיכום שינויים רגולטוריים לצוותי ציות, השמטה זו עלולה להוביל לאי-ציות שיטתי, שתוצאתו קנסות לפי סעיפי IRC 6721/6722. ¹⁰

חלק III: גבולות היצירה המועשרת-שליפה (RAG) במשפט

3.1 ההבטחה והכישלון של RAG

סטנדרט התעשייה הנוכחי להפחתת הזיות הוא יצירה מועשרת- שליפה (RAG) . בארכיטקטורת RAG, המערכת שולפת קטעים רלוונטיים של מסמכים מהימנים (למשל ה-IRC) ומזינה אותם לחלון ההקשר של ה-LLM לצד שאילתת המשתמש. ¹³ התיאוריה גורסת שהקשר מעוגן כופה על המודל לדבוק בנוסח.

אולם, הניתוח שלנו של מקרה ה-OBBBA מראה ש-RAG אינו מספיק להסקה משפטית מורכבת. גם כאשר סופק להם נוסח ה-OBBBA, מודלים המשיכו להזות את ניכוי ה-AGI. מדוע?

3.2 המגבלות המבניות של שליפה וקטורית

1.​ עמימות סמנטית בחקיקה: נוסח הצעת חוק מס הוא לעתים קרובות סדרה של תיקונים: "סעיף 163(h) מתוקן על ידי הוספה...". ¹⁵ הוא אינו נקרא כמו נרטיב. על ה-LLM לשחזר את המצב הלוגי של הקוד מתוך קטעים אלה. אם הקטע שנשלף אומר "ניכוי מותר," אך אינו קובע במפורש "זה ניכוי של סעיף 63," ה-LLM חוזר להטיית האימון שלו (פוסטי הבלוגים) כדי למלא את הפער. ¹⁶

2.​ נקודות עיוורון בשליפה וקטורית: RAG משתמש בדרך כלל במסדי נתונים וקטוריים למציאת טקסט "דומה". שאילתה על "הלוואות רכב" תשלף פסקאות על הלוואות רכב. היא עשויה שלא לשלוף את הפסקה בסעיף 62 המגדירה AGI, משום שפסקה זו אינה מזכירה הלוואות רכב—היא פשוט מוציאה אותן בשלילה על ידי השמטה. ¹⁸ "היעדר ראיה" הוא "ראיה ל היעדר" במשפט, אך לא בשליפה וקטורית.

3.​ פער ההסקה: RAG פותר שליפה, לא הסקה . הוא מציב את הנוסח מול המודל, אך המודל עדיין חייב לפרש אותו. אם משקלי הלוגיקה הפנימיים של המודל מוטים על ידי מיליוני דוגמאות אימון שגויות, הוא פועל כ"קורא מוטה," ומפרש שלא כהלכה גם את נוסח המקור הנכון כדי להתאים לקונצנזוס שקדם לו. ¹⁶

3.3 ה"קופסה השחורה" של הסקה עצבית

בסופו של דבר, מערכת מבוססת-RAG נותרת "קופסה שחורה." אפשר לאמת את המסמך ש נשלף, ואפשר לקרוא את התשובה שנוצרה, אך אי אפשר לבקר את נתיב הלוגיקה ש ננקט כדי להגיע מ-A ל-B. ⁵ האם היא יישמה נכון את מגבלת ההפחתה ההדרגתית? האם היא בדקה את ההגדרה של "מגורים כשירים" מול "רכב נוסעים כשיר"? ברשת עצבית, החלטות אלה מוסתרות בתוך מיליארדי כפלי מטריצות בנקודה צפה. עבור מבקר מס, היעדר עקיבות זה אינו מקובל. ²²

חלק IV: הפתרון: בינה מלאכותית נוירו-סימבולית ו גרף הידע הדטרמיניסטי

כדי לגשר על הפער בין השטף הלשוני של מודלי LLM לבין הקשיחות הלוגית של דיני המס, Veriprajna תומכת בארכיטקטורה נוירו-סימבולית. גישה זו ממזגת שני ענפים נבדלים של בינה מלאכותית:

1.​ בינה מלאכותית עצבית (תת-סימבולית): למידה עמוקה, LLMs, Transformers. מצוינת בזיהוי דפוסים, הבנת שפה טבעית, חילוץ ישויות וטיפול ב נתונים לא-מובנים. ⁴

2.​ בינה מלאכותית סימבולית (GOFAI - Good Old-Fashioned AI): גרפי ידע, פותרי לוגיקה, מנועי כללים. מצוינת בהסקה מפורשת, שמירה על אמת, וחישוב דטרמיניסטי. ²⁶

4.1 גרפי ידע מול מסדי נתונים וקטוריים

כדי להבין מדוע הדבר נחוץ, עלינו להבחין בין הכלי של ה-LLM הסטנדרטי (מסד נתונים וקטורי) לבין הכלי של המנוע הנוירו-סימבולי (גרף ידע).

מאפיין	מסד נתונים וקטורי (RAG סטנדרטי)	גרף ידע (נוירו-סימבולי)
ייצוג נתונים	וקטורים מספריים רב-ממדיים (שיכונים)	צמתים (ישויות) וקשתות (יחסים)
מנגנון חיפוש	חיפוש דמיון (קוסינוס דמיון)	מעבר בגרף / הסקה לוגית
הבנה	"מילים אלה דומות סטטיסטית."	"מושג זה_גורם_ לאותו מושג."
טיפול ביחסים	משתמע, הסתברותי	מפורש, מוגדר (למשל, is_exception_to)
ניתנות לביקורת	נמוכה (שליפת קופסה שחורה)	גבוהה (נתיב הסקה ניתן למעקב)

טבלה 2: מסד נתונים וקטורי מול גרף ידע. ¹⁸

בהקשר שלנו, מסד נתונים וקטורי מוצא את נוסח סעיף 163(h). גרף ידע מבין שסעיף 163(h)(4) הוא חריג לאיסור הכללי בסעיף 163(h)(1), ושסעיף 163(h)(4)(B) מציב תקרה מספרית ספציפית על חריג זה. ¹¹ ה גרף מקודד את ההיררכיה ואת הלוגיקה, לא רק את המילים.

4.2 טכנולוגיות של אמת: Catala ו-PROLEG

Veriprajna מנצלת שפות ייעודיות לתחום (DSLs) מתקדמות שתוכננו במיוחד ל פורמליזציה משפטית.

4.2.1 Catala: שפת הכוונה החקיקתית

פותחה ב-INRIA ומשמשת את ממשלת צרפת (DGFIP), Catala היא שפת תכנות שתוכננה לתרגם באמונים חוק סטטוטורי לקוד בר-הרצה. ³⁰

●​ מנגנון: Catala מצטיינת בטיפול במבנה הלוגיקה "ברירת מחדל/חריג" ש חודר את דיני המס (למשל, "כל הכנסה חייבת במס, למעט ... [חריג]").

●​ קומפילציה: קוד Catala מקומפל לחשבון למבדה גנרי שניתן לשלב במחסניות תוכנה מודרניות. הוא מבטיח שהקוד "נכון-מעצם-הבנייה" ביחס לחוק.

●​ יישום: על ידי קידוד הוראות ה-OBBBA ב-Catala, אנו יוצרים ייצוג ניתן לאימות מתמטית של קוד המס המאפשר חישוב מדויק של ההפחתה ההדרגתית והניכוי, חסין לסחיפת "קונצנזוס".

4.2.2 PROLEG: מידול נטל ההוכחה

PROLEG (Prolog-based Legal Reasoning) הוא מערכת הממדלת הסקה משפטית כ מסגרת טיעון. ³⁴

●​ טיעון: הוא מדמה את הדיאלוג בין כלל לחריגו. במקרה ה-OBBBA, PROLEG היה מייצג: ○​ כלל כללי: ריבית אישית אינה ניתנת לניכוי (סעיף 163(h)(1)).

○​ חריג: ריבית הלוואת רכב נוסעים כשירה ניתנת לניכוי (סעיף 163(h)(4)).

○​ נטל הוכחה: על הנישום להוכיח שהרכב הורכב בארה"ב.

●​ לוגיקה: PROLEG בודק אם ה"תובע" (הנישום) מילא את התנאים להפעיל את החריג. אם העובדה (מקום ההרכבה) חסרה, הניכוי נכשל. זה משקף את התנהגותו של מבקר מס.

4.2.3 תכנות קבוצות תשובה (ASP)

אנו משתמשים ב-תכנות קבוצות תשובה (ASP) לבדיקת עקביות מורכבת. ³⁷ ASP הוא פרדיגמת תכנות הצהרתית המסוגלת לפתור בעיות חיפוש קומבינטוריות. הוא מאפשר לנו לבדוק את עמדת המס המלאה של לקוח לעקביות לוגית—תוך הבטחה שתביעת ניכוי ה-OBBBA אינה מתנגשת עם בחירות אחרות שדווחו בדוח (למשל, תביעת הרכב כהוצאה עסקית לפי סעיף 179).

חלק V: ארכיטקטורת Veriprajna: מנוע המס הדטרמיניסטי

אנו מציעים ארכיטקטורת ייחוס לביקורת מס בבינה מלאכותית ברמה ארגונית, מעבר לצ'אטבוטים פשוטים לפלטפורמה חסונה וניתנת לביקורת: מנוע המס הנוירו-סימבולי.

5.1 רכיבי המערכת וזרימת העבודה

הארכיטקטורה היא צינור המפריד הבנת כוונה (עצבי) מ-ביצוע לוגי (סימבולי).

1.​ מנתח הכוונה (שכבה עצבית):

○​ קלט: המשתמש מעלה ספר חשבונות, חשבונית סרוקה, או שואל שאלה בשפה טבעית.

○​ תפקיד: לזהות את ה"כוונה המשפטית." הוא משתמש ב-LLM כדי למפות שפה טבעית אל המושגים האונטולוגיים בגרף הידע.

○​ דוגמה: "קניתי Tesla לעבודה" -> ישות: רכב, שימוש: עסקי, יצרן: Tesla.

○​ טכנולוגיה: מודלי Transformer מאומנים-מותאמים (BERT/RoBERTa) או מודלי LLM המוגבלים ל משימות חילוץ ישויות. ⁴

2.​ עוגן האמת (שכבה סימבולית):

○​ קלט: ישויות וכוונות מובנות (JSON).

○​ תפקיד: ה"מעקה בטיחות." הוא שואל את גרף הידע ומבצע את קוד הלוגיקה של Catala/PROLEG.

○​ מנגנון: הוא בודק תקפות מול החוק המקודד. הוא מזהה עובדות חסרות (למשל, "האם הרכב הורכב בארה"ב?" נדרש לפי OBBBA). הוא מבצע את החישוב הדטרמיניסטי של הניכוי. ²²

○​ אילוץ: אם המשתמש תובע ניכוי לרכב שורכב במקסיקו (הפרת OBBBA), עוגן האמת מחזיר אות "חסימה קשיחה". ¹¹

3.​ מחולל התגובה (שכבה עצבית):

○​ קלט: "גיליון העובדות" מעוגן האמת (למשל, ניכוי: DENIED, סיבה: Phase_Out_Exceeded).

○​ תפקיד: לסנתז את התשובה בטקסט קריא לאדם.

○​ אילוץ: ה-LLM מונחה עם ה_תוצאה_ של פותר הלוגיקה. הוא מודרך: "הניכוי הוא DENIED משום שדרישת הרכבת הרכב אינה מתקיימת. הסבר זאת למשתמש."

○​ תוצאה: ה-LLM משתמש ביכולותיו הלשוניות כדי להיות מנומס וברור, אך אין לו חופש להזות "כן". ¹⁴

5.2 "המחזור הנוירו-סימבולי"

ארכיטקטורה זו יוצרת מחזור סגולי. השכבה העצבית מטפלת בבלגן של העולם האמיתי (חשבוניות לא-מובנות, מיילים, שאילתות שיחה), וממירה אותם לנתונים מובנים. השכבה הסימבולית מטפלת בהסקה, ומבטיחה ציות ודיוק. ה שכבה העצבית ממירה אז את הלוגיקה הקשיחה בחזרה לייעוץ מובן.

ניתוק זה פותר את "שגיאת הקונצנזוס." השכבה העצבית עשויה "לדעת" (מתוך קדם-האימון שלה) שבלוגים אומרים שהלוואות רכב ניתנות לניכוי. אך לעולם לא מבקשים ממנה להחליט אם הן כאלה. מבקשים ממנה רק לחלץ את פרטי הרכב. ההחלטה מתקבלת בשכבה הסימבולית, שאין לה גישה ל-Reddit, רק לחוק המקודד. ⁴

5.3 ניתנות לביקורת דטרמיניסטית

יתרון קריטי של מערכת זו הוא נתיב הביקורת הדטרמיניסטי . ²²

באינטראקציית LLM סטנדרטית, אם מבקר שואל, "מדוע הבינה המלאכותית התירה ניכוי זה?", ה תשובה היא "משום שאסימון הסתברות #492 היה 'Yes'." זו אינה תגובת ביקורת מקובלת.

במנוע הנוירו-סימבולי של Veriprajna, התשובה היא נתיב גרף :

Deduction_Allowed = True BECAUSE:

1.​ Loan_Date (2025-02-01) > 2024-12-31 (Verified) 2.​ Vehicle_Type (Passenger) = True (Verified) 3.​ Assembly_Location (US) = True (Verified) 4.​ Income ($80,000) < Phase_Out_Threshold ($100,000) (Verified) 5.​ Rule_Reference: IRC § 163(h)(4)

נתיב זה ניתן לייצוא, לרישום ולהצגה ל-IRS או לוועדת ביקורת פנימית. הוא הופך בינה מלאכותית מ"קופסה שחורה" ל"קופסה שקופה". ²²

חלק VI: עתיד הביקורת: מדגימה ל אימות ממצה

השלכות הבינה המלאכותית הנוירו-סימבולית חורגות מעבר לשאילתות בודדות אל טבעו היסודי של ענף הביקורת.

6.1 קץ הדגימה

מסורתית, ביקורות מסתמכות על "דגימה." מבקר אינו יכול לבדוק כל עסקה בודדת, ולכן הם בודקים מדגם מובהק סטטיסטית. אם המדגם נקי, ספרי החשבונות נחשבים נקיים. זו גישה הסתברותית לאמת המוכתבת על ידי מגבלות רוחב הפס האנושי. ⁴¹

עם מנוע מס נוירו-סימבולי, אנו יכולים לעבור ל-ביקורת דטרמיניסטית של 100% . המנוע יכול לבלוע את ספר החשבונות הכללי (GL) כולו. הוא יכול להריץ כל עסקה בודדת דרך לוגיקת גרף הידע.

●​ כל תשלום ריבית הלוואת רכב נבדק מול כללי ה-OBBBA.

●​ כל הוצאת ארוחה נבדקת מול כללי הניכוי של 50% מול 100%.

●​ כל תשלום לקבלן נבדק מול דרישות הגשת 1099.

משום שהלוגיקה מקודדת (סימבולית) ובליעת הנתונים אוטומטית (עצבית), עלות בדיקת 100% מהעסקאות מתקרבת לעלות בדיקת 1%. ⁴¹

6.2 "בינה מלאכותית סוכנית" בציות

אנו נכנסים לעידן ה-"בינה המלאכותית הסוכנית" —מערכות שאינן רק עונות על שאלות אלא מבצעות משימות. ² סוכן Veriprajna יכול:

1.​ לנטר ברציפות את הזנת הבנק של החברה. 2.​ לזהות תשלום הלוואה. 3.​ לשלוף את מסמך ההלוואה (חילוץ עצבי). 4.​ לקבוע טיפול מס (הסקה סימבולית). 5.​ לרשום את פקודת היומן במערכת ה-ERP עם קודי המס הנכונים. 6.​ לסמן חריגות לסקירה אנושית (למשל, "סכום ההלוואה חורג מתקרת OBBBA").

מצב "ביקורת במצב סוכני" זה משנה מיסודו את תפקיד רואה החשבון מהזנת נתונים למפקח לוגיקה. הבינה המלאכותית מטפלת ב"מה" וב"איך"; האדם מטפל ב "למה" וב"טיפול בחריגים". ⁴¹

6.3 מפת דרכים ליישום עבור הארגון

לארגונים המבקשים לפרוס את פתרון Veriprajna, מפת הדרכים כוללת שלושה שלבים:

1.​ שלב 1: השכבה הסמנטית (בליעת נתונים). לפני שניתן ליישם לוגיקה, הנתונים חייבים להיות מובנים. הדבר כרוך בחיבור הבינה המלאכותית ל-ERP (SAP, Oracle, NetSuite) ו שימוש בחילוץ עצבי להפיכת חשבוניות PDF והסכמי הלוואה לאובייקטי JSON מובנים (תאומים דיגיטליים).

2.​ שלב 2: שכבת הלוגיקה (תצורת כללים). הגדרת עמדת המס הספציפית לחברה. אף שה-IRC סטנדרטי, תיאבון הסיכון והמדיניות הפנימית של החברה משתנים. הדבר כרוך בעריכת גרף ידע למיפוי חשבונות פנימיים לאונטולוגיית ה-IRC.

3.​ שלב 3: השכבה הסוכנית (ביקורת רציפה). פריסת תהליכי רקע (ארכיטקטורה מונעת-אירועים דרך Kafka/Temporal) שמפעילים פותרי לוגיקה על כל עסקה, ומאפשרים לוחות מחוונים לציות בזמן אמת. ⁴³

סיכום: עידן "סמוך, אך בדוק" הסתיים. הגיע הזמן ל"בדוק, ואז סמוך."

קסם הבינה המלאכותית היוצרת בפיננסים אינו ניתן להכחשה. ההבטחה לניתוח מיידי, דיווח אוטומטי וייעוץ שיחתי היא משנה-מציאות. אולם, ההסתמכות הנוכחית על מודלים הסתברותיים למשימות דטרמיניסטיות היא סיכון מערכתי המחכה להתממש.

"שגיאת קונצנזוס" אינה תקלה; היא מאפיין של האופן שבו מודלי LLM לומדים מהאינטרנט. בדיני מס, האינטרנט שגוי לעתים קרובות, מפושט או מיושן. הסתמכות עליו היא, כפי שקבענו, מיקור-המון של הזיה.

Veriprajna מציעה נתיב אחר. על ידי עיגון הכוח היצירתי של מודלי LLM לאמת שאינה נכנעת של גרף ידע נוירו-סימבולי, אנו בונים מערכות שמכבדות את החוק כקוד. איננו מבקשים מהבינה המלאכותית לנחש את החוק; אנו מלמדים אותה לחשב אותו.

עבור הארגון המודרני, הבחירה ברורה: לבנות צ'אטבוט שקורא Reddit ומקווה לטוב, או לבנות מבקר שקורא את החוק ומוכיח את עבודתו.

Veriprajna. Deep AI לאמת דטרמיניסטית.

#TaxTech #Accounting #AI #FinTech #Audit #NeuroSymbolic #KnowledgeGraph #Veriprajna

מקורות

1. Generation of Semantically Consistent Text and Its Evaluation Rudali Huidrom, נצפה ב-10 בדצמבר 2025, https://doras.dcu.ie/31476/1/Rudali_s_PhD_Thesis-final.pdf

2. Generative Agents: Interactive Simulacra of Human Behavior | Request PDF - ResearchGate, נצפה ב-10 בדצמבר 2025, https://www.researchgate.net/publication/375063078_Generative_Agents_Interactive_Simulacra_of_Human_Behavior

3. An Interesting Error from LLMs in Tax Research That Does Not ..., נצפה ב-10 בדצמבר 2025, https://edzollarscpa.com/2025/08/09/an-interesting-error-from-llms-in-tax-research-that-does-not-seem-to-be-a-hallucination/

4. Architectures of Integration: A Comprehensive Analysis of Neuro-Symbolic AI | Uplatz Blog, נצפה ב-10 בדצמבר 2025, https://uplatz.com/blog/architectures-of-integration-a-comprehensive-analysis-of-neuro-symbolic-ai/

5. Ensembling LLM-Induced Decision Trees for Explainable and Robust Error Detection - arXiv, נצפה ב-10 בדצמבר 2025, https://arxiv.org/html/2512.07246v1

6. Ensemble Library - Complete Guide — CrucibleFramework v0.3.0 - Hexdocs, נצפה ב-10 בדצמבר 2025, https://hexdocs.pm/crucible_framework/ensemble_guide.html

7. Quantization Meets Reasoning: Exploring and Mitigating Degradation of Low-Bit LLMs in Mathematical Reasoning - arXiv, נצפה ב-10 בדצמבר 2025, https://arxiv.org/html/2505.11574

8. EXPLORING AND MITIGATING DEGRADATION OF LOW-BIT LLMS IN MATHEMATICAL REASONING - OpenReview, נצפה ב-10 בדצמבר 2025, https://openreview.net/pdf/7b26a8fcd4113a7678fa8ae61f20a75f544cca8f.pdf

9. IRC Section 163(h)(3)(E) - Bradford Tax Institute, נצפה ב-10 בדצמבר 2025, https://bradfordtaxinstitute.com/Endnotes/IRC_Section_163h3E.pdf

10. IRS Issues Transitional Guidance On Reporting Interest From Specified Passenger Vehicle Loans - GBQ Partners LLC, נצפה ב-10 בדצמבר 2025, https://gbq.com/irs-issues-transitional-guidance-on-reporting-interest-from-specified-passenger-vehicle-loans/

11. One Big Beautiful Bill Act, H.R. 1 – 119th Congress (2025-2026): Part IX – Deductibility of Automobile Loan Interest: Larry's Tax Law - Foster Garvey, נצפה ב-10 בדצמבר 2025, https://www.foster.com/larry-s-tax-law/one-big-beautiful-bill-act-part-9-deductibility-of-automobile-loan-interest

12. Tax year 2025 brings new vehicle-loan deduction and reporting rules for credit unions, נצפה ב-10 בדצמבר 2025, https://members.carolinasleague.org/news/715751/Tax-year-2025-brings-new-vehicle-loan-deduction-and-reporting-rules-for-credit-unions.htm

13. GraphRAG, Legal Reasoning & Neurosymbolic AI: Why the Future of Legal Contract Intelligence Isn't… | by Michael Doyle | Nov, 2025 | Medium, נצפה ב-10 בדצמבר 2025, https://medium.com/@mike_8705/graphrag-legal-reasoning-neurosymbolic-ai-why-the-future-of-legal-contract-intelligence-isnt-44c0fc59a954

14. Performance of Retrieval-Augmented Generation (RAG) on Pharmaceutical Documents, נצפה ב-10 בדצמבר 2025, https://intuitionlabs.ai/articles/rag-performance-pharmaceutical-documents

15. REG-106089-18-NPRM.pdf - IRS, נצפה ב-10 בדצמבר 2025, https://www.irs.gov/pub/irs-drop/REG-106089-18-NPRM.pdf

16. The death of RAG: why next-generation AI agents require more than retrieval Rippletide, נצפה ב-10 בדצמבר 2025, https://www.rippletide.com/resources/blog/the-death-of-rag-why-next-generation-ai-agents-require-more-than-retrieval

17. Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, נצפה ב-10 בדצמבר 2025, https://filehandler.lbr.cloud/files/alm/19PGLE4qgH-bDI9vHo8zp5ELvZm_zaYuE.pdf

18. Knowledge graph vs. vector database for AI implementation - Talbot West, נצפה ב-10 בדצמבר 2025, https://talbotwest.com/ai-insights/knowledge-graph-vs-vector-database

19. GraphRAG vs. Vector RAG: Side-by-side comparison guide - Meilisearch, נצפה ב-10 בדצמבר 2025, https://www.meilisearch.com/blog/graph-rag-vs-vector-rag

20. Vector Databases vs Knowledge Graphs: Which One Fits Your AI Stack? | by Nitin Kaushal, נצפה ב-10 בדצמבר 2025, https://medium.com/@nitink4107/vector-databases-vs-knowledge-graphs-which-one-fits-your-ai-stack-816951bf2b15

21. Challenges of RAG in Legal AI: Accuracy, Security, & Ethics, נצפה ב-10 בדצמבר 2025, https://blog.prevail.ai/rag-legal-ai-stanford-study-promises-pitfalls-5/

22. Four Signs Your Decision Automation is Putting You at Regulatory Risk, נצפה ב-10 בדצמבר 2025, https://rainbird.ai/four-signs-your-decision-automation-is-putting-you-at-regulatory-risk/

23. When Spreadsheets Burn: How AI Stops the Panic Before an Audit MyMobileLyfe, נצפה ב-10 בדצמבר 2025, https://www.mymobilelyfe.com/artificial-intelligence/when-spreadsheets-burn-how-ai-stops-the-panic-before-an-audit/

24. Neuro-symbolic AI: The key to truly intelligent systems - BDV Big Data Value Association, נצפה ב-10 בדצמבר 2025, https://bdva.eu/blog/neuro-symbolic-ai/

25. Neuro-Symbolic AI for Multimodal Reasoning: Foundations, Advances, and Emerging Applications - Ajith Vallath Prabhakar, נצפה ב-10 בדצמבר 2025, https://ajithp.com/2025/07/27/neuro-symbolic-ai-multimodal-reasoning/

26. Symbolic AI in Knowledge Graphs: Bridging Logic and Data for Smarter Solutions, נצפה ב-10 בדצמבר 2025, https://smythos.com/developers/agent-development/symbolic-ai-in-knowledge-graphs/

27. Symbolic AI: A Complete Guide for Modern AI Applications - Code B, נצפה ב-10 בדצמבר 2025, https://code-b.dev/blog/symbolic-ai

28. Neuro-Symbolic Artificial Intelligence: Towards Improving the Reasoning Abilities of Large Language Models - IJCAI, נצפה ב-10 בדצמבר 2025, https://www.ijcai.org/proceedings/2025/1195.pdf

29. Graph RAG vs vector RAG: 3 differences, pros and cons, and how to choose Instaclustr, נצפה ב-10 בדצמבר 2025, https://www.instaclustr.com/education/retrieval-augmented-generation/graph-rag-vs-vector-rag-3-differences-pros-and-cons-and-how-to-choose/

30. Translating Tax Law to Code with LLMs: A Benchmark and Evaluation Framework, נצפה ב-10 בדצמבר 2025, https://aclanthology.org/2025.nllp-1.4/

31. נצפה ב-10 בדצמבר 2025, https://www.inria.fr/en/catala-software-dgfip-cnaf#:~:text=CATALA%20was%20designed%20to%20meet,legal%20rules%20are%20applied%20accurately.

32. CATALA translates law into code for more reliable administration | Inria, נצפה ב-10 בדצמבר 2025, https://www.inria.fr/en/catala-software-dgfip-cnaf

33. Catala: A Programming Language for the Law - arXiv, נצפה ב-10 בדצמבר 2025, https://arxiv.org/pdf/2103.03198

34. PROLEG: an implementation of the presupposed ultimate fact theory of japanese civil code by PROLOG technology - SciSpace, נצפה ב-10 בדצמבר 2025, https://scispace.com/pdf/proleg-an-implementation-of-the-presupposed-ultimate-fact-4qhr49ovmh.pdf

35. PROLEG: An Implementation of the Presupposed Ultimate Fact Theory of Japanese Civil Code by PROLOG Technology ⋆, נצפה ב-10 בדצמבר 2025, https://research.nii.ac.jp/~ksatoh/juris-informatics-papers/jurisin2010-ksatoh.pdf

36. Reasoning by a Bipolar Argumentation Framework for PROLEG, נצפה ב-10 בדצמבר 2025, http://research.nii.ac.jp/jurisin2018/JURISIN2018Proceedings/papers/paper_3.pdf

37. Answer Set Programming at a Glance - Communications of the ACM, נצפה ב-10 בדצמבר 2025, https://cacm.acm.org/research/answer-set-programming-at-a-glance/

38. Answer Set Programming: A tour from the basics to advanced development tools and industrial applications - mat.unical.it, נצפה ב-10 בדצמבר 2025, https://www.mat.unical.it/ricca/downloads/aspapps.pdf

39. Exploring Answer Set Programming for Provenance Graph-Based Cyber Threat Detection: A Novel Approach - arXiv, נצפה ב-10 בדצמבר 2025, https://arxiv.org/html/2501.14555v1

40. Beyond RAG: Solving “Compliance Hallucinations” with Gemini & Neuro-Symbolic AI | by Sadanandl | Google Cloud - Community | Nov, 2025 | Medium, נצפה ב-10 בדצמבר 2025, https://medium.com/google-cloud/beyond-rag-solving-compliance-hallucinations-with-gemini-neuro-symbolic-ai-b48fcd2f431f

41. Audit Automation Pro (Audit on Agentic Mode – AI-Driven Autonomous Audit Workflow for Chartered Accountants) - AI in ICAI, נצפה ב-10 בדצמבר 2025, https://ai.icai.org/usecases_details.php?id=174

42. Reducing the Validation Burden: Using AI for Autonomous Data Quality Checks in Private Markets - Carta, נצפה ב-10 בדצמבר 2025, https://carta.com/blog/ai-data-quality-checks-private-markets/

43. Architectural Debt: The AI tax you're already paying | Nearform, נצפה ב-10 בדצמבר 2025, https://nearform.com/digital-community/temporal-workflow-debt-the-hidden-blocker-in-enterprise-ai-integration/