稅務合規 AI 核驗

你的稅務 AI 沒有準確性問題。它有核驗問題。

StatuteGuard 是一層供應商中立的機制，以確定性方式對照已編碼的成文法，證明 AI 起草的稅務立場。從任何平台貼上一份立場，它會回傳硬性的 PASS、BLOCK 或 NEEDS-REVIEW，並附上成文法引用鏈與可歸檔的 IRC §6662 查核紀錄。智能體建議，程式碼裁決。

71.4%

確定性涵蓋率

42 案標註黃金集

100%

把關精確度，0 次誤擋

42 案標註黃金集

20%

IRC §6662 準確性罰則

落在簽署人身上

可執行的示範，而非部署。所有立場皆為合成；成文法邏輯植基於第一手法律。非稅務或法律意見。

編製問題正在被解決。核驗問題則否。

產業競相自動化起草。Thomson Reuters「Ready to Review」自動編製 1040 表，CCH Axcess Expert AI 為數千家事務所起草諮詢見解，Blue J 則回答研究問題。沒有人自動化的，是罰則最高的那一步：這個立場在成文法下真的站得住嗎？

真正的失效模式不是文法糟糕，而是自信的錯誤分類：一份看似合理、寫得漂亮的立場，卻把一項扣除放在錯誤的欄位。當 AI 把一項扣除誤歸為 AGI 前扣除而非 AGI 後扣除時，該 20% 的 IRC §6662 準確性相關罰則落在簽署申報表的人身上，而非起草該立場的演算法。§6663 詐欺罰則最高可達 75%。美國企業稅務合規成本每年已超過 $126B，而 IRS 對大型企業的查核率已從 8.8% 升至 22.6%（WP#1 解決方案研究，2026）。

你不能指望一個 LLM 用產出錯誤的同一組權重，去監管另一個 LLM。模型內自我檢查，跑的正是當初把立場分錯類的同一套推理。可持久的答案，是活在模型之外的核驗。

智能體建議，程式碼裁決。

StatuteGuard 顛倒了信任模型。AI 可以起草，但由確定性政策引擎決定該立場是否站得住。唯一的 LLM 步驟是擷取：把凌亂的自然語言轉成結構化、具型別的主張。不確定時它會棄權。下游的一切都是模型無法凌駕的程式碼。我們稱之為神經符號式：神經擷取，符號核驗。

階段	執行內容	由誰裁決
Extract	LLM 讀取立場備忘錄並提出具型別的主張，同時回報其信心。低於信心門檻時，它會升級轉交而非逕行裁定。	LLM（僅供諮詢）
Retrieve	GraphRAG 遍歷 IRC 交叉引用知識圖譜，拉取涉及的條文及其型別化關係。	確定性
Verify	真實的 OPA/Rego 政策（或一份相同的純 Python 雙生實作）對照已編碼的成文法測試該主張。	確定性
Gate	PASS（站得住）、BLOCK（與已編碼成文法相矛盾）、NEEDS-REVIEW（真正的灰色地帶），或 OUT-OF-COVERAGE（未納入 V1 編碼）。	確定性
Audit	以 JSON 寫出可歸檔的 IRC §6662 盡職調查紀錄，外加可列印的 HTML 憑證。	確定性

因為判定來自政策程式碼而非一次模型呼叫，你可以讀 Rego 並確認它與成文法相符。核驗層以基礎設施方式運行，以每秒數萬筆立場計量（各次運行約 40k 至 60k，視機器與運行而定），而非每筆立場一次模型推論。

本版本已編碼的條文：OBBBA QPVLI（§163(h)(4) / §63(b)(7)）、§199A QBI、§163(j) 企業利息限制、§1031 同種類交換、§280A 住家辦公室、§30D 潔淨車輛抵免，以及 §62/§63 的 AGI 區分。該集合以外的一切皆回傳 OUT-OF-COVERAGE 並轉交人工。StatuteGuard 並未聲稱已編碼完整 IRC。

它抓得到什麼，用三種方式呈現

示範走一筆 BLOCK、一筆 PASS 與一次升級轉交，全部基於合成立場。下方截圖是運行中應用程式的真實畫面。

錨點案例：一份被起草為 AGI 前扣除的 OBBBA 車貸利息立場

一份起草陳述寫道：「新的 OBBBA 車貸利息扣除屬 AGI 前扣除，會降低客戶的 AGI。」它看似合理、寫得漂亮，而且是錯的。合格乘用車貸款利息依 §63(b)(7) 為 AGI 後扣除；它不會降低 AGI。依本示範自有的 README，主流報稅指引（含 H&R Block 網站）已將其誤標為 AGI 前扣除。StatuteGuard 回傳 BLOCK: DO NOT FILE，並以動畫呈現引用鏈 §163(h)(1) → §163(h)(4)(A) → §63(b)(7) → §62/§63，並標示若依起草內容申報會連鎖出問題的五路下游後果：AGI、與 AGI 連動的州稅、Medicare IRMAA 保費、醫療費用扣除門檻，以及學生貸款所得驅動還款。

StatuteGuard 判定畫面，顯示 OBBBA 車貸利息立場為 BLOCK: DO NOT FILE，成文法奠基階段於 7 微秒內完成渲染，從 §163(h)(1) 到 §63 共六個法定節點，以及針對 AGI、州所得稅、Medicare IRMAA、醫療費用門檻與學生貸款 IDR 的五面板下游連鎖。

擷取步驟耗時 5.93s；確定性奠基於微秒級完成判定渲染。

一筆乾淨的 §1031 交換通過

一筆合規的投資不動產同種類交換回傳 CLEARED: safe to file as drafted，並附有其自身的雙節點引用鏈（§1031(a)(1) 與 §1031(a)(2)-TCJA）。這才是真正要緊的紀律：正確的立場絕不會被誤擋。黃金集上的把關精確度為 100%，誤擋為 0。

StatuteGuard 對一筆投資不動產的 §1031 同種類交換顯示 CLEARED、可依起草內容安全申報，並附有 §1031(a)(1) 與 §1031(a)(2)-TCJA 的雙節點成文法奠基圖。

一筆 §280A 灰色地帶升級轉交

一份檔案未能證明專屬營業使用的住家辦公室立場，屬於事實與情況測試，落在確定性涵蓋之外。StatuteGuard 回傳 NEEDS HUMAN REVIEW 而非虛張聲勢。LLM 提出可核對的主張並回報信心；低於門檻時，該立場會被升級轉交，絕不由模型逕行裁定。

StatuteGuard 對一份檔案未能證明專屬使用的 §280A 住家辦公室立場執行流程，圖說註明該灰色地帶立場轉至 NEEDS HUMAN REVIEW。

你可以親自讀這些政策

Policy Rules 檢視器把確定性成文法邏輯顯示為可讀的決策表，旁附真實 OPA/Rego 原始碼。這正是可辯護核驗層的意義：你確認程式碼與成文法相符，而不是去信任模型對它的摘要。

StatuteGuard Policy Rules 面板顯示 §280A 住家辦公室與 §30D 潔淨車輛抵免的決策表，含 MSRP 上限與修正 AGI 上限，置於真實 OPA/Rego 原始碼註解之上。

每一次判定都會寫出一份可歸檔紀錄

查核階段產出 Form SG-6662 盡職調查工作底稿：來源、主要法定依據、擷取的主張、裁定敘述，以及完整引用鏈，可列印或存成 PDF 並留存在客戶檔案中。它支持 §6662 合理事由立場；它不是意見。

StatuteGuard 可列印的盡職調查憑證，Form SG-6662，針對被阻擋的 OBBBA 立場，顯示來源工作底稿、主要來源、擷取的主張、盡職調查裁定檢核表、裁定敘述，以及成文法引用鏈。

在標註黃金集上量測，於本機評估

執行 Benchmark 會重播一套 42 筆立場的標註黃金集（14 筆乾淨、16 筆錯誤、12 筆升級轉交）。計分板回報 71.4% 確定性涵蓋率、100% 把關精確度且 0 次誤擋、100% 錯誤捕捉完整度，以及 100% 正確升級轉交灰色地帶，每一筆判定皆與其標籤相符。這些描述的是核驗層，而非模型錯誤率，因此在基礎模型進步時仍然成立。建構期間，判定已對照 OPA 1.17.1 交叉核對，並在全部 42 案上與純 Python 雙生實作完全相符。

StatuteGuard 黃金集基準計分板：71.4% 確定性涵蓋率、100% 把關精確度且零次誤擋、100% 錯誤捕捉完整度、100% 灰色地帶正確升級轉交，以及每秒 58,648 筆立場，下方為各案預期判定對實際判定表。

這些數字是在已編碼條文的固定 42 案標註黃金集上量測，並非開放世界保證。

核驗層適合放在哪裡

StatuteGuard 不與你的起草工具競爭，也不取代合規平台。它疊加在你既有工具之上，檢查它們做不到的那一件事：起草的立場是否對得上成文法。

問題	起草 AI（ONESOURCE、CCH Axcess、Blue J、ChatGPT）	LLM 自我檢查	StatuteGuard
主要工作	編製並起草立場	重讀自己的草稿	對照成文法核驗已起草的立場
由誰作出判定	語言模型	同一模型、同一組權重	確定性政策引擎（OPA/Rego）
面對真正的灰色地帶	產出自信滿滿的文字	產出自信滿滿的文字	升級轉交人工（NEEDS-REVIEW / OUT-OF-COVERAGE）
可歸檔的 §6662 紀錄	否	否	是，一份可列印的盡職調查工作底稿
讀取任何平台的輸出	綁定於自家產品	綁定於自家模型	設計上供應商中立

本示範不做什麼

它是可執行的示範，不是已部署的管線。它證明機制；它不是有客戶的生產系統。
ONESOURCE、CCH Axcess 與 Blue J 連接器、即時 LLM 呼叫，以及 Neo4j 圖譜皆為模擬或以樁程式替代。示範以快取重播擷取與記憶體內 JSON 圖譜運行，因此可離線使用；FastAPI 與 Neo4j 是文件記載的生產替換路徑。
展示的每一筆立場皆為合成。成文法邏輯植基於第一手法律（IRC 與《聯邦公報》）；立場僅供說明，並非真實納稅人或客戶。
它編碼特定條文集合，而非完整 IRC。該集合以外的一切皆回傳 OUT-OF-COVERAGE 並轉交人工。
基準數字在已編碼條文的 42 案標註黃金集上成立。它們不是「零錯誤」或「保證合規」的開放世界保證。
它支持 §6662 合理事由與盡職調查立場。它不是稅務或法律意見。

稅務與合規團隊真正會問的問題

這與我們的報稅軟體，或像 Blue J 這類 AI 研究工具有何不同？

那些工具負責起草與編製。StatuteGuard 負責核驗。它是疊加在你既有平台之上的供應商中立層：從 ONESOURCE、CCH Axcess、Blue J、ChatGPT 或內部模型貼上一份立場，它會對照已編碼成文法回傳硬性的 PASS、BLOCK 或 NEEDS-REVIEW。它不編製申報表，也不取代合規平台；它檢查起草工具看不見的立場層級錯誤。

我能信任一個 AI 去檢查另一個 AI 的工作嗎？

不能，而 StatuteGuard 也不要求你這麼做。唯一的 LLM 步驟是擷取，把凌亂語言轉成結構化主張。判定由確定性政策引擎作出（真實 OPA/Rego，或一份相同的純 Python 雙生實作），模型無法凌駕。你不能指望一個 LLM 用產出錯誤的同一組權重去監管另一個 LLM，因此裁決活在模型之外、你可對照成文法閱讀的政策程式碼裡。

當立場落在規則未涵蓋的灰色地帶時會怎樣？

它會升級轉交人工，而不是猜測。真正的事實與情況問題（例如 §280A 住家辦公室）回傳 NEEDS-REVIEW；本版本未編碼的條文回傳 OUT-OF-COVERAGE。兩者都轉交審查者，而非自信虛張聲勢。在 42 案標註黃金集上，灰色地帶 100% 被正確升級轉交；涵蓋率誠實陳述為 71.4%。

客戶資料或該立場會離開我們的環境嗎？

示範完全在本機運行、無需 API 金鑰，預設使用快取重播擷取，因此沒有立場或客戶資料必須離開邊界。這種本機、封閉、可稽核的姿態是刻意的：Heppner 裁定（SDNY，2026年2月）就一筆公開 AI 工具的研究查詢，提出了特權拋棄的問題。架構設計為特權安全，而非把立場送到外部服務。

它會即時連接 ONESOURCE、CCH Axcess 或 Blue J 嗎？

在本示範中不會。ONESOURCE、CCH Axcess 與 Blue J 的 REST 連接器、即時 LLM 呼叫，以及 Neo4j 圖譜皆為模擬或以樁程式替代；示範以快取重播與記憶體內 JSON 圖譜運行，因此始終可離線使用。核驗機制是真實的，且設計上供應商中立；生產建置將 FastAPI、Neo4j 與即時連接器記載為可替換路徑。

71.4% 涵蓋率與 100% 精確度這些數字實際代表什麼？

它們是在已編碼條文的固定 42 筆立場標註黃金集上量測，並非開放世界保證。在該集合上：71.4% 的立場未經升級轉交即以確定性方式裁定，把關精確度為 100% 且 0 次誤擋，每一筆判定皆與其標籤相符。這些描述的是核驗層的涵蓋率與精確度，而非模型錯誤率，因此在基礎模型進步時仍然成立。它支持 §6662 盡職調查立場；它不是稅務或法律意見。

技術研究

支撐本示範的研究——架構、核驗設計，以及企業藍圖。

完整解決方案

探索稅務合規 AI 核驗解決方案 →

在你的 AI 與你的簽名之間放上一層核驗

20% 的罰則落在簽署的人身上，而非起草的模型。確定性核驗器，就是你證明哪一條成文法條文支撐哪一份立場的方式。

若你的團隊正在衡量如何核驗 AI 起草的稅務立場，而不信任由一個模型去監管另一個模型，我們很願意對照彼此的思路。問題是全產業的，答案也會是。

核驗評估

盤點 AI 起草的立場從何處進入你的申報工作流程
找出應優先編碼、罰則最高的條文
檢視你目前的 §6662 盡職調查證據軌跡
評估你的 AI 工具在 Heppner 之後的特權暴露

建置確定性層

將你的優先條文編碼為可讀的 OPA/Rego 政策
在你的平台上立起 PASS / BLOCK / NEEDS-REVIEW 把關機制
把供應商中立連接器接到你既有工具
產生附完整引用鏈的可歸檔 §6662 紀錄

透過 WhatsApp 聯繫寄信給我們的團隊