Tax AI : quand l'IA s'améliore toute seule pour aider les comptables

UNE IA QUI APPREND TOUTE SEULE, C'EST POSSIBLE ?

Dans la vraie vie, les systèmes d'IA cassent souvent après leur mise en ligne, et les équipes passent des semaines à corriger leurs erreurs. Mais aujourd'hui, avec des Outils comme Codex, une infrastructure d'évaluation bien pensée, et un accès direct aux experts et aux environnements réels, il est possible de construire des agents qui s'améliorent tout seuls.

Pendant six mois, des ingénieurs d'OpenAI et de Thrive Holdings ont collaboré avec des comptables de Crete pour créer Tax AI. Leur objectif : automatiser la préparation des déclarations fiscales, même les plus complexes, en s'appuyant sur l'expertise des professionnels et les capacités d'agent de Codex.

LE PROBLÈME : DES DÉCLARATIONS FISCALES QUI PRENNENT DES HEURES

Chaque année, les comptables de Crete préparent des dizaines de milliers de déclarations fiscales. Pour les dossiers moyens ou complexes, la saisie des données peut prendre jusqu'à 8 heures par déclaration. Les sources de données sont souvent désorganisées : notes manuscrites, emails, fichiers Excel, ou documents des années précédentes. Sans compter les calculs manuels et les ajustements nécessaires.

Les comptables ont identifié la préparation fiscale comme un goulot d'étranglement pendant la période la plus chargée de la saison des impôts. C'est là que Tax AI entre en jeu.

CE QUE TAX AI FAIT (ET CE QU'ELLE RÉUSSIT)

Tax AI automatise une grande partie du processus fastidieux de préparation des déclarations fiscales 1040 et 1041. Les comptables n'ont plus qu'à télécharger les fichiers sources et les notes spécifiques à chaque client. L'IA génère ensuite une soumission prête à être revue, avec les éléments suivants :

• Un gain de temps d'environ un tiers sur la préparation des déclarations.
• Des déclarations rédigées avec une précision pouvant atteindre 97 %.
• Une augmentation de 50 % du nombre de déclarations traitées, permettant aux comptables de consacrer plus de temps à leurs clients.

Mais le plus impressionnant, c'est que Tax AI s'améliore toute seule. Au lancement, seulement un quart des déclarations atteignaient un taux de complétion des champs à 75 %. Six semaines plus tard, ce chiffre grimpait à 86 %. Les progrès étaient encore plus rapides pour les seuils de 90 % et 100 % de complétion.

Au début, Tax AI gérait surtout les formulaires simples comme les W-2 et 1099. Avec le temps, elle a pris en charge des déclarations plus complexes, incluant les K-1, les annexes et les cas limites. Chaque nouvelle capacité lui a permis de gagner plus de temps, car les tâches devenues automatiques étaient celles qui prenaient le plus de temps à faire manuellement.

COMMENT TAX AI S'AMÉLIORE : TROIS PILIERS ESSENTIELS

Pour qu'une IA s'améliore en continu, trois éléments sont indispensables :

1. Les retours des experts : les comptables corrigent les erreurs de l'IA et fournissent des informations précieuses sur les cas problématiques.
2. Les traces de production : un historique structuré de toutes les étapes, des fichiers sources jusqu'à la déclaration finale.
3. Une boucle d'itération pilotée par Codex : des évaluations ciblées permettent à Codex d'identifier les problèmes et de proposer des corrections.

Sans ces piliers, les corrections restent manuelles et lentes. Les ingénieurs doivent passer du temps à analyser chaque erreur, ce qui limite la capacité du système à évoluer rapidement. Avec Tax AI, les retours des comptables deviennent des signaux structurés qui alimentent directement l'amélioration du produit.

LE CAS DES REVENUS LOCATIFS : UN EXEMPLE CONCRÈT

Prenons l'exemple des revenus locatifs, déclarés sur l'annexe E d'une déclaration individuelle. Pour l'IA, extraire ces informations est un défi : elle doit lire des documents désorganisés (notes manuscrites, emails, tableaux Excel), identifier les champs liés aux propriétés locatives, et conserver suffisamment de preuves pour que le comptable puisse valider ou corriger le résultat.

Quand un comptable corrige une valeur prédite par l'IA, cela peut révéler plusieurs types de problèmes :

• Une erreur d'extraction (l'IA a mal lu les données).
• Un problème de mappage (l'IA a associé la mauvaise donnée à un champ fiscal).
• Un comportement non supporté par le produit.
• Un jugement fiscal spécifique au client.
• Un bruit normal dans le processus de saisie.

Grâce aux traces de production, Tax AI peut maintenant transformer ces corrections en apprentissage continu. Chaque intervention est enregistrée : ce que l'IA a proposé, ce que le comptable a modifié, et ce qui a finalement été soumis. Le processus de revue, autrefois une étape terminale après une erreur, devient un cycle d'apprentissage en temps réel.

DE LA CORRECTION À L'ACTION : COMMENT LES PROBLÈMES DEVIENNENT DES TÂCHES POUR CODEX

Imaginons que l'évaluation de Tax AI révèle qu'elle rate systématiquement le champ "jours de location équitable". Les comptables, eux, remplissent toujours ce champ correctement. Cette information est alors transformée en une tâche d'évaluation ciblée, avec des exemples représentatifs et des sorties attendues.

Codex n'agit pas sur un simple résultat final médiocre. Elle examine la trace complète, l'évaluation, le dépôt de code et les compétences disponibles pour comprendre la racine du problème. Voici comment cela fonctionne :

Cette approche s'inspire des travaux sur l'ingénierie des harnais et Symphony, qui montrent comment rendre les tâches compréhensibles pour Codex, fournir un contexte précis et des outils adaptés, et intégrer la validation humaine dans l'environnement.

UNE TÂCHE SCOPÉE POUR CODEX : LE DÉTAIL

Une tâche pour Codex n'est pas une simple alerte vague. Elle est structurée avec des preuves, des surfaces de produit modifiables et des portes de validation explicites. Prenons l'exemple d'une tâche liée à la recherche de revenus locatifs :

1/candidates/FIND-RENTAL-0042/2│3├── repo/                                                   [1]4│   └── branch: codex/fix-rental-00425│       │6│       ├── AGENTS.md7│       │8│       ├── tasks/FIND-RENTAL-0042/9│       │   ├── task.yaml10│       │   ├── EXEC_PLAN.md11│       │   └── RESULTS.md12│       │13│       ├── app/tax-ai/rental-income/                          [2]14│       │   ├── agent.ts15│       │   ├── schema.ts16│       │   ├── provenance.ts17│       │   └── mapper.ts18│       │19│       ├── evals/                                          [3]20│       │   ├── datasets/fair-rental-days.yaml21│       │   ├── suites/fair-rental-days.yaml22│       │   ├── suites/rental-income-regression.yaml23│       │   └── graders/rental-income.yaml24│       │25│       ├── skills/                                         [4]26│       │   ├── eval-runner/27│       │   └── tax-field-docs/28│       │29│       └── docs/                                           [4]30│           ├── architecture/31│           └── task-environments/32│33└── scoped-tools/                                           [5]34    ├── production-trace35    ├── source-artifacts36    └── tax-engine-docs

Cette structure sépare clairement :

• La zone de travail modifiable par Codex ([1] et [2]), contenant le code du produit, les évaluations ciblées et les compétences nécessaires.
• Le contexte en lecture seule ([5]), avec les traces de production, les documents sources, les prédictions de Tax AI, les déclarations finalisées et la documentation des champs du moteur fiscal.

Codex peut ainsi enquêter sur une erreur sans modifier les preuves sous-jacentes.

AU-DELÀ DES REVENUS LOCATIFS : UNE MÉTHODE RÉUTILISABLE

Le travail sur les revenus locatifs a pris environ six semaines et beaucoup de supervision technique pour atteindre une précision et un rappel de 90 %. Mais ce travail a permis de créer des abstractions réutilisables, des artefacts de revue, des conventions d'évaluation et des motifs d'implémentation. Ces éléments ont ensuite facilité la prise en charge d'autres annexes complexes comme les annexes C et A.

Tax AI prouve qu'il est possible de construire des agents qui s'améliorent tout seuls. Les comptables génèrent des signaux de feedback de haute valeur en utilisant le service. Les flux de travail du produit préservent ces signaux sous forme de preuves structurées. Les systèmes d'évaluation validés par les évaluations garantissent que les améliorations sont testées avant d'être déployées en production. Enfin, une boucle alimentée par un agent maintient le système dans un flux d'amélioration continue.

THRIVE HOLDINGS : UNE STRUCTURE QUI FAVORISE L'INNOVATION

Thrive Holdings est à la fois propriétaire et exploitant de ses entreprises. Cette structure permet aux équipes techniques de travailler directement avec les experts et les données de production, comme celles de Crete. Ce n'est pas une relation de fournisseur à client, mais un partenariat. Cette proximité accélère le développement et permet de créer des produits exceptionnels.

Une comptable senior a réduit son temps de préparation fiscale de 180 heures à seulement 15 heures cette année. Elle a pu consacrer ce temps à appeler chacun de ses clients pour leur expliquer leur déclaration, un niveau de service impossible à atteindre auparavant. Le reste du temps économisé lui a permis d'accepter de nouveaux clients et d'élargir ses services.

ET DEMAIN ? LES AGENTS AUTO-AMÉLIORÉS DANS D'AUTRES DOMAINES

L'équipe utilise désormais la même architecture à trois piliers pour construire des flux de travail dans d'autres domaines : comptabilité, audit, et même automatisation des help desks IT. Partout où l'expertise humaine est cruciale pour façonner la qualité d'un système, les agents auto-améliorés ont un rôle à jouer.

Leur promesse est claire : les meilleurs agents sont ceux qui, guidés par des humains, apprennent à devenir plus capables, plus fiables et plus précieux avec le temps.

LE SAVIEZ-VOUS ?

Tax AI a été testée sur 7 000 déclarations fiscales en un seul trimestre, avec une précision pouvant atteindre 97 % et un gain de temps de 50 % pour les comptables.

EN BREF : LES CHIFFRES CLÉS

POUR ALLER PLUS LOIN

Cette méthode repose sur trois piliers : les retours des experts, les traces de production et une boucle d'itération pilotée par Codex. Une structure comme celle de Thrive Holdings permet d'appliquer cette approche dans divers secteurs, en combinant technologie, produit et service sous un même toit.

LE MOT DE LA FIN

Tax AI montre que les agents auto-améliorés ne sont plus de la science-fiction. Avec les bons outils et une collaboration étroite entre experts et ingénieurs, il est possible de créer des systèmes qui apprennent en continu et deviennent plus performants avec le temps. Une révolution pour les comptables, mais aussi pour tous les domaines où l'expertise humaine est indispensable.

COMMENT ÇA MARCHE ? LA TECHNOLOGIE EN DÉTAIL

Tax AI s'appuie sur une infrastructure d'évaluation solide, des traces de production détaillées et des outils comme Codex pour identifier et corriger les erreurs. Chaque correction devient une opportunité d'apprentissage, transformant les retours des experts en améliorations concrètes du produit.

LES DÉFIS RENCONTRÉS

Au début, la plupart des corrections étaient manuelles. Les comptables pouvaient corriger les erreurs de l'IA, mais le produit ne capturait pas le contexte complet. Un changement de valeur avant le dépôt pouvait refléter une erreur d'extraction, un problème de mappage, un manque de support produit, ou simplement du bruit dans le flux de travail. Trier ces cas nécessitait encore l'intervention de l'équipe technique.

L'ÉVOLUTION DE TAX AI

Tax AI a commencé par gérer des formulaires simples comme les W-2 et 1099. Avec le temps, elle a intégré des déclarations plus complexes, comme celles incluant des K-1, des annexes et des cas limites. Chaque nouvelle capacité a permis de gagner plus de temps, car les tâches automatisées étaient celles qui prenaient le plus de temps à faire manuellement.

LES BÉNÉFICES POUR LES COMPTABLES

Une comptable a réduit son temps de préparation fiscale de 180 heures à 15 heures. Elle a pu consacrer ce temps à appeler ses clients pour leur expliquer leurs déclarations, offrant un service de haute qualité impossible à atteindre auparavant. Le reste du temps économisé lui a permis d'accepter de nouveaux clients et d'élargir ses services.

UNE MÉTHODE RÉUTILISABLE

Le travail sur les revenus locatifs a pris environ six semaines pour atteindre une précision et un rappel de 90 %. Mais ce travail a permis de créer des abstractions réutilisables, des artefacts de revue, des conventions d'évaluation et des motifs d'implémentation. Ces éléments ont ensuite facilité la prise en charge d'autres annexes complexes.

LES PROCHAINES ÉTAPES

L'équipe utilise désormais la même architecture à trois piliers pour construire des flux de travail dans d'autres domaines : comptabilité, audit, et même automatisation des help desks IT. Partout où l'expertise humaine est cruciale pour façonner la qualité d'un système, les agents auto-améliorés ont un rôle à jouer.

POURQUOI ÇA MARCHE ?

Tax AI prouve qu'il est possible de construire des agents qui s'améliorent tout seuls. Les comptables génèrent des signaux de feedback de haute valeur en utilisant le service. Les flux de travail du produit préservent ces signaux sous forme de preuves structurées. Les systèmes d'évaluation validés par les évaluations garantissent que les améliorations sont testées avant d'être déployées en production.

UNE RÉVOLUTION POUR LES COMPTABLES

Tax AI montre que les agents auto-améliorés ne sont plus de la science-fiction. Avec les bons outils et une collaboration étroite entre experts et ingénieurs, il est possible de créer des systèmes qui apprennent en continu et deviennent plus performants avec le temps. Une révolution pour les comptables, mais aussi pour tous les domaines où l'expertise humaine est indispensable.

CE QU'IL FAUT RETENIR

Tax AI automatise jusqu'à 50 % du temps passé sur les déclarations fiscales, avec une précision pouvant atteindre 97 %. Elle s'améliore toute seule grâce à un système conçu par OpenAI et Thrive Holdings, en s'appuyant sur l'expertise des comptables et les capacités d'agent de Codex.

EN RÉSUMÉ

Tax AI est un exemple concret de ce que les agents auto-améliorés peuvent accomplir. En combinant expertise humaine, traces de production et boucle d'itération pilotée par Codex, il est possible de créer des systèmes qui apprennent et s'améliorent en continu, sans intervention manuelle constante.