AI 去考＂税务代理＂卷子了:50 道真题,最强模型只对了一成——我替同行先看了一遍

咱们国内读者看到"税务"两个字先别划走——这篇不是讲美国税法的，那些规则跟咱们没关系。我为什么认真读完了全文？因为我在财税公司的经历，知道这份卷子考的根本不是税法，是"怎么干活的判断力"——这个道理，全世界的会计都一样。

一、这份卷子跟以前的"AI 做题"不一样在哪

以前测 AI，都是给一道定义清楚的题：算个税、填个表、答个问题。这次不一样，Surge AI 把真实代理业务的"烂摊子"原样搬了进来：

• 50 个任务场景，覆盖个人税、小企业税、合伙企业、跨境税务、遗产信托、税务争议等 8 个领域；
• 一共塞了 1789 个工作文件——平均每个任务 30 份材料，最多的一个 123 份：报税表、W-2 工资单、IRS（美国国税局）通知书、总账、工资册、合同、往来邮件，甚至还有一张手写收据的照片，要求 AI 自己认出写了什么、跟账目对上；
• 判分标准：AI 交的活要满足至少 95% 的评分要点才算"通过"——不是及格就行，是要接近专业人士的水准。

结果呢？排第一的 Claude Sonnet 5.5，通过率 10.8%；第二名 9.6%；第三名 9.2%。也就是说，十道专业活儿里，最强的 AI 只能干成一件。机构最后给了一句话，我印象很深："AI 还没有通过审计。"（Agents haven't yet passed the audit.）

二、它错在哪儿？两个真实案例，说给懂行的人听

评测里公布了两个典型案例，正好是干过财务的人一眼就能看懂的"坑"。

**案例一：漏掉了客户没问的期限。**一位要卖房的客户问 AI：10 月过户和明年 1 月过户，哪个省税？AI 把两个日期都分析对了。但它漏了一件事——按规则，房主必须"过去五年住满两年"才能享受这项减免，而客户已经搬走两年了，过了 2027 年 8 月，资格就没了。客户没问，AI 就没提。某个模型五次测试，一次都没提醒这个期限。

**案例二：想当然拍板。**一对要分财产的伴侣问怎么分退休账户，AI 开口就说"你们没有合法婚姻，所以账户不能分"。可材料里明明写着：他们曾在承认事实婚姻的州生活过、办过仪式——婚姻状态本身存疑，正确做法是先核实再下结论。而那个排名第一梯队里的模型，五次测试全部基于"没结婚"的假设给建议。

干了 5 年财务分析的人看到这两段，会心一笑又背后发凉：这不就是我们带新人时最常说的一句话吗——"客户不懂才来问你，你要是只答他问的那句，要你干嘛？"

AI 现在的问题不是不会算，是不会"多问一句、多看一眼"。而多问的那一句，往往才是真正值钱的部分。

三、给同行和老板的三步自测法：今天就能做的一步

别被"10.8%"吓住，也别被宣传片忽悠。我的建议就三步，一步比一步小：

**第一步，挑一件"最烦但不涉密"的杂活。**比如把一堆发票按类别整理成台账、把某项政策的适用条件列成清单。别一上来就让 AI 做整套申报——那是 10.8% 才敢碰的事。

**第二步，给它一半，留一半。**原始凭证和描述给它，判断标准和最终把关留给自己。对完之后你会发现：它快的是"整理"，弱的是"发现"——就像评测里那个漏掉的期限。

**第三步，记录你多看了一眼什么。**每次 AI 交活，把你人工检查时发现的问题记下来。攒上一个月，这张清单就是你团队用 AI 的分寸表——哪些活能放手，哪些活必须人盯。

四、工具越好，懂行的人越值钱

很多人看到"AI 干税务"就焦虑饭碗。我的看法正好相反：这次评测恰恰证明了，在需要判断力的专业活上，AI 离"能放手"还很远——50 道真题里，它连客户没问出口的风险都发现不了。

而"发现客户没说出口的问题"，正是你在这行干了十几二十年、天天赔进去的那些功夫。

所以不用恐慌，也不用硬扛。把 AI 当成一个字写得飞快、但需要老会计复核的实习生：**让它干整理，你来干判断。**每天往前走一步，比什么都强。

今天的"一步"就到这里。你在财税、会计这行吗？你让 AI 干过什么活、踩过什么坑？评论区聊聊。

附：本文评测事实均来自 Surge AI 2026-10-27 博客《DAYJOB: Tax》，涉美国税制（IRS/W-2/401(k) 等），规则不适用于中国国内税务；文中"三步自测法"为作者基于自身职业经验给出的操作建议，非评测结论。