OpenAI opublikowało szczegółowy opis procesu tworzenia autonomicznych agentów zdolnych do obsługi złożonych zagadnień podatkowych. Kluczowym narzędziem jest Codex — środowisko do uruchamiania agentów programistycznych w chmurze. Samodoskonalące się agenty AI nie powstają tu z jednego promptu, lecz z wieloetapowej pętli, w której system uczy się na własnych błędach, korzystając z korekt ekspertów i automatycznych testów.
Czym jest Codex i dlaczego nadaje się do zadań podatkowych
Codex to platforma OpenAI zaprojektowana do wykonywania złożonych zadań inżynieryjnych przez agentów AI. Działa w izolowanym środowisku — każdy agent dostaje własny sandbox z pełnym kontekstem repozytorium kodu, dokumentacji i danych wejściowych. Można go traktować jak młodszego programistę, który nie tylko pisze kod, ale potrafi samodzielnie uruchamiać testy, analizować logi i proponować poprawki. Więcej na temat architektury Codex znajdziesz w oficjalnej dokumentacji OpenAI.
Dlaczego akurat podatki? Przepisy podatkowe to tysiące reguł z wyjątkami, progami, terminami i zależnościami między formularzami. Klasyczne oprogramowanie księgowe radzi sobie z prostymi przypadkami, ale nietypowe sytuacje takie jak łączenie dochodów z wielu jurysdykcji, rozliczanie kryptowalut, amortyzacja środków trwałych według kilku metod naraz wymagają rozumowania na poziomie doświadczonego doradcy. Agent AI, który dysponuje narzędziami do czytania przepisów i uruchamiania obliczeń, może przejąć znaczną część tej pracy.
Pętla samodoskonalenia: jak agent uczy się na błędach
Centralnym pomysłem opisanym przez zespół OpenAI jest iteracyjna pętla poprawiania agenta. Wygląda to tak: agent otrzymuje zestaw scenariuszy podatkowych (ewaluacje), przetwarza je i generuje odpowiedzi. Następnie doradca podatkowy lub księgowy sprawdza wyniki, oznacza błędy i dopisuje krótkie wyjaśnienia, czemu dana odpowiedź jest niepoprawna. Te korekty wracają do systemu jako nowe dane treningowe.
Codex wykorzystuje je dwojako. Po pierwsze, aktualizuje instrukcje systemowe agenta, czyli dokument opisujący, jak ma podchodzić do konkretnych typów problemów. Po drugie, rozbudowuje zestaw testów, czyli automatycznych sprawdzianów, które agent musi zaliczyć przed wdrożeniem nowej wersji. Efekt jest taki, że każda kolejna iteracja eliminuje klasy błędów znalezionych w poprzedniej. Agent nie popełnia tego samego rodzaju pomyłki dwa razy.
Analogia z codziennego życia: wyobraź sobie praktykanta w biurze rachunkowym, który po każdym sprawdzonym rozliczeniu dostaje od mentora karteczkę z opisem, co poszło źle. Tyle że agent przetwarza setki takich karteczek w ciągu minut, a nie tygodni.
Rola ewaluacji w budowaniu niezawodności
Ewaluacje to fundament całego podejścia. Bez mierzalnego kryterium sukcesu nie da się stwierdzić, czy agent się poprawia. OpenAI stosuje tutaj zestawy przypadków testowych zarówno syntetycznych (wygenerowanych na podstawie przepisów), jak i realnych (zanonimizowane scenariusze od klientów). Każdy przypadek ma oczekiwaną odpowiedź, ustaloną wspólnie z ekspertami.
Co ciekawe, ewaluacje same podlegają wersjonowaniu. Gdy zmienia się przepis podatkowy lub gdy ekspert znajdzie nieścisłość w oczekiwanej odpowiedzi, zestaw jest aktualizowany. To zapobiega sytuacji, w której agent optymalizuje się pod nieaktualne kryteria — problem dobrze znany w uczeniu maszynowym.
Samodoskonalące się agenty AI a tradycyjny fine-tuning
Tradycyjne podejście do poprawiania modelu AI to fine-tuning: zbieramy dane, trenujemy model od nowa, wdrażamy. Proces jest kosztowny, wymaga GPU i trwa godziny lub dni. Podejście OpenAI z Codexem różni się w kilku punktach. Po pierwsze, nie wymaga ponownego trenowania wag modelu bazowego, zamiast tego modyfikuje kontekst, w jakim model pracuje (instrukcje, dokumentację, kod narzędziowy). Po drugie, pętla doskonalenia działa w trybie ciągłym, nie wsadowym. Po trzecie, korekty eksperta są natychmiast wykorzystywane w następnym uruchomieniu.
To podejście bliższe jest koncepcji retrieval-augmented generation (RAG) niż klasycznemu fine-tuningowi, choć idzie dalej — agent nie tylko pobiera informacje, ale aktywnie modyfikuje własne narzędzia i procedury.
Harness Engineering – jak OpenAI organizuje infrastrukturę agentów
W osobnym wpisie technicznym OpenAI opisuje podejście nazwane Harness Engineering — filozofię budowania infrastruktury wokół agentów AI. Chodzi o tworzenie „uprzęży” (harness) dla agenta: zestawu ograniczeń, testów, interfejsów i mechanizmów bezpieczeństwa, które pozwalają agentowi działać autonomicznie, ale w kontrolowanych ramach.
W kontekście agentów podatkowych harness obejmuje między innymi: walidację obliczeń numerycznych (agent nie może zwrócić kwoty podatku bez przeliczenia krok po kroku), wymuszanie cytowania konkretnego paragrafu przepisu oraz mechanizm eskalacji: gdy agent nie jest pewien odpowiedzi, przekazuje sprawę człowiekowi zamiast zgadywać. Takie podejście do projektowania agentów AI minimalizuje ryzyko kosztownych pomyłek w dziedzinie, gdzie błąd liczbowy może oznaczać karę skarbową.
Ograniczenia i wyzwania
Samodoskonalące się agenty AI nie są jeszcze gotowe do pełnej autonomii. OpenAI otwarcie wskazuje kilka problemów.
Pierwszy: zależność od jakości korekt ekspertów. Jeśli doradca podatkowy sam popełni błąd w adnotacji, agent nauczy się złej reguły.
Drugi: skalowalność — zestawy ewaluacji muszą rosnąć proporcjonalnie do złożoności obsługiwanych scenariuszy, a tworzenie dobrego przypadku testowego wymaga czasu specjalisty.
Trzeci: zmieniające się prawo. Przepisy podatkowe nowelizowane są co rok, a niekiedy z mocą wsteczną. Agent musi wiedzieć, która wersja przepisu stosuje się do danego roku podatkowego.
Jest też kwestia zaufania. Jak zauważył zespół OpenAI: „Trust is built one correct answer at a time” — zaufanie buduje się jedną poprawną odpowiedzią. W branży, gdzie błąd kosztuje realne pieniądze, adopcja musi być stopniowa.
Co to oznacza dla branży księgowej
Podejście OpenAI nie zastępuje księgowych, lecz zmienia charakter ich pracy. Zamiast ręcznie wypełniać formularze i sprawdzać zgodność z przepisami, ekspert staje się recenzentem i nauczycielem agenta. Jego wiedza jest systematycznie przechwytywana i kodyfikowana w postaci ewaluacji i korekt. To model znany z inżynierii oprogramowania jako ciągła integracja, tyle że zamiast kodu źródłowego integrowane jest rozumowanie podatkowe.
Dla mniejszych biur rachunkowych, które nie mają zasobów na budowę własnych systemów AI, ważna jest implikacja platformowa. Jeśli Codex stanie się ogólnodostępnym narzędziem do tworzenia agentów dziedzinowych, bariera wejścia drastycznie spadnie. Wystarczy ekspertyza podatkowa i zbiór przypadków — resztę zapewnia infrastruktura OpenAI. Więcej o praktycznych zastosowaniach agentów w biznesie przeczytasz w naszym przeglądzie zastosowań agentów AI w firmach.
Perspektywa techniczna: dlaczego pętle uczenia działają lepiej niż jednorazowy prompt
Jednorazowy prompt, nawet bardzo rozbudowany, traktuje model jako czarną skrzynkę: wrzucamy dane, dostajemy odpowiedź. Nie ma mechanizmu korekcji, nie ma pamięci. Pętla samodoskonalenia wprowadza trzy kluczowe elementy, których brakuje w podejściu promptowym: pamięć błędów (agent wie, czego nie powinien robić), weryfikowalność (każda odpowiedź jest testowalna) i przyrostowość (system staje się lepszy z każdym cyklem, nie wymaga budowania od zera).
To podejście rezonuje z badaniami nad samodoskonaleniem dużych modeli językowych, które pokazują, że iteracyjne uczenie z informacją zwrotną daje lepsze rezultaty niż jednorazowe trenowanie na statycznym zbiorze danych.
Częste pytania
Jak agenci AI OpenAI uczą się na błędach w kontekście podatków?
Agenci AI uczą się na błędach poprzez iteracyjną pętlę poprawiania, w której przetwarzają zestaw scenariuszy podatkowych, a następnie eksperci oznaczają błędy i dodają wyjaśnienia. Te korekty są następnie używane jako nowe dane treningowe, co pozwala agentowi unikać powtarzania tych samych pomyłek.
Dlaczego Codex jest odpowiedni do zadań podatkowych?
Codex to platforma zaprojektowana do wykonywania złożonych zadań inżynieryjnych, działająca w izolowanym środowisku. Dzięki temu agenci mogą samodzielnie uruchamiać testy, analizować logi i proponować poprawki, co jest niezbędne w obsłudze skomplikowanych przepisów podatkowych.
Jakie są ograniczenia samodoskonalących się agentów AI w kontekście podatków?
Ograniczenia obejmują zależność od jakości korekt ekspertów, co może prowadzić do nauki błędnych reguł, a także problem skalowalności zestawów ewaluacji, które muszą rosnąć w miarę wzrostu złożoności scenariuszy. Dodatkowo, zmieniające się przepisy podatkowe mogą wpływać na skuteczność agentów.
Jakie są różnice między tradycyjnym fine-tuningiem a podejściem OpenAI?
Podejście OpenAI różni się tym, że nie wymaga ponownego trenowania wag modelu, lecz modyfikuje kontekst, w jakim model pracuje. Pętla doskonalenia działa w trybie ciągłym, co oznacza, że korekty eksperta są natychmiast wykorzystywane w kolejnych uruchomieniach.
Jakie zmiany w pracy księgowych wprowadza technologia OpenAI?
Technologia OpenAI zmienia charakter pracy księgowych, którzy zamiast ręcznie wypełniać formularze, stają się recenzentami i nauczycielami agentów AI. Ich wiedza jest systematycznie przechwytywana i kodyfikowana, co zwiększa efektywność procesów podatkowych.
