به گزارش خبرنگار اقتصادی خبرگزاری تسنیم، در سال‌های اخیر، نظام مالیاتی کشور با چالش‌هایی مزمن مانند بی‌ثباتی مقررات، تعدد بخشنامه‌ها، تفسیرپذیری بالا و اختلاف‌نظر میان مؤدیان و سازمان امور مالیاتی مواجه بوده است. در چنین فضایی، لایحه‌نویسی مالیاتی به یکی از مهم‌ترین ابزارهای دفاع از حقوق مؤدیان در هیئت‌های حل اختلاف و مراجع تجدیدنظر تبدیل شده است؛ ابزاری که تا همین چند سال قبل، ماهیتی کاملاً انسانی، تجربی و غیرسیستمی تلقی می‌شد.

یک تصور این بود که لایحه‌نویسی نهایتاً 20 تا 30 درصد در رأی نهایی اثر دارد و به‌دلیل نیاز به درک ذهن قاضی، فضای احساسی جلسه و ظرافت‌های غیرقابل کدنویسی، امکان هوشمندسازی آن وجود ندارد. اما تجربه‌ای تازه در حوزه هوش مصنوعی این فرضیه را به چالش کشیده است.

ترجمه دقیق حقوق مودی از زبان فناوری

بر اساس داده‌های به‌دست‌آمده از پیاده‌سازی یک مدل هوش مصنوعی تخصصی در حوزه لایحه‌نویسی مالیاتی، نرخ موفقیت لوایح تنظیم‌شده با کمک این مدل در مراجع رسیدگی، به 95 درصد رسیده است؛ عددی که نه‌تنها فراتر از برآوردهای سنتی است، بلکه نشان می‌دهد «تمیزی لایحه»، انسجام استدلال و نحوه ارائه حق، می‌تواند نقشی تعیین‌کننده در رأی نهایی داشته باشد.

این مدل تاکنون بیش از 3 هزار لایحه مالیاتی را در هیئت‌های بدوی، تجدیدنظر و برای شرکت‌های مختلف تولیدی و بازرگانی پردازش، آموزش و بهینه‌سازی کرده و عملاً به یک بانک تجربه زنده از رفتار مراجع قضاوت مالیاتی تبدیل شده است.

لایحه‌نویسی مالیاتی؛ از مهارت فردی تا فرآیند داده‌محور

لایحه‌نویسی مالیاتی، در تعریف حرفه‌ای خود، صرفاً نوشتن یک متن اعتراضی نیست؛ بلکه فرآیندی چندلایه برای بازنمایی «حق» در چارچوب قانون، مستندات و منطق قضاوت است. در این تجربه نوین، اخلاق‌مداری یکی از ارکان اصلی طراحی مدل بوده است؛ به این معنا که هوش مصنوعی نه برای دور زدن قانون، بلکه برای دفاع دقیق، مستند و منصفانه از حقوق مؤدی به کار گرفته شده است.

نقطه تمایز این مدل، تمرکز بر «لایحه به‌حق» است؛ لایحه‌ای که نه بر اغراق، بلکه بر داده، قانون و فهم درست از منطق تصمیم‌گیر تکیه دارد.

ساختار این مدل هوش مصنوعی بر پنج عنصر اصلی استوار است. نخست، دریافت داده؛ شامل اطلاعات پرونده، سوابق مالیاتی، بخشنامه‌ها، آرای مشابه و ویژگی‌های مؤدی. دوم، سنجش و تحلیل داده؛ بخشی که در گذشته بزرگ‌ترین چالش لایحه‌نویسی محسوب می‌شد.

در این مرحله، مدل تلاش می‌کند لایحه‌ای تولید کند که نه‌تنها از نظر حقوقی صحیح باشد، بلکه بتواند بر دیدگاه قضاوت‌کننده اثر بگذارد و «حق» را به شکلی قابل درک و قانع‌کننده در ذهن او قالب کند.

سوم، طراحی ساختار لایحه متناسب با مرجع رسیدگی، نوع پرونده و سابقه رأی‌دهی. چهارم، ساخت متن نهایی با عمق تحلیلی و حتی احساسی کنترل‌شده؛ و در نهایت، خروجی استاندارد و قابل ارائه که از نظر شکلی و محتوایی، کمترین حاشیه را برای رد یا تضعیف دارد.

وقتی «احساس» هم داده می‌شود

یکی از نکات کلیدی در موفقیت این مدل، توجه به بعدی است که پیش‌تر غیرقابل‌سیستمی تلقی می‌شد: بعد احساسی و ذهنی قضاوت. تجربه نشان داده است که بسیاری از آرای مالیاتی، صرفاً بر پایه اعداد و مواد قانونی صادر نمی‌شوند، بلکه نحوه روایت پرونده، ترتیب استدلال و شفافیت لایحه نقش مهمی در تصمیم نهایی دارد.

هوش مصنوعی به‌کارگرفته‌شده در این پروژه، با تحلیل هزاران رأی و بازخورد، به الگویی رسیده است که می‌تواند لایحه‌ای منسجم و اثرگذار تولید کند؛ لایحه‌ای که هم قانون را رعایت می‌کند و هم زبان قاضی را می‌فهمد.

نتیجه این رویکرد، تغییر یک باور قدیمی است، اینکه لایحه‌نویسی الزاماً فرآیندی غیرقابل‌هوشمندسازی است. داده‌های تجربی نشان می‌دهد که وقتی لایحه به‌درستی طراحی شود، سهم آن در نتیجه نهایی می‌تواند به‌مراتب بیش از 20 یا 30 درصد باشد و حتی در بسیاری از پرونده‌ها، عامل تعیین‌کننده رأی تلقی شود.

این تحول، نه‌تنها برای مؤدیان، بلکه برای کل نظام مالیاتی پیام مهمی دارد؛ شفافیت، پیش‌بینی‌پذیری و عدالت، بیش از هر چیز به کیفیت فرآیندها وابسته‌اند؛ و هوش مصنوعی می‌تواند یکی از ابزارهای کلیدی در این مسیر باشد.

انتهای پیام/