თვითგაუმჯობესებადი საგადასახადო აგენტების შექმნა Codex-ით

როგორ შექმნეს Thrive Holdings-მა და OpenAI-მ Crete-ის ბუღალტრებისთვის Tax AI პრაქტიკოსების ექსპერტული ცოდნისა და Codex-ზე დაფუძნებული ციკლის შერწყმით

რეალურ სამყაროში სისტემები საექსპლუატაციო ფაზაში სხვაგვარად იქცევა, ვიდრე ლაბორატორიაში, და ისე ფუჭდება, რისი წინასწარ განჭვრეტაც დანერგვამდე რთულია. გუნდები ხშირად ამ წარუმატებლობებს გაშვების შემდეგ აღმოაჩენენ, შემდეგ კი კვირებს ხარჯავენ საზღვრული შემთხვევების შემოწმებაზე, პრომპტების მორგებაზე და საექსპლუატაციო ფაზაში მიღებული უკუკავშირის გადატანაზე პროდუქტის გამძლე გაუმჯობესებებად. უკუკავშირის ციკლი ხელით სამართავია და ნელია, და მხოლოდ მაშინ უმჯობესდება, როცა ინჟინერი მას წინ წაწევს. მაგრამ დღეს შეფასებითი ტესტირების გააზრებულად დაპროექტებული ინფრასტრუქტურით, პრაქტიკოსებსა და რეალურ გარემოებზე პირდაპირი წვდომით და Codex-ის მოწინავე აგენტური შესაძლებლობებით, შეგიძლიათ ააწყოთ აგენტები, რომლებიც თვითონვე უმჯობესდება.

ამ პოსტში განვიხილავთ, როგორ გამოვიყენეთ Codex ამ ტიპის აგენტის ასაწყობად. ბოლო ექვსი თვის განმავლობაში OpenAI-ის ადგილზე მივლენილმა ინჟინრებმა და მკვლევრებმა Thrive Holdings-ის ინჟინრებთან ერთად ითანამშრომლეს, რათა Tax AI შეექმნათ Crete⁠(იხსნება ახალ ფანჯარაში)-ის 30+ საბუღალტრო ფირმის ქსელთან ერთად და მათთვის, სულ უფრო რთული საგადასახადო დეკლარაციების მომზადებაში დასახმარებლად. იმის ნაცვლად, რომ თითოეული მარცხის პოვნა და გამოსწორება ინჟინრებზე იყოს დამოკიდებული, Tax AI Codex-ს იყენებს, რათა საექსპლუატაციო ფაზაში გამოყენება სტრუქტურირებულ სიგნალებად აქციოს, რომლებიც ავტონომიურ გაუმჯობესებას კვებავს.

Crete-ის პრაქტიკოსები ყოველ სეზონზე ათიათასობით საგადასახადო დეკლარაციას ამზადებენ, რაც მილიონობით საბაზისო დოკუმენტზე მუშაობას მოითხოვს. საშუალო და მაღალი სირთულის დეკლარაციებისთვის მხოლოდ მონაცემების შეყვანასაც კი შეიძლება თითო დეკლარაციაზე რვა საათი დასჭირდეს, ხშირად მოუწესრიგებელი მონაცემთა წყაროებით, წინა წლის დოკუმენტებით და ხელით ამოღებითა და გამოთვლით. მათ მიგვითითეს, რომ საგადასახადო მომზადება საგადასახადო სეზონის ყველაზე დატვირთულ მონაკვეთში მნიშვნელოვან ვიწრო ყელის ეფექტს ქმნიდა.

ამ პრობლემის გადასაჭრელად Tax AI-მ ამ საგადასახადო სეზონზე საპილოტო ვერსიაში მონაწილე Crete-ის ფირმებში 7000 საგადასახადო დეკლარაცია დაამუშავა. სისტემა საგადასახადო დეკლარაცია 1040-ისა და 1041-ის მომზადების შრომატევადი პროცესის დიდი ნაწილის ავტომატიზებას ახდენს, მაგრამ ეფექტიანობის ზრდაზე უფრო შთამბეჭდავი ის არის, რომ თავად სისტემა გაზომვადად უკეთესია, ვიდრე სამი თვის წინ პირველად დანერგილი ვერსია.

Tax AI-ში პრაქტიკოსები წყაროს ფაილებს ტვირთავენ კლიენტისთვის სპეციფიკურ შენიშვნებთან ერთად. შემდეგ Tax AI ქმნის საგადასახადო ძრავისთვის წარდგენას, რომელიც მიმოხილვისთვის მზადაა. ეს პრაქტიკოსებს საგადასახადო მომზადებაზე დროის დაახლოებით მესამედს უზოგავს, დეკლარაციების მონახაზებს 97%-მდე სიზუსტით ამზადებს და მწარმოებლურობას დაახლოებით 50%-ით ზრდის, რითაც მათ კლიენტებთან დროის გასატარებლად მეტ სივრცეს უქმნის. 

ამ გაუმჯობესების რაოდენობრივად შეფასება შეგვიძლია იმის გაგებით, რამდენად ზუსტად შეუძლია Tax AI-ს დეკლარაციის დასრულება ისე, რომ მოგვიანებით შესწორება აღარ დასჭირდეს. სიზუსტეს ვზომავთ იმით, თუ დეკლარაციების რა წილი აღწევს ველების 75%, 90% ან 100% სწორ შევსებას. გაშვებისას დეკლარაციების მხოლოდ მეოთხედმა მიაღწია ველების 75% სწორ შევსებას, მაგრამ ექვს კვირაში ამ ნიშნულს 86%-მა მიაღწია. სისტემამ კიდევ უფრო სწრაფი ზრდა აჩვენა ველების 90% და 100% სწორი შევსების დონეებზე. ეს ზღურბლები პრაქტიკულ სურათს გვაძლევს იმის შესახებ, რამდენ შემდგომ ჩარევას მოითხოვს ჯერ კიდევ სხვადასხვა დეკლარაცია პრაქტიკოსისგან. 

თავდაპირველად Tax AI უფრო მარტივ სამუშაოს ამუშავებდა, როგორიცაა W-2-ები და 1099-ები. სეზონის განმავლობაში ის გადავიდა უფრო რთულ დეკლარაციებზე, რაც მოიცავს K-1 ფორმებს, განრიგებსა და უფრო რთულ არასტანდარტულ შემთხვევებს. ყოველი ახალი შესაძლებლობა თითო დეკლარაციაზე უფრო მეტ დროს ზოგავდა, ვიდრე წინა, რადგან მისაღები ამოცანები უფრო რთული და ხელით შესასრულებლად უფრო შრომატევადი იყო. დღესაც ვხედავთ უწყვეტ პროგრესს.

შემდეგ განვიხილავთ, როგორ შექმნა ჩვენმა გუნდებმა Tax AI ისე, რომ თვითგაუმჯობესებადი ყოფილიყო, სამი კრიტიკული საყრდენის გამოყენებით: 1) ექსპერტი პრაქტიკოსების უკუკავშირი, 2) საექსპლუატაციო ფაზის ტრასირებები (სტრუქტურირებული ისტორია შენატანებიდან საბოლოო გამონატანამდე) და 3) Codex-ზე დაფუძნებული იტერაციის ციკლი მორგებული შეფასებითი ტესტების საფუძველზე, რათა შესაძლებელი გახდეს პროდუქტის უწყვეტი და უფრო სწრაფი შემუშავება. ვიმედოვნებთ, რომ ჩვენი გამოცდილება სასარგებლო იქნება სხვა შემქმნელებისთვის იმ სფეროებში, სადაც პრაქტიკოსების ექსპერტული გადამწყვეტია როგორც მთლიანი სისტემის, ისე მასში გამავალი მონაცემების ხარისხის ჩამოსაყალიბებლად.

როცა საგადასახადო მომზადების უფრო რთულ ნაწილებზე გადავედით (K-1-ები, გასაქირავებელი უძრავი ქონების განრიგები და საგადასახადო ფორმები, რომლებშიც მნიშვნელობების შეჯერება რამდენიმე წყაროს ფაილს შორის იყო საჭირო), აშკარა გახდა, რომ ნამდვილი გამოწვევა იყო, შეძლებდა თუ არა პროდუქტი საექსპლუატაციო გარემოს რთული მარცხები წარმოეჩინა ხილვადი, გასაგები და განხორციელებადი სახით.

პროდუქტის ადრეულ ეტაპებზე შესწორებების უმეტესობა ხელით კეთდებოდა. პრაქტიკოსებს შეეძლოთ სისტემის შეცდომების შესწორება, მაგრამ პროდუქტი სრულ კონტექსტს არ ინახავდა: გაგზავნამდე შეცვლილი მნიშვნელობა შეიძლება აღნიშნავდეს ამოღების ნამდვილ გამორჩენას, ასახვის პრობლემას, პროდუქტის მხარდაჭერის ნაკლებობას ან მოსალოდნელ სამუშაო პროცესის ხმაურს. ამ შემთხვევების გარჩევა მაინც საინჟინრო გუნდის შემდგომ ჩარევას მოითხოვდა. ინჟინრებს შეეძლოთ კოდის წერის აგენტების გამოყენება, მაგრამ სისტემა ჯერ ისე არ იყო დაპროექტებული, რომ AI-ს გაუმჯობესების ციკლში შინაარსიანად გამოეყენებინა. არ გვქონდა სიგნალი, რომელიც სწორ დასაძლევ ამოცანას გამოგვიკვეთდა.

ამან მიგვიყვანა ისეთი სისტემის შექმნამდე, რომელიც სამ საყრდენს ეფუძნება:

1. იყავით პრაქტიკოსებთან ახლოს: ადამიანებმა, რომლებიც საქმეს აკეთებენ, უნდა მართონ ის, რასაც პროდუქტი სწავლობს. მათი ინტუიცია და გაგება აჩვენებს, რომელი შეცდომებია მნიშვნელოვანი და გვეხმარება იმის განსაზღვრაში, სამუშაო პროცესის რომელ ნაწილებზე ღირს შემდეგ ფოკუსირება.
2. ააწყვეთ პროდუქტი ისე, რომ საექსპლუატაციო გარემოში მტკიცებულებითი მონაცემები შეიქმნას: პროდუქტმა მხოლოდ შენატანები და შედეგები კი არ უნდა დააფიქსიროს; მან უნდა დაიჭიროს სრული გზა წყაროს მასალიდან, ამოღებულ ველებსა და წარმომავლობამდე, შემდეგ ქვედა დონის წარდგენამდე და ექსპერტის შესწორებამდე.
3. შექმენით Codex-ზე დაფუძნებული გაუმჯობესების ციკლი: როცა საწარმოო პრობლემები ხილვადი და სტრუქტურირებულია, ისინი შეიძლება მიგნებებად, მორგებულ შეფასებით ტესტებად და შეზღუდულ საინჟინრო ამოცანებად იქცეს. შემდეგ Codex-ი შეიძლება დაგეხმაროთ გამოკვლევაში, ცვლილებების შეთავაზებაში, მათ ვალიდაციაში მიზნობრივი და რეგრესიული შეფასებითი ტესტების მიმართ და პროდუქტის წინ წაწევაში უფრო სწრაფად, ვიდრე ამას მხოლოდ მანუალური იტერაციის ციკლი შეძლებდა. 

ქვემოთ მოცემული გასაქირავებელი საკუთრების მაგალითი აჩვენებს, როგორ მუშაობს ეს ციკლი პრაქტიკაში და წარმოგიდგენთ, როგორ იქცევა პრაქტიკოსის შესწორება სტრუქტურირებულ მიგნებად, შემდეგ შეფასების სამიზნედ და ბოლოს Codex-ისთვის შეზღუდულ საინჟინრო ამოცანად.

გასაქირავებელი საკუთრებიდან მიღებული შემოსავალი ინდივიდუალური საგადასახადო დეკლარაციის განრიგ E-ზე აისახება. საინჟინრო თვალსაზრისით, მისი ამოღების ამოცანა მარტივად აღსაწერია, მაგრამ კარგად შესასრულებლად რთულია. სისტემამ უნდა წაიკითხოს მოუწესრიგებელი წყაროს მასალა (ხელნაწერი შენიშვნები, ელწერილები, ელცხრილები და კლიენტის სხვა ფაილები), ამოიღოს გასაქირავებელი საკუთრების ველები, რომლებიც სისტემას შეუძლია თავდაჯერებით ასახოს საგადასახადო ძრავში, და შეინარჩუნოს საკმარისი მტკიცებულებითი მონაცემები, რათა პრაქტიკოსმა შედეგი დაამტკიცოს ან შეასწოროს. ქვემოთ მოცემული გამარტივებული მაგალითი აჩვენებს, როგორ შეიძლება გამოიყურებოდეს ეს წყაროს ფაილები და ამოღებული გამონატანები.

აგენტის მიერ ნავარაუდებ მნიშვნელობასა და შეტანილი საგადასახადო დეკლარაციის რეალურ მნიშვნელობას შორის სხვაობა შეიძლება ნამდვილ ამოღების გამორჩენას ასახავდეს, მაგრამ ასევე შეიძლება იყოს პრაქტიკოსის უპირატესი არჩევანი, საგადასახადო ძრავაში წინა წლის დეკლარაციიდან გადმოტანილი მნიშვნელობა, ან დეკლარირების სამუშაო პროცესის სხვა ეტაპზე შეტანილი ან შეცვლილი მნიშვნელობა. პრაქტიკოსები დაგვეხმარნენ ამ შემთხვევების გარჩევაში, რათა დაგვედგინა, რომელი ქმედებები მოითხოვდა პრაქტიკოსის შესწორებას ან ბლოკავდა წარდგენას.

რადგან ამ შესწორებებს დეტალურად ვხედავდით, მიმოხილვის პროცესი საბოლოო, მარცხის შემდგომი ნაბიჯიდან უწყვეტი სწავლის ციკლად ვაქციეთ. ჩვენ სამუშაო პროცესი ისე დავაპროექტეთ, რომ ექსპერტების ქმედებები სტრუქტურირებულ მონაცემებად დაფიქსირებულიყო. ახლა ყოველი ჩარევა პროდუქტის გაუმჯობესების ციკლს ამარაგებს იმით, რომ ზუსტად იწერს, რას სთავაზობდა Tax AI, რა შეცვალა პრაქტიკოსმა და რა შევიდა საბოლოოდ შევსებულ დეკლარაციაში.

გასაქირავებელი საკუთრების მსგავსი რთული სამუშაო პროცესისთვის სისტემამ უნდა შეინარჩუნოს ის, რაც ხდება წყაროს ფაილებსა და შეტანილ დეკლარაციას შორის. ამ გზაზე დოკუმენტები ორგანიზდება, იყოფა და კლასიფიცირდება; გასაქირავებელი საკუთრების ველები ამოიღება წყაროს მასალაზე ციტირებით; ეს მნიშვნელობები საგადასახადო ძრავაში აისახება; და პრაქტიკოსებმა შეიძლება ისინი შეტანამდე მაინც შეასწორონ. პროდუქტის დონეზე მიღებული ტრასირების აღნიშნული მონაცემები შესაძლებელს ხდის იმის გამოკვლევას, სად მოხდა მარცხი. იმისთვის, რომ პრაქტიკოსების შესწორებები სასარგებლო შეფასების სამიზნეებად ვაქციოთ, სისტემა მათ სამ ნაბიჯად ამუშავებს:

• სხვაობის დაფიქსირება: Tax AI-ის შედეგი შევსებულ დეკლარაციას ედარება, რათა შეიქმნას ველის დონის მიმოხილვის სტრიქონები, რომლებიც აფიქსირებს მოსალოდნელ მნიშვნელობას, ნავარაუდებ მნიშვნელობას და იმას, ჩანს თუ არა სხვაობა განხორციელებადი.
• დაკავშირებული მარცხების დაჯგუფება: მსგავსი მიმოხილვის სტრიქონები ჯგუფდება, რათა განმეორებადი პროდუქტის მარცხები მოსალოდნელი სამუშაო პროცესის ხმაურისგან გაიმიჯნოს. მაგალითად, პრაქტიკოსების განმეორებითმა შესწორებებმა შეიძლება აჩვენოს, რომ Tax AI ხშირად ტოვებს იმ დღეების ველებს, რომლებშიც საკუთრება მისაღებ საბაზრო ფასად გაქირავდა, არასწორად ამუშავებს სხვა ხარჯებს, ან ერთსა და იმავე წყაროს პაკეტში რამდენიმე გასაქირავებელ საკუთრებას ერთმანეთში ურევს.
• განმეორებადი შაბლონების გადაქცევა შეფასების სამიზნეებად: შემოწმებისა და გაზომვის შემდეგ, განმეორებადი მიგნებები შეფასებითი ტესტის მკაფიო სამიზნეებად იქცევა Codex-ის გასაუმჯობესებლად.

მესამე საყრდენი არის ისეთი საინჟინრო ციკლის შექმნა, რომელსაც ამ ახალ შეფასებით ტესტებზე მოქმედება შეუძლია. აქ Codex ცენტრალურ როლს იძენს.

დავუშვათ, ჩვენი შეფასებითი ტესტების კონვეიერი აღნიშნავს, რომ Tax AI მუდმივად ტოვებს იმ დღეების ველს, რომლებშიც საკუთრება მისაღებ საბაზრო ფასად ქირავდება, მაშინ როცა პრაქტიკოსები მას საიმედოდ ავსებენ. რადგან ეს მიგნება უკვე შეფუთულია შეფასებითი ტესტების მიზნობრივ ნაკრებად, წარმომადგენლობითი წყაროს პაკეტებითა და მოსალოდნელი შედეგებით, Codex-ს შეუძლია ძირეული მიზეზი პირდაპირ პროდუქტის ჩარჩოს შიგნით გამოიკვლიოს.

Codex მხოლოდ არასაკმარისად კარგ საბოლოო შედეგთან არ მუშაობს. ის ერთობლივად ამოწმებს ტრასირებას, შეფასებით ტესტებს, რეპოზიტორიუმს და უნარებს:

• კონვეიერის გამოკვლევა: შეამოწმეთ წყაროს პაკეტები, ამოღების სქემები, ამსახველის ქცევა და კოდის ბილიკები, რათა დადგინდეს, რა არის პრობლემა: მხარდაუჭერელი ველი, გამორჩენილი ამოღების შაბლონი, წყაროს შერჩევის პრობლემა, ამსახველის ხარვეზი თუ შემფასებლის პრობლემა.
• მიზნობრივი შესწორებების დანერგვა: გააფართოვეთ ამოღების სქემა, გააუმჯობესეთ წყაროს შერჩევა გასაქირავებელი საკუთრების დოკუმენტებისთვის, განაახლეთ საგადასახადო ძრავის ამსახველი ან დახვეწეთ შემფასებელი, თუ მოსალოდნელი სამუშაო პროცესის ხმაური მარცხად ითვლება.
• ვალიდაცია და შეთავაზება: ხელახლა გაუშვით მიზნობრივი შეფასებითი ტესტი, გაუშვით უფრო ფართო რეგრესიის ნაკრებები და საინჟინრო მიმოხილვისთვის წარმოაჩინეთ კანდიდატი შერწყმის მოთხოვნა.
• ციკლის დახურვა: პრაქტიკოსის განმეორებადი შესწორება გაზომვად საინჟინრო ამოცანად აქციეთ. თუ მტკიცებულება ორაზროვანია ან უსაფრთხოდ ავტომატიზებადი არ არის, შემთხვევა პროდუქტის გუნდს უბრუნდება იმის ნაცვლად, რომ ძალით გაიაროს ეს ციკლი.

გასაქირავებელი საკუთრების მაგალითი უფრო ფართო, მრავალჯერადი გამოყენების შაბლონის ნიშანდობლივია: საწარმოო არტეფაქტებისა და ტრასირებების გამოყენება აგენტის შესაძლებლობების გასაუმჯობესებლად. Codex-ს შეუძლია, კვირებისა და თვეების განმავლობაში მნიშვნელოვნად გააუმჯობესოს წარმადობა და სიზუსტე შენატანების ისეთი ნაკრების გათვალისწინებით, როგორიცაა შემოწმებული მიგნებები საექსპლუატაციო ფაზის მონაცემებიდან, წყაროს ტრასირებები, საგადასახადო ძრავის მოსალოდნელი გამონატანი, შესაფერისი კოდის მაგალითები და შეფასებითი ტესტების ბრძანებები. ეს ეფუძნება ჩვენს ნაშრომში აღწერილ პრინციპებს სარტყლის ინჟინერიისა და Symphony-ს შესახებ, სადაც აღწერილია, როგორ გავხადოთ ამოცანები Codex-ისთვის აღქმადი, მივაწოდოთ შეზღუდული კონტექსტი და ინსტრუმენტები და შევინარჩუნოთ ვალიდაცია და ადამიანური მიმოხილვა გარემოს ნაწილად. 

ეს მტკიცებულება ავტომატურად არ იქცევა Codex-ის ამოცანად. პრაქტიკოსის შესწორება შეიძლება ასახავდეს ამოღების გამორჩენას, ამსახველის პრობლემას, პროდუქტის მხარდაუჭერელ ქცევას, საგადასახადო განსჯას ან მოსალოდნელ სამუშაო პროცესის ხმაურს. მხოლოდ მას შემდეგ, რაც განმეორებითი სხვაობები გადაიხედება და განხორციელებად მიგნებად დაჯგუფდება, სისტემა მათ მკაფიო წარმატების პირობის მქონე შეზღუდულ დავალებად აქცევს.

ამ ავტომატიზაციას პროდუქტის შეზღუდულ ფენაზე ვიყენებთ. ეს ფენა ასრულებს ამოღებას და წყაროს დოკუმენტებს საგადასახადო სამუშაო პროცესებში ასახავს. ინჟინრები კვლავ პასუხისმგებელნი რჩებიან არქიტექტურაზე, პროდუქტთან დაკავშირებულ გადაწყვეტილებებსა და გამოშვებაზე. პრაქტიკოსები გაუმჯობესების ციკლს იმ სამუშაოთი მართავენ, რასაც ისედაც აკეთებენ: ამოღებული მნიშვნელობების შესწორებით, დეკლარაციების გადახედვით და საბოლოო წარდგენების დამტკიცებით.

Codex-ისთვის შედეგი ბუნდოვანი შეტყობინება კი არა, არამედ შეზღუდული საინჟინრო ამოცანაა მტკიცებულებით, პროდუქტის რედაქტირებადი ზედაპირებითა და აშკარა ვალიდაციის კარიბჭეებით. რეპრეზენტაციული გასაქირავებელი საკუთრების დავალების კონტექსტი შეიძლება ასე შეჯამდეს:

იგივე ციკლი გასაქირავებელი საკუთრების ფარგლებს გარეთაც მოქმედებს. გასაქირავებელ საკუთრებას დაახლოებით ექვსი კვირა და მნიშვნელოვანი საინჟინრო ზედამხედველობა დასჭირდა 90% სიზუსტისა და სისრულის მისაღწევად, მაგრამ ამ სამუშაომ შექმნა მრავალჯერადი გამოყენების აბსტრაქციები, მიმოხილვის არტეფაქტები, შეფასებითი ტესტების კონვენციები და დანერგვის შაბლონები, რომლებმაც გაამარტივა მსგავსი სირთულის ისეთი განრიგების მხარდაჭერა, როგორიცაა განრიგი C და განრიგი A.

Tax AI აჩვენებს გზას თვითგაუმჯობესებადი აგენტების შესაქმნელად. პრაქტიკოსები სერვისის მიწოდებისას მაღალი ღირებულების უკუკავშირის სიგნალებს ქმნიან. პროდუქტის სამუშაო პროცესები ამ სიგნალებს სტრუქტურირებულ მტკიცებულებად ინახავს. შეფასებითი ტესტებით გამყარებული საინჟინრო სისტემები გაუმჯობესებებს საექსპლუატაციო ფაზამდე ამოწმებს, ხოლო აგენტზე დაფუძნებული ციკლი სისტემას უწყვეტი თვითგაუმჯობესების რეჟიმში ამყოფებს. 

Thrive Holdings-ის სტრუქტურა გვაძლევს საშუალებას, ამ გარემოს რეპლიკაცია მოვახდინოთ კონკრეტულ გარემოებში. Holdings ერთდროულად მფლობელიცაა და ოპერატორიც, ამიტომ ჩვენს გაერთიანებულ საინჟინრო გუნდებს შეუძლიათ პირდაპირ იმუშაონ პრაქტიკოსებთან და საწარმოო მონაცემებთან ისეთი ბიზნესებიდან, როგორიცაა Crete — არა როგორც მომწოდებელმა, არამედ როგორც პარტნიორებმა. ეს ნიშნავს, რომ ტექნოლოგია, პროდუქტი და სერვისი ერთ ჭერქვეშაა მოქცეული, რათა უფრო სწრაფად ვიმოქმედოთ და გამორჩეული პროდუქტები შევქმნათ.

ერთმა უფროსმა ბუღალტერმა, რომელმაც გასულ წელს საგადასახადო მომზადებაზე 180 საათი დახარჯა, წელს ამაზე მხოლოდ 15 საათი დახარჯა. ამ დროის ნაწილი მან იმაში ჩადო, რომ თითოეული კლიენტისთვის დაერეკა და მათთან ერთად დეკლარაციები გაევლო — ესაა მაღალი ჩართულობის სერვისის ისეთი დონე, რომელიც ერთი წლის წინ შეუძლებელი იყო. დანარჩენი დრო მან ახალი კლიენტების მიღებასა და ახალი სერვისების შეთავაზებების გაფართოებას მოახმარა.

ერთად, ჩვენი გუნდები ახლა Tax AI-ის იმავე სამნაწილიან დიზაინს იყენებენ, როგორც გეგმას სხვა დარგებში სამუშაო პროცესების ასაგებად Thrive Holdings⁠(იხსნება ახალ ფანჯარაში)-ის მასშტაბით; საბუღალტრო სამუშაო პროცესებში, როგორიცაა ბუღალტერია და აუდიტი, და საოპერაციო სამუშაო პროცესებში, როგორიცაა IT დახმარების ცენტრის ავტომატიზაცია. სხვადასხვა სფეროსა და ინდუსტრიაში თვითგაუმჯობესებადი აგენტების უფრო ფართო პოტენციალი ნარჩუნდება. საუკეთესო აგენტებს ადამიანები მართავენ, რათა დროთა განმავლობაში უფრო ქმედუნარიანი, უფრო სანდოი და უფრო ღირებული გახდნენ.

თუ გსურთ მეტი გაიგოთ OpenAI-ის გუნდის შესახებ, რომელმაც ამ პროექტზე იმუშავა, დაგვიკავშირდით.