我最近看到一個稅務 AI benchmark，第一個反應不是「哪個模型最強」，而是：如果我把這種工作交給 AI，我到底要怎麼知道它還沒有漏掉會讓我損失大錢的地方？

這個問題對一人電商特別現實。我平常叫 AI 寫商品頁、整理客服、看銷售表，錯一個形容詞，頂多重寫一次。但如果是稅務、合約、付款條件這種事情，AI 回答得很順，不代表事情做對了。真正危險的，往往是它沒有問那個你自己也不知道要問的問題。

Surge AI 最近發布的 DAYJOB Tax，就是在測這件事。它準備了 50 個專業稅務環境、1789 份工作檔案，涵蓋八種稅務實務。每份工作不只是問一個標準答案，而是要求模型處理資料矛盾、指令不完整的情況，最後交出申報、workpaper、審查或建議。榜首 Claude Sonnet 5.5 的 pass@1 也只有 10.8%，而且要達到 rubric 的 95% 才算通過。

這個數字我看了反而比較放心。因為它測的不是「會不會背規則」，而是能不能像一個負責任的專業人員一樣，停下來發現問題。

文章裡有一個案例，模型對賣房日期的建議本身是對的，但沒有提醒客戶必須在 2027 年 8 月底前滿足自住年限門檻。少講這一句，客戶可能損失 25 萬美元的所得排除。另一個退休帳戶案例，模型直接給了分帳建議，卻沒有先查明當事人是否存在可能的 common-law marriage。這兩個例子很像我叫 AI 幫忙處理供應商資料：它可以把表格算得很漂亮，但如果沒有先問「這個金額是不是含稅」或「這筆退款是不是已經入帳」，後面全部都可能建立在錯的前提上。

所以我現在會把「AI 做得對不對」拆成四個驗收問題。

第一，未知項目有沒有列出來。交辦時我會要求 AI 明確寫出：目前缺哪些資料，哪些資料不確定，還有哪些情況一變，結論就要重算。不能接受一句「根據目前資訊，建議如下」就結束。我要看到目前資訊到底缺了什麼。

第二，關鍵期限有沒有單獨拉出來。日期不能埋在長篇說明裡，請 AI 把申報日、付款日、資格截止日、可能失去權利的最後期限分開列，並標註是已確認、推算，還是需要人查證。對電商來說，這也適用於退貨期限、合約續約日、平台申訴期限。晚一天，可能就不是省時間，而是直接少一筆錢 💰

第三，假設誰來確認。任何「如果」都要變成一張清單，例如假設客戶是某種身分、假設資料完整、假設某筆款項屬於某個類別。AI 可以先做分析，但不能自己把關鍵假設藏掉。我會要求它標出「需要我確認」的欄位，沒有確認就不能進入最後交付。

第四，交付前做風險檢查。這一步不是再問一次「答案對嗎」，而是反過來問：如果這個建議錯了，最可能漏掉什麼？有沒有與輸入資料矛盾？有沒有客戶沒問、但專業人員應該主動提醒的事情？有沒有一個日期、資格條件或例外情境會推翻目前結論？這種反向檢查，才是我願意花時間看的部分。

我的做法會是把 AI 分成兩段。第一段只准它整理資料、列未知項、找矛盾、提出問題，不准急著下結論。第二段才讓它根據已確認的資料產出文件，並附上假設、期限和風險檢查結果。最後涉及報稅、付款、法律責任的地方，還是由人確認。這不是不信任 AI，而是把它放在它比較擅長的位置，讓它增加檢查力，不要假裝自己是最後簽名的人。

很多人看到 10.8% 會說 AI 還不能做專業工作。我覺得這個結論太快。更有用的問題是，我們是不是一直用「回答看起來合理」來驗收專業工作？如果是，那人也可能漏掉關鍵條件，只是人犯錯時比較會用自信的語氣掩飾。

對一人公司來說，我最想要的不是一個永遠答對的 AI，這種東西目前也不存在。我想要的是一個會把不知道的地方圈出來、會提醒我期限、會要求我確認假設，最後還會問我「你是不是漏了什麼」的助手。省錢的做法不是把專業責任整包丟給 AI，而是讓 AI 先把容易漏看的風險攤在桌上，再由我決定哪些能交，哪些一定要找專業人士看。這樣才是真的省時間，也比較不會省到最後變成賠錢 🤦