دو سال پیش، IRS حدود 10 پروژه فعال هوش مصنوعی را اجرا میکرد. امروز، 126 پروژه را اجرا میکند - و شش بار در سال، مجموعهای از مدلهای یادگیری ماشین، هر اظهارنامه مالیاتی کسبوکار کوچک و خوداشتغال ثبتشده را موشکافی میکند تا به دنبال الگوهایی بگردد که یک بازرس انسانی هفتهها طول میکشد تا آنها را شناسایی کند. در 10 فوریه 2026، این آژانس با تدوین این رویه در دفترچه راهنمای مالیاتی داخلی به عنوان IRM 10.24.1، اولین سیاست رسمی خود را که نحوه انتخاب اظهارنامهها برای حسابرسی توسط هوش مصنوعی را حاکم میکند، رسمی کرد.
اگر کسبوکاری را اداره میکنید و فرم Schedule C، 1120-S یا اظهارنامه مشارکتی را ثبت میکنید، این یک خبر حاشیهای نیست. این یک تغییر واقعی در این است که چه کسی از IRS بازرسی دوم دریافت میکند و چرا. در اینجا آنچه تغییر کرده، الگوریتمها واقعاً به دنبال چه هستند و چگونه مطمئن شوید که کتابهای حسابداری شما هرگز به آنها دلیلی برای علامتگذاری شما نمیدهد، آورده شده است.
IRM 10.24.1 در واقع چه میگوید
بخش جدید دفترچه راهنما سه کار مشخص انجام میدهد:
- تعریف میکند که هوش مصنوعی مجاز به انجام چه کاری است در فرآیند بررسی - از جمله، به طور مشخص، سیستمهایی که «اطلاع میدهند یا بر این که آیا یک مؤدی مشمول حسابرسی خواهد شد، یا چه جنبههایی از یک اظهارنامه مشمول حسابرسی خواهد شد، تأثیر میگذارند.» IRS این را یک استفاده «با تأثیر بالا فرضی» از هوش مصنوعی مینامد و آن را در همان دسته ریسک سیستمهایی قرار میدهد که با حقوق مدنی یا زیرساختهای حیاتی سروکار دارند.
- نیازمند بررسی اجباری انسانی قبل از تبدیل یک ارجاع تولیدشده توسط هوش مصنوعی به یک حسابرسی واقعی است. یک مدل میتواند یک اظهارنامه را علامتگذاری کند، اما قبل از تبدیل آن به یک اخطار، یک فرد باید آن را تأیید کند.
- الزامات مستندسازی را برای انتخاب پرونده به کمک هوش مصنوعی تعیین میکند، به طوری که بازرسان باید بتوانند به صورت کتبی توضیح دهند که چرا یک پرونده انتخاب شده است.
این سیاست همچنین یک ساختار حاکمیتی ایجاد میکند: یک مدیر ارشد داده و تحلیل به عنوان «مقام مسئول هوش مصنوعی» IRS خدمت میکند، و هیئتی به نام هیئت ادغام استراتژیک داده و تحلیل، قبل از عملیاتی شدن هر مورد استفاده جدید هوش مصنوعی با تأثیر بالا، آن را تأیید میکند.
به زبان ساده: IRS پنهان نمیکند که الگوریتمها در حال انجام غربالگری اولیه روی اظهارنامه شما هستند. اکنون قوانینی را برای نحوه عملکرد این غربالگری مینویسد - که به این معنی است که بازرسان باید بتوانند بعداً آن را توجیه کنند.
مدلها واقعاً چگونه اظهارنامه شما را انتخاب میکنند
دو مدل هوش مصنوعی IRS به طور خاص متوجه مؤدیان خوداشتغال و صاحبان کسبوکارهای کوچک هستند، و به یک دلیل ساده: درآمد خوداشتغالی کمتر گزارششده، بزرگترین مؤلفه شکاف مالیاتی فردی است. این مدلها به اظهارنامه شما به صورت مجزا نگاه نمیکنند - آنها آن را با سابقه ثبت اظهارنامه خودتان و با هزاران کسبوکار مشابه در صنعت شما مقایسه میکنند. چند چیز به طور قابل اعتماد نمره را افزایش میدهد:
- ناهماهنگیهای سال به سال. یک کسبوکار مشاوره که سال گذشته 180,000 دلار درآمد ناخالص گزارش کرده و امسال 95,000 دلار، بدون توضیح واضح، بلافاصله برجسته میشود.
- نسبتهای کسر هزینه خارج از هنجارهای صنعت. IRS دارای پروفایلهای آماری از نسبتهای معمول هزینه به درآمد بر اساس صنعت است. اگر کسبوکار شما 65 تا 70 درصد از درآمد ناخالص را به عنوان کسر هزینه ادعا کند در حالی که هنجار برای کد NAICS شما 35 تا 45 درصد است، این شکاف علامتگذاری میشود - حتی اگر هر کسر هزینه قانونی باشد.
- اعداد گرد. یک برنامه که لوازم اداری را دقیقاً 5,000 دلار، آب و برق را 3,000 دلار و وعدههای غذایی را 2,000 دلار نشان میدهد، به عنوان «تخمینی» خوانده میشود، نه «ثبتشده». حسابداری واقعی اعدادی مانند 4,847.13 دلار و 2,963.82 دلار تولید میکند، نه مضارب مرتب پنج.
- عدم تطابق اطلاعات. IRS فرمهای W-2، 1099 و K-1 را که مستقیماً از پرداختکنندگان دریافت میکند، cross-reference میکند. اگر یک فرم 1099-NEC به مبلغ 42,000 دلار در هیچ جایی از اظهارنامه شما ظاهر نشود، این یک عدم تطابق خودکار و تقریباً آنی است - هوش مصنوعی برای تشخیص آن لازم نیست، اما هوش مصنوعی اکنون به اولویتبندی این که کدام عدم تطابق مهمتر است کمک میکند.
- مقادیر پرت مسافت پیموده شده و هزینه. ادعاهایی مانند بیش از 40,000 مایل مسافت پیموده شده تجاری در سال برای یک کسبوکار تکخودرویی، یا هزینههای وعدههای غذایی و سرگرمی بالای 10 درصد از درآمد، مقادیر پرت آماری هستند که وزن زیادی به آنها داده میشود.
هیچ کدام از اینها از نظر نوع جدید نیست - سیستم نمرهدهی تابع تشخیص (DIF) IRS برای دههها اظهارنامهها را با هنجارهای آماری مقایسه کرده است. آنچه جدید است، مقیاس و سرعت است: به جای یک فرمول ایستا که به صورت دورهای بررسی میشود، اکنون مدلهایی دارید که شش بار در سال دوباره اجرا میشوند و با هر چرخه در شناسایی الگوها بهتر میشوند.
بخشی که باید بیشتر نگران شما کند: زمان پاسخ، نه تشخیص
در اینجا عدم تقارنی است که صاحبان کسبوکارهای کوچک در سال 2026 واقعاً با آن مواجه میشوند: علامتگذاری به کمک هوش مصنوعی سریع است، اما جنبه انسانی حل یک علامت با آن مقیاسبندی نشده است. اخطارهای خودکار به سرعت ارسال میشوند. دریافت یک فرد زنده روی خط تلفن، یا یک پاسخ کتبی اساسی به یک اخطار، اکنون به طور قابل توجهی بیشتر از دو سال پیش طول میکشد. علامتی که در سال 2023 یک تماس تلفنی پنج دقیقهای بود، اکنون میتواند ماهها حل نشده باقی بماند در حالی که جریمهها و بهرهها انباشته میشوند.
این بدان معناست که هزینه واقعی یک اظهارنامه بههمریخته فقط ریسک حسابرسی نیست - بلکه زمان و استرس باز کردن یک علامت پس از ایجاد آن است، با یک پشتیبان انسانی کندتر در طرف دیگر. بهترین دفاع، ندادن دلیلی به الگوریتم برای علامتگذاری شما در وهله اول است.
چرا IRS مجبور به نوشتن این سیاست شد
ساختار حاکمیتی در IRM 10.24.1 فقط کارهای اداری بوروکراتیک نیست - این یک پاسخ مستقیم به یک مشکل واقعی در انتخاب حسابرسی الگوریتمی است. تحقیقات مستقل و بررسیهای دفتر پاسخگویی دولت (GAO) نشان داده است که گروههای خاصی از مؤدیان، از جمله مؤدیان سیاهپوستی که اعتبار مالیات بر درآمد کسبشده (EITC) را ادعا میکنند، با نرخهای سه تا پنج برابر بیشتر از سایر ثبتکنندگان با اظهارنامههای مشابه حسابرسی شدهاند. نظریه کاری GAO این است که این هدفگیری عمدی نیست، بلکه سوگیری ناخواسته الگوریتمی است - مدلهایی که بر روی دادههای تاریخی حسابرسی آموزش دیدهاند، میتوانند هر الگوی انتخابهایی را که در گذشته وجود داشته است، تکرار کنند، حتی زمانی که هیچکس آنها را به این منظور طراحی نکرده باشد.
دقیقاً به همین دلیل است که سیاست جدید نیاز به ارزیابیهای تأثیر، نظارت مستمر و تأیید اجباری انسانی قبل از تبدیل ارجاع یک مدل به یک حسابرسی واقعی دارد: یک سیستم یادگیری ماشین که صرفاً برای «گرفتن درآمد کمتر گزارششده» بهینه شده است، هیچ بررسی داخلی در مورد این که درآمد چه کسی را به طور نامتناسبی علامتگذاری میکند، ندارد. صاحبان کسبوکارهای کوچک باید این را دلیلی برای خوشبینی محتاطانه بدانند تا یک شکایت در انتظار - شرط بررسی انسانی یک پشتیبان واقعی است - اما همچنین تأیید میکند که نمره اولیه هوش مصنوعی خطاناپذیر نیست. اگر علامتگذاری شدهاید، به این معنی نیست که الگوریتم چیز واقعی پیدا کرده است؛ به این معنی است که یک الگویاب چیزی از نظر آماری غیرعادی پیدا کرده است، که ممکن است سوابق خود شما آن را به خوبی توضیح دهد.
اگر علامتگذاری شدید چه کنید
دریافت اخطار به این معنی نیست که کار اشتباهی انجام دادهاید - معمولاً به این معنی است که یک عدد، در جایی، با انتظار مدل برای کسبوکاری مانند شما مطابقت نداشته است. چند چیز تفاوت بین یک حل سریع و یک حل طولانی را ایجاد میکند:
- به صورت کتبی پاسخ دهید، و سریع پاسخ دهید. با توجه به زمان انتظار طولانیتر برای بررسی انسانی که در بالا توضیح داده شد، یک پاسخ کتبی اولیه و کامل احتمال بیشتری دارد که در اولین مرحله حل شود تا یک تماس تلفنی که شما را دوباره در صف قرار دهد.
- با تطبیق (reconciliation) شروع کنید، نه با توضیح. قبل از این که توضیح دهید چرا آنها قانونی هستند، تراکنشهای اساسی که عدد مورد نظر را تولید کردهاند، نشان دهید. بازرسان زمانی سریعتر حرکت میکنند که ریاضیات قبلاً برایشان انجام شده باشد.
- نگذارید یک سال علامتگذاریشده به سه سال تبدیل شود. یک علامت حلنشده در اظهارنامه امسال دقیقاً همان نوع ناهنجاری است که باعث میشود یک مدل پیگیری به پروندههای سال گذشته و سال آینده نیز نگاه دومی بیندازد. آن را کاملاً ببندید تا اجازه ندهید باقی بماند.
- اگر اخطار به دامنه گسترده اشاره کرد، یک حسابدار رسمی (CPA) یا نماینده ثبتشده (enrolled agent) بیاورید. یک علامت روی یک قلم موارد برای پاسخ دادن خودتان قابل مدیریت است؛ یک درخواست برای سوابق پشتیبان برای چندین سال ارزش کمک حرفهای را دارد.
چه چیزی واقعاً ریسک شما را کاهش میدهد
هیچ کدام از اینها به این معنی نیست که باید کسر هزینههای قانونی را کمتر ادعا کنید - هدف یک اظهارنامه است که دقیق و به خوبی پشتیبانی شده باشد، نه یک اظهارنامه کوچکتر.
سوابق همزمان (contemporaneous records) را نگه دارید، نه سوابق بازسازیشده. مستنداتی که در زمان هزینه ایجاد میشود - یک رسید که در هفته خرید آن ثبت شده است - وزن بسیار بیشتری نسبت به یک صفحه گسترده دارد که شب قبل از موعد ثبت اظهارنامه شما جمعآوری شده است. همچنین راحتتر است: بازسازی شش ماه هزینه از حافظه در ماه آوریل راهی است که کسر هزینههای قانونی از دست میروند یا نادرست بیان میشوند.
از یک نمودار حسابها (chart of accounts) استفاده کنید که نحوه واقعی اجرای کسبوکار شما را منعکس کند. دستهبندیهای گسترده و مبهم مانند «متفرقه» یا «سایر هزینهها» دقیقاً همان سطلهایی هستند که دفاع از آنها سختترین است و برای یک مدل به عنوان نویز علامتگذاری آسانترین. اگر کتابهای شما نمیتوانند یک عدد را توضیح دهند، شما هم نمیتوانید.
درآمد را قبل از ثبت اظهارنامه با هر فرم 1099 و K-1 تطبیق دهید. از آنجایی که IRS قبلاً این فرمها را دارد، هر عدم تطبیقی تقریباً یک علامت تضمینی است. یک بررسی متقابل سریع با کتابهای خود قبل از ثبت اظهارنامه، این را در چند دقیقه به جای ماهها بعد در یک اخطار میگیرد.
از اعداد گرد در هر چیزی که به معنای واقعی کلمه به صورت گرد خرج نکردهاید، خودداری کنید. اگر حسابداری واقعی شما دقیق است، اظهارنامه شما به طور طبیعی آن دقت را منعکس خواهد کرد - که خود نشانهای از قانونی بودن است.
حسابهای تجاری و شخصی را کاملاً جدا کنید. وجوه ترکیبی یکی از سریعترین راهها برای تبدیل یک بررسی معمولی به یک حسابرسی واقعی است، زیرا تأیید هر عدد دیگری در اظهارنامه را دشوارتر میکند.
رشته مشترک: هر یک از این اصلاحات به نگهداری کتابهای تمیز، کامل و همزمان در طول سال برمیگردد - نه دست و پا زدن برای بازسازی آنها در زمان مالیات. حسابداری متنمحور و تحت کنترل نسخه، این انضباط را برای حفظ آسان میکند، زیرا هر تراکنش در زمان وقوع، در قالبی که میتوانید خودتان قبل از IRS آن را حسابرسی کنید، ثبت میشود.
کتابهای خود را برای هر نوع بررسی آماده نگه دارید
همانطور که انتخاب حسابرسی سریعتر و خودکارتر میشود، کسبوکارهایی که کمترین نگرانی را دارند، آنهایی هستند که کتابهایشان قبل از این که یک الگوریتم به آنها نگاه کند، دقیق بوده است. Beancount.io به شما حسابداری متنمحور با شفافیت کامل و یک تاریخچه کامل به سبک git از هر تغییر را میدهد - بدون دستهبندی جعبه سیاه، بدون سوابق بازسازیشده، فقط یک دفتر کل که میتوانید خط به خط از آن دفاع کنید. رایگان شروع کنید و کتابهای خود را به طور پیشفرض آماده حسابرسی نگه دارید، نه با دست و پا زدن.