2년 전만 해도 IRS는 약 10개의 활성 AI 프로젝트를 운영했습니다. 현재는 126개를 운영하며, 1년에 6번, 머신러닝 모델 세트가 제출된 모든 소기업 및 자영업자 세금 신고서를 분석하여 인간 검토관이 파악하는 데 수주가 걸릴 패턴을 찾아냅니다. 2026년 2월 10일, IRS는 이 관행을 IRM 10.24.1로 국세청 내부 매뉴얼에 공식 명문화했습니다. 이는 AI가 감사 대상을 선정하는 방식을 규율하는 첫 번째 공식 정책입니다.
Schedule C, 1120-S 또는 파트너십 신고서를 제출하는 사업을 운영한다면, 이는 단순한 배경 소음이 아닙니다. 누가, 그리고 왜 IRS로부터 추가 조사를 받게 되는지에 대한 실질적인 변화입니다. 다음은 변경된 사항, 알고리즘이 실제로 찾는 것, 그리고 장부가 플래그 지정 이유를 제공하지 않도록 하는 방법입니다.
IRM 10.24.1이 실제로 명시하는 내용
새로운 매뉴얼 섹션은 세 가지 구체적인 사항을 규정합니다:
- 조사 과정에서 AI가 수행할 수 있는 작업을 정의하며, 여기에는 "납세자가 감사 대상이 될지, 또는 신고서의 어떤 부분이 감사 대상이 될지에 대해 정보를 제공하거나 영향을 미치는" 시스템이 명시적으로 포함됩니다. IRS는 이를 "고영향력으로 추정되는" AI 사용으로 분류하여, 시민권이나 중요 인프라에 영향을 미치는 시스템과 동일한 위험 범주에 넣습니다.
- AI 생성 추천이 실제 감사로 전환되기 전에 반드시 인간의 검토를 거치도록 요구합니다. 모델이 신고서에 플래그를 지정할 수 있지만, 통지서로 전환되기 전에 사람이 서명해야 합니다.
- AI 지원 사례 선정에 대한 문서화 요구 사항을 설정하여 검토관이 사례가 선정된 이유를 서면으로 설명할 수 있어야 합니다.
이 정책은 또한 거버넌스 구조를 만듭니다: 최고 데이터 및 분석 책임자가 IRS의 "책임 있는 AI 책임자" 역할을 하고, 데이터 및 분석 전략 통합 위원회라는 위원회가 새로운 고영향력 AI 사용 사례가 가동되기 전에 승인합니다.
쉽게 말해, IRS는 알고리즘이 귀하의 신고서에 대한 1차 분류를 수행하고 있다는 사실을 숨기지 않습니다. 이제 그 분류가 작동하는 방식에 대한 규칙을 문서화하고 있으며, 이는 검토관이 나중에 이를 정당화할 수 있어야 함을 의미합니다.
모델이 실제로 귀하의 신고서를 선정하는 방식
IRS의 두 AI 모델은 특히 자영업자 및 소기업 소유자를 대상으로 하며, 그 이유는 간단합니다: 신고되지 않은 자영업 소득이 개인 세금 격차의 가장 큰 단일 구성 요소이기 때문입니다. 이 모델들은 귀하의 신고서를 단독으로 보지 않습니다. 귀하의 과거 신고 이력 및 업계 내 수천 개의 유사한 사업체와 비교합니다. 몇 가지 사항이 점수를 확실히 높입니다:
- 연간 불일치. 작년에 총 수입 $180,000을 신고했지만 올해는 $95,000을 신고했으며 설명이 없는 컨설팅 사업체는 즉시 눈에 띕니다.
- 업계 표준을 벗어난 공제 비율. IRS는 업종별 일반적인 비용 대 수입 비율에 대한 통계 프로필을 보유하고 있습니다. 귀하의 사업체가 NAICS 코드의 표준이 35
45%인데 총 수입의 6570%를 공제로 청구하는 경우, 모든 공제가 적법하더라도 그 차이가 플래그 지정됩니다. - 반올림 숫자. 사무용품이 정확히 $5,000, 공과금이 $3,000, 식비가 $2,000인 일정은 기록된 것이 아니라 추정된 것으로 읽힙니다. 실제 부기에서는 $4,847.13 및 $2,963.82와 같은 숫자가 생성되며, 깔끔한 5의 배수가 아닙니다.
- 정보 불일치. IRS는 지급자로부터 직접 받은 W-2, 1099 및 K-1을 상호 참조합니다. $42,000에 대한 1099-NEC가 신고서 어디에도 나타나지 않으면 자동적이고 거의 즉각적인 불일치가 발생합니다. 이를 포착하는 데 AI가 필요하지 않지만, AI는 이제 어떤 불일치가 가장 중요한지 우선 순위를 지정하는 데 도움을 줍니다.
- 주행 거리 및 비용 이상치. 단일 차량 사업체의 연간 40,000 마일 이상의 업무용 주행 거리 또는 수입의 10%를 초과하는 식비 및 접대비와 같은 청구는 통계적 이상치로 가중치가 크게 부여됩니다.
이러한 것들 중 어느 것도 본질적으로 새로운 것은 아닙니다. IRS의 판별 함수(DIF) 점수 시스템은 수십 년 동안 신고서를 통계적 표준과 비교해 왔습니다. 새로운 것은 규모와 속도입니다. 주기적으로 검토되는 하나의 정적 공식 대신, 이제 1년에 6번 재실행되고 각 주기마다 패턴을 더 잘 찾아내는 모델을 보유하게 되었습니다.
더 걱정해야 할 부분: 탐지가 아닌 응답 시간
2026년에 소기업 소유자들이 실제로 직면하고 있는 비대칭성은 다음과 같습니다: AI 지원 플래그 지정은 빠르지만, 플래그를 해결하는 인간 측면은 이에 맞춰 확장되지 않았습니다. 자동 통지는 빠르게 발송됩니다. 전화로 실제 담당자와 통화하거나 통지에 대한 실질적인 서면 응답을 받는 데는 2년 전보다 눈에 띄게 더 오랜 시간이 걸리고 있습니다. 2023년에 5분 전화 통화로 해결되었을 플래그가 이제는 벌금과 이자가 쌓이는 동안 몇 달 동안 해결되지 않은 상태로 남을 수 있습니다.
즉, 지저분한 신고서의 실제 비용은 감사 위험만이 아닙니다. 플래그가 제기된 후 이를 풀기 위한 시간과 스트레스이며, 반대쪽에는 느린 인간 지원이 있습니다. 최선의 방어는 애초에 알고리즘이 플래그를 지정할 이유를 주지 않는 것입니다.
IRS가 이 정책을 문서화해야 했던 이유
IRM 10.24.1의 거버넌스 구조는 단순한 관료적 정리 작업이 아닙니다. 이는 알고리즘 감사 선정의 실제 문제에 대한 직접적인 대응입니다. 독립적인 연구와 정부 회계 감사원(GAO) 검토 결과, 근로 소득 세액 공제(EITC)를 청구하는 흑인 납세자를 포함한 특정 납세자 그룹이 유사한 신고서를 제출한 다른 납세자보다 3~5배 더 높은 비율로 감사를 받은 것으로 나타났습니다. GAO의 작업 가설은 이것이 의도적인 표적이 아니라 의도하지 않은 알고리즘 편향이라는 것입니다. 과거 감사 데이터로 훈련된 모델은 아무도 설계하지 않았더라도 과거에 존재했던 선정 패턴을 재현할 수 있습니다.
이것이 바로 새 정책이 영향 평가, 지속적인 모니터링 및 모델의 추천이 실제 감사가 되기 전에 반드시 인간의 승인을 요구하는 이유입니다. "신고되지 않은 소득을 잡아라"라는 목적으로만 최적화된 머신러닝 시스템은 누구의 소득을 불균형적으로 플래그 지정하는지에 대한 내장된 확인 장치가 없습니다. 소기업 소유자는 이를 소송 대기 상태가 아닌 신중한 낙관론의 이유로 읽어야 합니다. 인간 검토 요구 사항은 실제 안전장치이지만, AI의 1차 점수가 절대적이지 않다는 것을 확인시켜 줍니다. 플래그가 지정되었다고 해서 알고리즘이 실제로 무언가를 찾았다는 의미는 아닙니다. 패턴 매칭기가 통계적으로 비정상적인 것을 찾았다는 의미이며, 이는 귀하의 기록으로 완벽히 설명될 수 있습니다.
플래그가 지정된 경우
통지를 받았다고 해서 잘못한 것이 있다는 의미는 아닙니다. 일반적으로는 어딘가의 한 숫자가 귀하와 같은 사업체에 대한 모델의 기대치와 일치하지 않았음을 의미합니다. 몇 가지 사항이 빠른 해결과 지연된 해결의 차이를 만듭니다:
- 서면으로 신속하게 응답하십시오. 앞서 설명한 인간 검토 대기 시간 증가를 고려할 때, 조기에 완전한 서면 응답을 제출하면 전화 통화로 대기열에 다시 들어가는 것보다 첫 번째 시도에서 해결될 가능성이 더 높습니다.
- 설명보다는 조정을 먼저 제시하십시오. 문제의 숫자를 생성한 기본 거래를 먼저 보여준 후 그것이 적법한 이유를 설명하십시오. 검토관은 이미 계산이 완료된 상태에서 더 빠르게 움직입니다.
- 플래그가 지정된 한 해를 세 해로 만들지 마십시오. 올해 신고서의 해결되지 않은 플래그는 정확히 후속 모델이 작년과 내년 신고서도 다시 살펴보게 하는 이상 징후입니다. 방치하지 말고 완전히 종결하십시오.
- 통지서에 조사 범위 확대가 언급된 경우 CPA 또는 등록 대리인을 고용하십시오. 한 항목에 대한 플래그는 스스로 답변하기에 관리 가능합니다. 여러 해에 대한 지원 기록 요청은 전문가의 도움이 필요합니다.
실제로 위험을 줄이는 방법
이것이 적법한 공제를 덜 청구해야 한다는 의미는 아닙니다. 목표는 더 작은 신고서가 아니라 정확하고 잘 뒷받침된 신고서입니다.
재구성된 기록이 아닌 동시대 기록을 유지하십시오. 비용 발생 시점에 생성된 문서(구입한 주에 기록된 영수증)는 신고서 제출 전날 밤에 만든 스프레드시트보다 훨씬 더 큰 가중치를 갖습니다. 또한 훨씬 쉽습니다. 4월에 6개월치 비용을 기억에서 재구성하는 것은 적법한 공제가 누락되거나 잘못 기재되는 방식입니다.
실제 비즈니스 운영 방식을 반영하는 계정과목표를 사용하십시오. "잡비" 또는 "기타 비용"과 같은 광범위하고 모호한 범주는 정확히 방어하기 가장 어렵고 모델이 노이즈로 플래그 지정하기 쉬운 항목입니다. 장부가 숫자를 설명할 수 없다면, 귀하도 설명할 수 없습니다.
신고 전에 모든 1099 및 K-1에 대해 소득을 조정하십시오. IRS는 이미 이러한 양식을 보유하고 있으므로, 불일치는 거의 확실한 플래그입니다. 신고 전에 장부와 빠르게 교차 확인하면 몇 분 안에 이를 포착할 수 있으며, 몇 달 후 통지서로 받는 것을 방지할 수 있습니다.
실제로 정확한 금액을 지출하지 않은 항목에 대해 반올림 숫자를 피하십시오. 실제 부기가 정확하다면, 신고서는 자연스럽게 그 정확성을 반영할 것입니다. 이는 그 자체로 적법성의 신호입니다.
개인 계좌와 사업 계좌를 완전히 분리하십시오. 혼합된 자금은 일상적인 검토를 실제 조사로 전환시키는 가장 빠른 방법 중 하나입니다. 이는 신고서의 다른 모든 숫자를 확인하기 어렵게 만들기 때문입니다.
공통점: 이러한 모든 수정 사항은 세금 시즌에 재구성하기 위해 허둥대는 것이 아니라, 연중 내내 깨끗하고 완전하며 동시대적인 장부를 유지하는 데 있습니다. 일반 텍스트, 버전 관리된 회계는 이러한 규율을 쉽게 유지할 수 있게 해줍니다. 모든 거래가 발생할 때 기록되고, IRS가 감사하기 전에 스스로 감사할 수 있는 형식으로 기록되기 때문입니다.
어떤 조사에도 대비된 장부 유지
감사 선정이 더 빨라지고 자동화됨에 따라, 가장 걱정이 적은 사업체는 알고리즘이 살펴보기 전에 이미 장부가 정확했던 곳입니다. Beancount.io는 완전한 투명성과 모든 변경 사항에 대한 git 스타일의 완전한 기록을 갖춘 일반 텍스트 회계를 제공합니다. 블랙박스 분류, 재구성된 기록은 없으며, 단지 항목별로 방어할 수 있는 원장만 있습니다. 무료로 시작하여 기본적으로 감사에 대비된 장부를 유지하십시오. 허둥대지 마십시오.