Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai27. Mai 2026 · Q006858

Building self-improving tax agents with Codex

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht schildert, wie OpenAI, Thrive Holdings und Crete Tax AI mithilfe fachlicher Korrekturen, detaillierter Produktionsdaten und Codex-gestützter Tests schrittweise verbessern. Laut den beteiligten Unternehmen stiegen Effizienz und Feldvollständigkeit im Pilotbetrieb deutlich; die genannten Kennzahlen sind jedoch Unternehmensangaben und belegen keine fehlerfreien Erklärungen oder unabhängige Überprüfung.

Mittel

OpenAI, Thrive Holdings und Crete entwickelten Tax AI, um Steuerkanzleien bei der Vorbereitung von Erklärungen zu unterstützen. Im Pilotbetrieb bearbeitete das System laut Bericht 7.000 Erklärungen. Es erstellt aus Belegen und Kundenhinweisen Entwürfe zur Prüfung und soll bei mittel bis komplexen Fällen zeitaufwendige Dateneingabe verringern.

Das beschriebene Verbesserungsverfahren verbindet Rückmeldungen von Steuerfachleuten, detaillierte Spuren vom Quelldokument bis zur eingereichten Erklärung und Codex-gestützte Entwicklungsarbeit. Korrekturen werden verglichen und gruppiert, um wiederkehrende Fehler von Arbeitsablaufrauschen oder anderen Ursachen zu unterscheiden. Geprüfte Muster werden zu gezielten Tests und begrenzten Entwicklungsaufgaben. Codex kann die Ursache untersuchen und Änderungen vorschlagen; Tests und menschliche Prüfung bleiben Teil des Ablaufs. Mehrdeutige Fälle gehen an das Team zurück, und Ingenieurinnen und Ingenieure verantworten weiterhin Architektur und Veröffentlichung.

Der Bericht nennt etwa ein Drittel Zeitersparnis, rund 50 Prozent mehr Durchsatz und Entwürfe mit bis zu 97 Prozent Genauigkeit. Der Anteil der Erklärungen mit mindestens 75 Prozent korrekten Feldern sei binnen sechs Wochen von einem Viertel auf 86 Prozent gestiegen. Diese Feldwerte sind ein Maß für den Prüfbedarf, kein Beleg für fehlerfreie Erklärungen. Die Angaben stammen aus dem Unternehmensbericht; eine unabhängige Prüfung oder ausführliche Messmethodik wird nicht dargestellt. Die Übertragbarkeit auf andere Bereiche wird als Perspektive beschrieben.

Ausführlich lesen

Der Bericht beschreibt, wie OpenAI und Thrive Holdings gemeinsam mit Crete ein Steuerassistenzsystem für Steuerkanzleien entwickelt haben. Tax AI soll die Vorbereitung komplexer Einkommensteuererklärungen unterstützen. Im Pilotbetrieb bearbeitete das System laut Bericht 7.000 Erklärungen. Kanzleimitarbeitende laden Belege und kundenspezifische Hinweise hoch; Tax AI erstellt daraus einen Entwurf zur Prüfung. Das System unterstütze Erklärungen der Formulare 1040 und 1041. Als Ausgangsproblem nennt der Bericht, dass die Dateneingabe bei mittel bis komplexen Fällen bis zu acht Stunden pro Erklärung beanspruchen könne und zahlreiche, teils unübersichtliche Unterlagen umfasse.

Die zentrale These lautet, dass Produktionsdaten und Rückmeldungen von Fachleuten einen Agenten fortlaufend verbessern können, wenn sie systematisch erfasst und ausgewertet werden. Dafür beschreibt der Bericht drei Bausteine: enge Zusammenarbeit mit Steuerfachleuten, nachvollziehbare Produktspuren vom Ausgangsdokument bis zur eingereichten Erklärung und einen Codex-gestützten Entwicklungszyklus. Korrekturen werden zunächst mit den vorhergesagten Werten verglichen. Ähnliche Abweichungen werden gruppiert, damit wiederkehrende Produktfehler von Präferenzen, bereits übertragenen Vorjahreswerten oder üblichem Arbeitsablaufrauschen unterschieden werden. Erst geprüfte, wiederkehrende Muster sollen zu konkreten Testfällen und klar abgegrenzten Entwicklungsaufgaben werden.

Am Beispiel von Mieteinnahmen erläutert der Bericht den Ablauf: Das System verarbeitet unterschiedliche Quellen, etwa Notizen, E-Mails und Tabellen, extrahiert belegte Felder und ordnet sie Steuerkonzepten zu. Eine wiederkehrend fehlende Angabe zu Vermietungstagen könnte als gezielter Testfall dienen. Codex könne dann anhand der Produktionsspur, des Codes und der Tests die Fehlerursache untersuchen, eine begrenzte Änderung vorschlagen und diese mit gezielten sowie breiteren Regressionstests prüfen. Bei mehrdeutigen Fällen soll die Entscheidung an das Produkt- oder Entwicklungsteam zurückgehen. Fachleute prüfen die Ergebnisse; Ingenieurinnen und Ingenieure bleiben für Architektur, Produktentscheidungen und Veröffentlichung zuständig.

Als Ergebnisse nennt OpenAI unter anderem eine Zeitersparnis von etwa einem Drittel, rund 50 Prozent mehr Durchsatz und Entwürfe mit bis zu 97 Prozent Genauigkeit. Die Kennzahl zur Feldvollständigkeit stieg dem Bericht zufolge innerhalb von sechs Wochen: Zum Start erreichte ein Viertel der Erklärungen mindestens 75 Prozent korrekt ausgefüllte Felder, später waren es 86 Prozent. Auch die Anteile bei 90 und 100 Prozent seien gestiegen. Diese Schwellenwerte messen den Anteil korrekt ausgefüllter Felder und dienen als Anhaltspunkt für den verbleibenden Prüfaufwand; sie belegen für sich genommen keine fehlerfreie Steuererklärung. Der Bericht sagt außerdem, das System sei im Verlauf der Saison auf anspruchsvollere Fälle ausgeweitet worden. Für Mietobjekte habe es etwa sechs Wochen und erhebliche technische Begleitung gebraucht, um 90 Prozent Präzision und Trefferquote zu erreichen.

Die Darstellung ist ein Erfahrungsbericht der beteiligten Unternehmen und beschreibt einen Pilotbetrieb sowie deren eigene Kennzahlen. Sie erläutert keinen unabhängigen Vergleich und macht keine umfassenden Angaben zu Stichprobenauswahl oder Messmethodik. Als Beispiel für den individuellen Nutzen berichtet sie von einer leitenden Steuerberaterin, deren Vorbereitungszeit von 180 auf 15 Stunden gesunken sei; der Bericht ordnet nicht ein, wie repräsentativ dieser Einzelfall ist. Die Autoren halten das beschriebene Prinzip auch für andere Buchhaltungs- und Betriebsabläufe für übertragbar, stellen dies jedoch als weitergehende Perspektive dar.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Angaben zu Anteilen in Lunas Einordnung wurden nicht bewertet. Die Abbildungsuntertitel am Ende des Berichts (Git, Online-Speicher, Werbe-Stack) gehören nicht zum Thema und wurden bei der Prüfung nicht berücksichtigt.

Im Bericht, aber nicht in der Zusammenfassung

  • Crete-Netzwerk mit über 30 Steuerkanzleien als Einsatzumfeld
  • Bis zu acht Stunden Dateneingabe pro Erklärung bei mittlerer bis großer Komplexität
  • Vergleich mit der ersten, drei Monate zuvor eingesetzten Version
  • Schnelleres Wachstum bei den Schwellen 90 und 100 Prozent
  • Mietobjekt-Beispiel: rund sechs Wochen bis 90 Prozent Precision und Recall
  • Fallbeispiel einer Steuerberaterin, deren Zeitaufwand von 180 auf 15 Stunden sank

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-M5 Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 24 %Hintergrund, keine Belege
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 51 %einzelne zitierbare Belege
    • JEV 28 %beantwortet teilweise oder widerspricht
    • amos 26 %einzelne zitierbare Belege
    • SubQ 24 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra 44 %gleiches Oberthema, hilft nicht

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 53 %einzelne zitierbare Belege
    • JEV 43 %einzelne zitierbare Belege
    • amos 26 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege

  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 18 %Hintergrund, keine Belege
    • Luna 47 %beantwortet teilweise oder widerspricht
    • JEV 64 %beantwortet direkt und ausführlich
    • amos 29 %einzelne zitierbare Belege
    • SubQ 31 %einzelne zitierbare Belege
    • drex 30 %einzelne zitierbare Belege
    • d3-ultra 29 %einzelne zitierbare Belege
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-T3-T01 Welches messbare Zeichen, also welche beobachtbare Änderung in der Fähigkeit eines Modells, die Abläufe zu verbessern, mit denen seine eigenen Fähigkeiten entwickelt werden, würden Labore und Staaten gemeinsam als Beginn der Selbstverbesserung anerkennen, und wer darf im Labor danach suchen? Welche beobachtbare Änderung markiert den Schritt von beaufsichtigter automatisierter Forschung zu voll selbstständiger Selbstverbesserung, und welche öffentliche Stelle darf diesen Schritt nach Prüfung der Belege für menschliche Kontrolle erlauben oder ablehnen? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege
    • SF-T3-T08 Welche kontrollierten Versuche können Labore heute machen, um Selbstverbesserung nachzubilden, ohne eine unbeabsichtigte Beschleunigung zu riskieren? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-V3-T04 Wer muss Rechenschaft ablegen, wenn ein Modell Werte auf Lagen überträgt, die beim Training niemand vorhergesehen hat: das Modell, das Labor oder der Mensch, der das Ziel gesetzt hat? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 47 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 43 %Hintergrund, keine Belege
    • JEV 32 %beantwortet teilweise oder widerspricht
    • amos 26 %Hintergrund, keine Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 24 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 22 %Hintergrund, keine Belege
    • Luna 53 %einzelne zitierbare Belege
    • JEV 52 %beantwortet teilweise oder widerspricht
    • amos 31 %einzelne zitierbare Belege
    • SubQ 24 %einzelne zitierbare Belege
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra 41 %einzelne zitierbare Belege

  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 30 %gleiches Oberthema, hilft nicht
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 26 %nur am Rande erwähnt
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 21 %Hintergrund, keine Belege
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 44 %umfangreiche Belege
    • JEV 30 %beantwortet teilweise oder widerspricht
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 65 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 47 %einzelne zitierbare Belege
    • JEV 48 %beantwortet teilweise oder widerspricht
    • amos 24 %nur am Rande erwähnt
    • SubQ 32 %gleiches Oberthema, hilft nicht
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-E5-T01 Wer soll das Tempo der KI-Entwicklung bestimmen: die Labore, die Regierungen oder die Menschen, die diese Systeme jeden Tag nutzen? Luna: Stufe 4 · 39 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 6 · beantwortet teilweise oder widerspricht
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →