Hacker News Front Page · Surge AI ·
DAYJOB: Tax — Benchmarking AI Agents on Professional Tax Work
DAYJOB: Tax evalúa si los agentes de IA pueden completar tareas tributarias profesionales, desde revisar registros desordenados hasta detectar riesgos que el cliente no planteó y entregar declaraciones o recomendaciones fundamentadas. El benchmark reúne 50 entornos en ocho áreas fiscales y 1.789 archivos; en sus resultados, Claude Sonnet 5.5 obtuvo la mayor tasa de aprobación, con un 10,8 %, bajo un umbral de evaluación del 95 %. Los ejemplos muestran fallos de criterio importantes: algunos agentes no detectaron que la elegibilidad para una exención podía caducar o recomendaron cómo dividir cuentas de retiro sin verificar primero el estado civil.
DAYJOB: Tax evaluates AI agents across 50 realistic tax environments, testing their ability to navigate messy records, exercise professional judgment, and deliver reliable tax work.