AI klarar skattelagen med hundra procents träffsäkerhet — långt över vad ledande språkmodeller klarar

Forskningen levererar — men med ögonen öppna

Det finns veckor då AI-forskningsflödet mest producerar incremetella framsteg som kräver specialistöga för att uppskatta. Den här veckan är annorlunda. Fyra studier från arXiv landar med tydlig praktisk relevans — och tillsammans berättar de något viktigt om var vi faktiskt befinner oss i teknikens mognadskurva.

När AI möter paragraferna

Låt oss börja med det som verkligen fångade min uppmärksamhet: Law&Order, ett neuro-symboliskt ramverk som automatiskt omvandlar skattelagstiftning och deklarationsformulär till körbara symboliska program. Resultaten är svåra att ignorera — medan den bästa fristående språkmodellen når 66% träffsäkerhet, uppnår Law&Order 100% träffsäkerhet vid testning på 51 oberoende skattedeklarationer. Och det handlar om testdata som systemet aldrig sett tidigare.

Det som gör detta genuint spännande är inte bara siffran i sig, utan hur man kom dit. Systemet kombinerar språkmodellers förmåga att tolka naturlig text med symbolisk verifiering och iterativ felkorrigering — en arkitektur som tvingar fram verifierbarhet snarare än att hoppas på den. För alla som jobbar med juridisk regelefterlevnad, revision eller skatteförvaltning är detta en signal om att automatisering av rättsliga system inte längre är en framtidsvision utan en teknisk realitet.

AI som läser sina egna svagheter

Lika intressant, om än mer abstrakt i sin omedelbara tillämpning, är PAPER2LLM++ — ett ramverk som låter stora språkmodeller kontinuerligt förbättra sig utifrån vetenskapliga publikationer om deras egna brister. Historiskt har forskning om AI-modellers svagheter och den faktiska modellutvecklingen levt parallella liv utan att mötas. Det här systemet sluter den cirkeln: ny forskning testas mot modellen, verifieras om bristerna faktiskt finns, och omvandlas till lärsignaler — allt med en inbyggd prövningsprocess som säkerställer att gamla förmågor inte försämras.

Det är ett steg mot AI-system som aktivt deltar i sin egen förbättring, drivet av mänsklig forskning. Det väcker naturligtvis frågor om gränssättning och tillsyn, men potentialen för snabbare, mer transparent modellutveckling är påtaglig.

Hjärnvågor avslöjar känslor — hos okända

På ett helt annat fält presenterar forskare en metod för att sekund för sekund uppskatta en persons känslomässiga tillstånd via EEG och fNIRS-mätningar — hos individer som modellen aldrig tränat på. Systemet delar upp känsloreaktionen i en gemensam struktur (delad av alla som ser samma stimuli) och en individuell del som kalibreras med ett enkelt mått på hjärnvågssynkronisering. Resultaten visar markant lägre felmarginal jämfört med etablerade referensmodeller.

Tillämpningarna är uppenbara: psykiatrisk diagnostik, anpassad rehabilitering, gränssnittsdesign för personer som inte kan kommunicera verbalt. Men det är också ett forskningsfält som kräver noggrann etisk reflektion kring integritet och samtycke.

Brasklappen: Routrar som förlorar mot slumpen

Och så till den studie som borde läsas av alla som köper in AI-infrastruktur just nu. Forskare analyserade sex kommersiella AI-routrar — system som lovar sänkta kostnader genom att dirigera frågor till den billigaste modell som kan hantera dem — och fann att ingen av dem presterade bättre än ett slumpmässigt val mellan två genomtänkt utvalda modeller vid samma kostnadsnivå. Vissa låg mer än tio procentenheter under.

Bakom bristerna döljer sig fyra återkommande mönster: svårigheter att bedöma frågors komplexitet, felaktig hantering av frågelängd, ytlig innehållsmatchning och ett för brett modellurval. Det är inte ett nischproblem — det är ett strukturellt optimeringsfel i hur systemen belönas under träning.

Detta är exakt den typ av nykter granskning som branschen behöver mer av. Inte för att dämpa entusiasmen, utan för att kanalisera den rätt.