生成AIに税務の質問をすると、前提が足りないまま流暢な回答が返ってくることがある。必要な情報を聞き返す力は、専門業務でAIを使う際の重要な課題だ。
米国のSurge AIが公開したベンチマーク「Dayjob Tax」は、実務に近い税務タスクでAIモデルが資料を読み取り、曖昧な点を見つけ、必要な質問を行えるかを評価している。
2026年11月15日に国内でも紹介された「10.8%」は、Claude Sonnet 5.5が特定の採点基準を満たした試行の割合だ。一般的な税務問題すべてに対するAIの正答率を示すものではない。また、同ベンチマークは確認質問だけを採点する試験ではなく、調査・計算・根拠整理・成果物までを評価している。
Dayjob Taxは米国の実務型税務50課題と1,789の資料を使う評価
このベンチマークには、個人所得税、信託・相続、国際税務など、米国の実務に関係する50の課題が用意されている。
扱うのは単純な一問一答だけではない。合計1,789件に及ぶ書類や記録をもとに、数字の整理、関係書類の突き合わせ、不足する前提の確認、最終的な判断までを試す構成だ。
実際の税務実務では、取引の発生時期、居住地、契約内容、控除の適用条件などが一つ欠けるだけで結論が変わることがある。
そのため、回答を始める前に「何が足りないか」を認識し、質問を行えるかが単なる計算精度と同じくらい重要になる。
「10.8%」はClaude Sonnet 5.5の達成率。95%以上の採点項目を満たすか評価
研究元の公開結果では、Claude Sonnet 5.5(Adaptive/Max)が10.8%、Claude Fable 5.1が9.6%、Claude Opus 5.5が9.2%だった。指標は「pass@1」で、計算、証拠、重大な論点、完成した成果物などの採点項目のうち95%以上を満たした試行を合格と数える。
この数値は、50の実務課題、試行条件、判定項目、95%という高い合格基準に依存する。単純な「100問中約11問しか税務知識を知らなかった」と読み替えることはできない。
同じモデルでも、提示する資料、質問の仕方、参照できるツール、採点方法で結果が変わる。現時点の数字をすべてのモデル、すべての税制、将来のバージョンに一般化するのは避けたい。
特に米国の税務を扱うベンチマークなので、日本の所得税・法人税・消費税の相談へ、そのまま性能指標を当てはめることはできない。
AIが聞き返さずに回答すると、なぜ税務実務で危険なのか
条件が違えば、同じ取引でも扱いが変わりうる
例えば同じ金額の売上や経費でも、発生時期、取引主体、契約の形式によって申告上の扱いが変わる可能性がある。
必要書類が欠けているときにAIが一つの前提を勝手に補えば、文章が整っていても判断を誤る。正しく応答するには、不明点を質問として残すことが必要だ。
資料を大量に読めても「不足」を指摘できるとは限らない
長い書類を要約する能力と、申告に必要な書類の欠落に気付く能力は別のものだ。前提資料が不十分なとき、結論を保留する判断も専門業務の品質に含まれる。
AIが根拠を示したように見えても、参照した資料が最新版か、必要な例外が考慮されているかまで人間が確認したい。
出典と条件を明示しない自信ある回答は誤用を招く
法令や税率には施行日、経過措置、例外規定がある。AIに税制を調べさせる場合は、適用年度、法域、参照先、未確認事項を分けて整理させることが有効だ。
個人と企業が税務のAI活用で取り入れたい4つの工夫
最初に、AIへ申告結論を尋ねるのではなく、「判断に必要な事実・資料・確認質問を挙げて」と依頼する。入力が足りないことをAI自身に点検させる目的だ。
次に、数字の集計や証憑の整理など、後から人間が検証しやすい作業へ用途を限定する。途中計算と参照資料を残せる形にすると間違いに気付きやすい。
3つ目に、税務署などの公的資料で適用年度と要件を確認し、引用したページの日付を記録する。米国の制度を日本の制度へ混同しないよう注意する。
最後に、判断の影響が大きい申告、組織再編、国際取引、相続などは税理士などの専門家に相談する。AIの出力をそのまま提出書類の根拠にしないことが重要だ。
まとめ:専門AIの評価には「答えられること」と「聞き返せること」の両方が必要
Dayjob Taxが示す重要な論点は、生成AIの回答が流暢であることと、必要な確認を尽くしていることが一致しない場合があるという点だ。
企業や個人がAIを税務の補助に使うなら、書類整理や確認事項の洗い出しを中心に据え、不足情報の明示と人間の最終判断を運用に組み込むべきだ。
「10.8%」という数値のみでAI税務支援全体を断定するより、評価の前提と失敗の種類を理解することが実用的である。




