Cet article propose un système d'automatisation du processus de déclaration d'impôts, qui requiert un raisonnement complexe et des calculs numériques. Partant du constat que, selon l'Internal Revenue Service, un Américain moyen consacre 270 dollars et 13 heures à la déclaration de ses impôts, cet article propose un système d'automatisation du processus. Les modèles de langage à grande échelle (MLL) existants présentant des limites en termes de précision et de vérifiabilité, cet article présente une approche intégrant les MLL à des solveurs symboliques. À l'aide du jeu de données SARA, nous évaluons plusieurs variantes du système et proposons une nouvelle méthode d'estimation des coûts de mise en œuvre du système, basée sur les pénalités pour erreurs fiscales réelles. De plus, nous démontrons comment améliorer les performances et réduire les coûts en transformant des règles en texte clair en programmes logiques formels et en recherchant intelligemment des exemples pour formaliser les représentations de cas. Enfin, nous démontrons le potentiel et la faisabilité économique de l'exploitation d'une architecture symbolique neuronale pour accroître l'accès équitable à une assistance fiscale fiable.
