Este artículo señala que, según el Servicio de Impuestos Internos (IRS), el estadounidense promedio gasta $270 y 13 horas en declarar sus impuestos, y que hacerlo requiere un razonamiento complejo, la aplicación de reglas superpuestas y cálculos numéricos. Dado que los errores pueden ser costosos, los sistemas automatizados deben ofrecer alta precisión y auditabilidad, lo cual no es posible con los modelos de lenguaje a gran escala (LLM) modernos. Por lo tanto, este artículo propone un enfoque que integra LLM y solucionadores simbólicos para calcular la responsabilidad tributaria. Evaluamos una variante de este sistema en el conjunto de datos Assessing Hard Legal Reasoning (SARA) e incluimos un método novedoso para estimar el costo de implementación del sistema con base en las penalizaciones por errores tributarios reales. También demostramos que la combinación de reglas de texto plano pretraducidas en programas de lógica formal y la búsqueda inteligente de ejemplos en representaciones de casos formales puede mejorar significativamente el rendimiento y reducir significativamente los costos en comparación con el promedio del mundo real. Los resultados demuestran el potencial y la viabilidad económica de las arquitecturas simbólicas neuronales para promover el acceso equitativo a una asistencia tributaria confiable.
