Cet article souligne que, selon l'Internal Revenue Service, un Américain moyen dépense 270 dollars et 13 heures pour déclarer ses impôts, et que cette opération nécessite un raisonnement complexe, des applications de règles qui se chevauchent et des calculs numériques. Les erreurs pouvant être coûteuses, les systèmes automatisés doivent offrir une précision et une vérifiabilité élevées, ce qui est impossible avec les modèles de langage à grande échelle (LLM) modernes. Par conséquent, cet article propose une approche intégrant les LLM et les solveurs symboliques pour calculer l'impôt à payer. Nous évaluons une variante de ce système sur le jeu de données Assessing Hard Legal Reasoning (SARA) et incluons une nouvelle méthode d'estimation du coût de déploiement du système en fonction des pénalités pour erreurs fiscales réelles. Nous démontrons également que la combinaison de la prétraduction de règles en texte clair dans des programmes de logique formelle et de la recherche intelligente d'exemples dans des représentations de cas formelles peut améliorer considérablement les performances et réduire significativement les coûts par rapport à la moyenne du monde réel. Les résultats démontrent le potentiel et la faisabilité économique des architectures symboliques neuronales pour promouvoir un accès équitable à une assistance fiscale fiable.
