Perspective: 세금 AI의 자동 학습 루프: 피드백을 성능 신호로 전환하기

핵심 주장

세금 신고 같은 규칙 기반 실무 작업에서 AI 에이전트의 진정한 가치는 "초기 정확도"가 아니라 "사용자·업체 피드백을 자동으로 구조화하고 이를 주기적(3개월) 학습 신호로 변환해 성능을 지속적으로 개선하는 시스템"을 갖춘 것에 있다.

근거

• OpenAI·Thrive Holdings의 Tax AI 에이전트는 Codex 기반 자동 평가 루프를 통해 실무자 피드백을 구조화된 학습 신호로 변환했으며, 3개월 단위로 초기 배포 대비 측정 가능한 성능 향상을 달성(7,000건 신고서 처리)
• 종래의 '사람이 프롬프트를 수동으로 재작성하는' 튜닝 방식과 달리, 자동 학습 루프는 수천 건의 오류 패턴에서 규칙을 추출해 에이전트 추론을 개선할 수 있다는 점
• 세금법 규칙, 공제 기준, 신고 형식이 엄격하게 정의된 도메인에서는 피드백 → 규칙 추출 → 검증이라는 고리가 명확하게 작동한다는 점

반론

• 사용자·업체의 피드백이 정확하지 않거나 편향되어 있으면(예: 일부 고객군의 오류만 보고) AI의 자동 개선이 오히려 다른 사용자 세그먼트에서 성능을 악화시킬 수 있다
• 조세청의 규칙 변경, 법인세법 개정 같은 구조적 변화는 고객 피드백 패턴만으로는 빠르게 감지하기 어렵고, 결국 세무사·회계사의 수동 검증과 개입이 필수적이다
• '3개월 주기 개선'은 시스템이 안정적인 환경에서만 작동하며, 규제 불확실성(조세청 유권해석 변경) 시에는 사람의 실시간 검증 없이 오류 누적 위험이 높다

적용 조건

• 사용자 오류 제보가 구조화되고(예: '어떤 항목이, 어떻게 잘못됐는가') 자동 평가 인프라가 존재하는 경우에만 적용
• 세금 신고처럼 규칙이 명확하게 정의되고 '정답'이 객관적으로 검증 가능한 도메인(불완전하게 규칙이 정의된 문화·미술 감정 같은 작업은 제외)
• 한국 시장에서는 조세청 고시 변경, 업종별 특수 공제 도입 같은 규제 변화 주기를 고려할 때 월 1~2회 이상 인적 검증 루프가 존재해야 작동

한국 독자 의미

한국의 소상공인·중소기업은 복잡한 소득세·부가세 신고 비용을 회계사에 맡기고 있는데, 이 주장은 "AI 에이전트 도입 시 초기 정확도 수치보다는 얼마나 자주 자동으로 오류를 학습하고 규제 변화에 대응하는가"를 평가 기준으로 삼아야 한다는 점을 제시한다. 즉, 국내 조세청 유권해석 변경, 근로소득세 감면 정책 변화 같은 현지화된 규칙 변경에 AI가 자동으로 대응할 수 있는 구조가 있는지 확인하는 것이 '싸구려 AI 세무 서비스'와 '신뢰할 수 있는 보조 도구'의 차이를 가르는 기준이 된다는 뜻이다.

이 관점을 쓰는 글

• content/briefs/building-self-improving-tax-agents-with-codex.md

마지막 검토

2026-05-28