Surge 拿 50 份美國稅務實務考 AI 代理,第一名也只過 10.8%:財務部第一堂課別從報稅開始

一句話結論

Surge AI 拿 50 份稅務實務任務考 AI 代理,要求一次做完並達到 95% 評分標準,最高分的 Claude Sonnet 5.5 也只通過 10.8%。Surge 舉的例子,難在客戶沒問、但會影響結果的那個問題(它沒有公布整體失敗原因統計)。這份評測是美國稅務,分數也不能直接讀成「AI 只對一成」。但它讓我更確定財會單位的順序:第一堂課別從報稅開始,先從你自己查得出對錯的文字工作開始,再學怎麼叫 AI 找你漏掉的問題。

財會單位上 AI 課,第一個問題常常是:「它可以幫我們報稅嗎?」

Surge AI 10 月 27 日公布的評測 DAYJOB: Tax,剛好可以拿來回答。它不是考單題稅法,而是把 AI 代理丟進一個案子裡,從客戶的請求開始,翻紀錄、找問題、做判斷,交出報稅書、底稿或建議。

結果是這樣:

DAYJOB: Tax 通過率(前段)
只列排行榜前 9 名。沒過不等於全錯,只是沒達到 95% 門檻;這也是美國稅務的評測。

這場考試為什麼這麼難

50 個任務涵蓋個人、小企業、合夥、不動產與投資、遺產信託、跨國、企業交易和稅務爭議共八個領域,總共 1,789 個檔案,每個任務的檔案數中位數是 30 個,最多到 123 個。檔案不是乾淨的表格:有手寫收據的照片,有一份外勤派工紀錄,顯示一家以為只在阿拉巴馬州營運的公司,人其實跑了五個州。

Surge 舉的兩個例子,最值得財會人看。

例子一:客戶沒問的期限。Anna 2024 年 8 月搬出公寓,問 2026 年 10 月和 2027 年 1 月哪個時間賣比較好。兩個日期都符合免稅條件,但她如果拖過 2027 年 8 月底左右,就可能失去最高 25 萬美元的免稅資格(美國規定賣屋前五年內要住滿兩年)。GPT-6 Astra 五次都沒提這個期限,Opus 五次都提了。

例子二:沒驗證的前提。一對分居的伴侶問怎麼分退休帳戶。Opus 5.5 五次都把建議建立在「兩人未婚」這個前提上,但檔案裡有他們住過德州、在科羅拉多辦過儀式的紀錄,婚姻狀態其實有疑問。這次換 Astra 五次裡有四次說要先確認。

你看出來了嗎?兩個例子,贏的模型剛好相反。這也是我不想把這篇寫成「哪個模型最會報稅」的原因。換模型解決不了這件事,要有人知道該問什麼。

10.8% 不是「AI 只對一成」

這個數字很容易被講過頭,先把它拆清楚。

Surge 用的是 pass@1 搭配 95% 門檻:一次嘗試要滿足該任務至少 95% 的評分標準才算過。所以沒過的那 89.2%,不等於全錯,可能只是漏了幾項,但 Surge 這份公開資料沒有給出沒過的嘗試平均做到幾成。

比較合理的讀法是:AI 代理現在還不能獨立把一件稅務案子從頭負責到尾。它不是沒用,是不能不看。Surge 自己的結語也是類似的意思:代理還沒通過這場查核。

如果現在要排財會第一堂

我帶過財會單位的課。當時我先教把指令寫清楚,再讓大家用備好的範本練習,例如催收、付款延遲、發票抬頭退回。回頭看這份評測,如果現在要排財會第一堂,我會先練這幾件:

財務部第一堂 AI 課,先練這三件
挑這幾件的判準:錯了查得出來、機密資料可以先換掉。先練這些,再談叫 AI 當反對黨找漏洞。

挑這幾件的判準是:錯了,你自己查得出來;機密資料也可以先換掉。

催收信寫得不好,你讀一次就知道;趨勢摘要要用假資料練,數字一定回頭對原表。這跟 Anna 那個「沒講的期限」完全不同,後者錯了你很難發現,因為它沒出現在答案裡。

課堂上還有兩個細節,是我會提醒財會人的:

  • 角色要寫「中華民國」。寫「你是資深會計」,AI 可能用別國的法規和你互動。Surge 這份考的是美國稅,同一個道理:模型的預設世界不一定是你的世界。
  • 叫它當反對黨。與其問「這樣對嗎」,不如請它提出五個反對意見,或列出「客戶可能沒想到的問題」。Surge 測的是代理會不會主動提問,這跟你叫它列不一樣;所以我把它當檢查清單的一項,列出來的每一點都要回頭查條文。

另外我也會直接講:有些資料你不確定能不能丟,一定要問過主管。不要為了快一點,把自己的工作賭上去。

誠實踩煞車

  • 這是美國稅務。任務用的是美國的表單和規定,台灣的營所稅、營業稅沒有被測到。我沒有查到同等規模的台灣稅務評測,所以不能說台灣的分數會更高或更低。
  • Surge 有商業立場。任務與評分標準由它找的稅務專家設計,有三層專家審查,Hugging Face 上公開 2 題樣本,完整題庫要申請。它提供 AI 訓練資料與專家人力,Anthropic 等受評模型廠商也是它公開提到的合作對象,所以不是中立學術機構。
  • 前三名差距很小。10.8%、9.6%、9.2% 相差不到兩個百分點,任務只有 50 個。不要拿這張表來決定買哪家。
  • 評測用的都是高強度設定。榜上模型多半開到最大推理,一般使用者日常用的設定和它不一定一樣。
  • 兩個例子是 Surge 挑的。各五次嘗試,頁面沒有公布完整的失敗類型統計,不能推論某模型整體比較會抓期限或驗前提。
  • 這個順序是我的判斷。它來自教學經驗,不是對照實驗,也不代表每個財會單位都適合。

對照:財會工作先交給 AI 哪些

先從這裡開始先別交給它
工作催收信、退回說明、趨勢摘要(用假資料練)報稅判斷、適用條文、最終結論
錯了看得出來嗎自己查得出來漏掉的東西不會出現在答案裡
資料可以先去掉機敏內容常涉及客戶與財務明細
誰負責你改過再寄仍是簽名的人
AI 的角色草稿、改寫檢查清單的一項,不是答案

所以你該做什麼

如果你是一般財會同仁:今天就拿一封要寄給廠商的付款延遲說明,請 AI 寫三個語氣版本。角色寫上「中華民國」,客戶名稱和金額先換掉。花十分鐘,感受一下它幫得上什麼。

如果你負責推動導入:把部門常用的信件和說明整理成一份指令範本,我帶財會單位時就做過一份。範本的好處是資料規則可以一起寫進去,不用每個人自己判斷。

如果你是財務主管:先畫一條線:哪些工作 AI 可以出草稿、哪些連草稿都不給。對於有人說「AI 可以幫我們報稅了」,可以回問一句:「它會告訴我們客戶沒問的那個期限嗎?誰來確認?」

你是機長,AI 是機組人員

機組人員可以幫你算油量、查天氣、唸檢查表。但「這趟航線今天是不是有一個沒人提到的問題」,是機長的工作,也是機長存在的理由。

簽名的人是你。AI 可以幫你把資料翻完,但客戶沒問的那個問題,你還是要有辦法想到;至少要知道該叫它去找。

常見問題 FAQ

Q:10.8% 代表 AI 只答對一成嗎?
不是。10.8% 是一次嘗試就達到 95% 評分標準的比例。沒過不等於全錯,只是沒有達到這個很高的門檻。Surge 公開頁面沒有提供沒過的嘗試平均做到幾成。

Q:這份評測適用台灣的稅務嗎?
不能直接套用。任務是美國稅務,台灣的稅法與表單沒有被測到。我沒有查到同等規模的台灣評測。

Q:所以財會人員不用學 AI 了嗎?
相反。評測顯示的是 AI 還不能獨立負責整件案子,不是不能用。財會工作裡有很多文字、溝通與整理工作,錯了看得出來,很適合先開始。

Q:最高分是 Claude,所以財會部門該買 Claude 嗎?
我不會這樣決定。前三名差距不到兩個百分點,任務數只有 50 個,而且 Surge 舉的兩個例子裡,勝出的模型剛好相反。選工具要看資料規定、整合方式和實際試用。

Q:財會部門第一堂 AI 課要教什麼?
如果現在要排,我的順序是:先學把角色和情境寫清楚(含「中華民國」),再用催收信、發票退回說明、趨勢摘要練手,最後學請 AI 扮反對黨找漏洞。同時講清楚哪些資料不能丟。這是我的判斷。

資料來源

以下均於 2026 年 11 月 3 日查證:

  • Surge AI:〈DAYJOB: Tax — Benchmarking AI Agents on Professional Tax Work〉(surgehq.ai/blog,2026 年 10 月 27 日):50 個任務、1,789 個檔案、八個領域、95% 門檻、Anna 與退休帳戶案例、手寫收據與派工紀錄、專家審查方式。這是 Surge 自己發布的評測。
  • Surge AI:DAYJOB: Tax 排行榜(surgehq.ai/benchmarks):各模型通過率與使用的推理設定。
  • 我的課堂紀錄:過去財會單位課程的逐字稿與自製指令範本。單位與學員資訊已去識別化。

查證說明(誠實揭露):①評測數字全部來自 Surge AI 自己的頁面,我沒有重新跑過評測。②「沒過不等於全錯」是我依 95% 門檻定義做的解讀;Surge 公開頁面沒有提供沒過的嘗試的平均完成度,所以我不給數字。③本評測是美國稅務,我沒有查到同規模的台灣評測。④Anna 案例中的 2 年/5 年規定,是依 Surge 文章的描述轉述,本文不是稅務建議,實際請找會計師。⑤Surge 只用這兩個案例對比 Opus 與 Astra,頁面未給完整失敗類型統計。⑥財會工作的先後順序、「查不查得出來」這個判準,是我回頭看課堂和這份評測後的判斷,當時那堂課的實際順序並不完全是這樣。⑦我教課時常用 Claude,本文的排名照評測原文寫,不代表購買建議。⑧本文沒有收受任何廠商費用。

影片版:https://youtu.be/3HPcjbwjhaM

財會部門的第一堂 AI 課

我會把這類新聞拆成可以照著做的步驟,寫在電子報裡。電子報大約一到兩週一封 → startupforyou.substack.com

如果你是財務主管:企業內訓可以帶同仁用你們自己常寫的信件和說明練習(資料先去識別化),當場產出部門的指令範本和「哪些不能丟」清單。想聊聊寫信到 ai@autolab.cloud,或看看 AI 顧問教練團。

如果你正在規劃 2027 年的 AI 課程,不管你是 HR、訓練主管還是老師,都歡迎找阿峰老師聊聊,一起把課排對:https://autolab.cloud/corporate-training/?f=blog

通勤用聽的 → Podcast《下班學AI》

這篇哪裡寫錯、看不懂或過時了?→ 寫信告訴我

關於作者
黃敬峰(AI峰哥/阿峰老師),企業 AI 實戰培訓專家,服務客戶包含國泰人壽、工研院、士林電機、中嘉寬頻、電通、城邦媒體等。聯絡方式:ai@autolab.cloud

財務部門會計AIAI代理DAYJOB TaxSurge AI企業內訓

這篇有幫到你嗎?

常見問題

10.8% 代表 AI 只答對一成嗎?

不是。10.8% 是一次嘗試就達到 95% 評分標準的比例。沒過不等於全錯,只是沒有達到這個很高的門檻。Surge 公開頁面沒有提供沒過的嘗試平均做到幾成。

這份評測適用台灣的稅務嗎?

不能直接套用。任務是美國稅務,台灣的稅法與表單沒有被測到。我沒有查到同等規模的台灣評測。

所以財會人員不用學 AI 了嗎?

相反。評測顯示的是 AI 還不能獨立負責整件案子,不是不能用。財會工作裡有很多文字、溝通與整理工作,錯了看得出來,很適合先開始。

最高分是 Claude,所以財會部門該買 Claude 嗎?

我不會這樣決定。前三名差距不到兩個百分點,任務數只有 50 個,而且 Surge 舉的兩個例子裡,勝出的模型剛好相反。選工具要看資料規定、整合方式和實際試用。

財會部門第一堂 AI 課要教什麼?

如果現在要排,我的順序是:先學把角色和情境寫清楚(含「中華民國」),再用催收信、發票退回說明、趨勢摘要練手,最後學請 AI 扮反對黨找漏洞。同時講清楚哪些資料不能丟。這是我的判斷。