Als der „One Big Beautiful Bill“ (OBBB) als riesiges, 900 Seiten langes, unstrukturiertes Dokument eingeführt wurde, stand das TurboTax-Team von Intuit vor einer gewaltigen Herausforderung. Sie mussten keine standardisierten Formulare befolgen, keine offiziellen IRS-Anweisungen und eine strenge Frist einhalten. Traditionell würde die Umsetzung solch komplexer Gesetze monatelange Handarbeit erfordern.
Stattdessen entwickelte Intuit einen speziellen KI-gesteuerten Workflow, der monatelange Arbeit auf nur wenige Tage komprimierte. Dies war nicht nur ein Sieg für die Steuervorbereitung; Es schuf eine Blaupause für jede Branche – etwa im Gesundheitswesen, im Recht oder im Finanzwesen –, die komplexe Vorschriften in präzise, anspruchsvolle Software umsetzen muss.
Die Herausforderung: Komplexität ohne Roadmap
Um das Ausmaß dieser Errungenschaft zu verstehen, muss man sich ansehen, wie Intuit zuvor mit großen Gesetzesänderungen umgegangen ist. Während des Tax Cuts and Jobs Act (TCJA) von 2017 arbeitete das Team ohne KI, entschlüsselte manuell rechtliche Abschnitte und verfolgte, wie sie miteinander verbunden waren.
Der OBBB stellte noch größere Hürden:
– Strukturelles Chaos: Es kam als unstrukturiertes Dokument ohne festes Schema an.
– Inkonsistenz in der Gesetzgebung: Die Fassungen des Repräsentantenhauses und des Senats verwendeten unterschiedliche Formulierungen, um dieselben Bestimmungen zu beschreiben.
– Das „Moving Target“-Problem: Das Team musste mit der Codierung beginnen, bevor das IRS überhaupt offizielle Formulare oder Anweisungen veröffentlicht hatte.
In einer regulierten Branche gibt es keine Fehlermarge. Ein einziger Fehler bei der Steuerberechnung kann für Millionen von Nutzern erhebliche rechtliche und finanzielle Folgen haben.
Der Workflow: Vom Gesetzestext zum Funktionscode
Intuit hat ChatGPT nicht einfach „gefragt“, seinen Code zu schreiben. Stattdessen setzten sie eine mehrschichtige Strategie ein, die von der allgemeinen Analyse zur hochspezialisierten Umsetzung überging.
1. Schnelle Dokumentendestillation
Das Team nutzte universelle Large Language Models (LLMs) wie ChatGPT, um die schwere Arbeit der Dokumentenanalyse durchzuführen. Sie verwendeten diese Modelle, um:
– Fassen Sie die Versionen des Repräsentantenhauses und des Senats zusammen.
– Bringen Sie die Unterschiede zwischen den beiden in Einklang.
– Filtern Sie den umfangreichen Text, um nur die spezifischen Bestimmungen zu identifizieren, die sich auf TurboTax-Kunden ausgewirkt haben.
In dieser Phase wurde das wochenlange manuelle Lesen zu einer Angelegenheit von Stunden.
2. Überbrückung der Lücke mit domänenspezifischer KI
Allgemeine KI-Modelle stoßen bei der eigentlichen Codierung an ihre Grenzen. TurboTax läuft nicht auf Standardprogrammiersprachen; Es basiert auf einer proprietären, domänenspezifischen Sprache, die von Intuit verwaltet wird.
Um dieses Problem zu lösen, wandte sich das Team an Claude. Im Gegensatz zu allgemeinen Modellen wurde Claude für eine detaillierte Abhängigkeitskartierung verwendet, um zu ermitteln, wie neue gesetzliche Bestimmungen mit jahrzehntelang bestehendem, komplexem Code interagieren würden. Dadurch konnten Entwickler ignorieren, was gleich blieb, und sich ausschließlich auf das konzentrieren, was sich änderte.
3. Automatisierung der Benutzererfahrung und Tests
Um sicherzustellen, dass die Geschwindigkeit nicht zu Lasten der Qualität geht, hat Intuit zwei wichtige proprietäre Tools entwickelt:
– Automatisch generierte Benutzeroberfläche: Ein Tool, das automatisch Produktbildschirme basierend auf dem neuen Gesetz generiert und so den Bedarf an manueller Gestaltung reduziert.
– Erweiterte Unit-Tests: Herkömmliche Tests sagen Ihnen nur, ob ein Codeteil „bestanden“ oder „fehlgeschlagen“ ist. Das neue Framework von Intuit identifiziert das genaue Codesegment, das einen Fehler verursacht hat, und erklärt den Grund dafür, sodass Entwickler Fehler sofort innerhalb des Frameworks beheben können.
Eine Blaupause für regulierte Industrien
Der Erfolg dieses Projekts bietet einen vierteiligen Rahmen für jede Organisation, die innerhalb strenger regulatorischer Grenzen arbeitet:
- Verwenden Sie allgemeine KI für die Analyse: Nutzen Sie kommerzielle LLMs, um riesige Mengen unstrukturierter Daten zu analysieren, zusammenzufassen und zu filtern.
- Verwenden Sie spezielle Tools für die Implementierung: Wenn Sie vom „Lesen“ zum „Erstellen“ wechseln, wechseln Sie zu Tools, die Ihre spezifische, proprietäre Umgebung verstehen.
- Intelligente Tests priorisieren: Erstellen Sie nicht nur „Bestehen/Nicht bestanden“-Tests; Erstellen Sie eine Diagnoseinfrastruktur, die erklärt, warum ein Fehler aufgetreten ist.
- Verteilen Sie KI-Flüssigkeit: KI sollte kein Werkzeug sein, das Ingenieuren vorbehalten ist; Sie muss abteilungsübergreifend integriert werden, um sicherzustellen, dass die gesamte Organisation die Technologie effektiv validieren und nutzen kann.
„Es kommt darauf an, dass man über menschliches Fachwissen verfügt, um so ziemlich alles validieren und verifizieren zu können“, sagt Sarah Aerni, Vizepräsidentin für Technologie bei Intuit.
Schlussfolgerung
Durch die Kombination von Allzweck-KI für schnelle Analysen mit proprietären Tools für spezielles Codieren und Testen hat Intuit bewiesen, dass KI Entwicklungszyklen drastisch beschleunigen kann, ohne auf die absolute Genauigkeit zu verzichten, die regulierte Branchen erfordern.
