असल में, कॉर्पोरेट या पार्टनरशिप रिटर्न इसलिए कम फेल होते हैं कि तैयार करने वाला टैक्स का हिसाब नहीं कर पाता, बल्कि इसलिए ज़्यादा फेल होते हैं क्योंकि डेडलाइन के दबाव में फ़ाइल अधूरी, बिना रिव्यू के लायक या बिना सपोर्टिंग डॉक्यूमेंट के होती है। जब इस माहौल में AI आता है, तो जोखिम यह नहीं होता कि ड्राफ़्ट में कोई कमी है। जोखिम यह है कि फ़र्म AI के आउटपुट को प्रोफेशनल ड्यू डिलिजेंस (पूरी सावधानी से जांच-पड़ताल) और डॉक्यूमेंटेशन का विकल्प मान लेती है, और फिर अपने पक्ष का बचाव नहीं कर पाती, अंतरों का मिलान नहीं कर पाती, या यह साबित नहीं कर पाती कि किस चीज़ पर भरोसा किया गया था।
यह लेसन AI की मदद से रिटर्न तैयार करने के लिए वर्कफ़्लो बेसलाइन तय करता है। AI तेज़ी से ड्राफ़्ट बना सकता है, जानकारी निकाल सकता है, सारांश बना सकता है और मुद्दों को चिह्नित कर सकता है। प्रैक्टिशनर अभी भी सोर्स डेटा की पुष्टि करता है, अधिकार का मूल्यांकन करता है, चुनाव (elections) करता है और उन चीज़ों पर साइन करता है जिनके लिए फ़र्म सर्कुलर 230 और IRC के ड्यू डिलिजेंस नियमों के तहत जवाबदेह है।
एक पूरा और रिव्यू के लायक रिटर्न, क्लाइंट के सोर्स डॉक्यूमेंट से लेकर वर्कपेपर और फ़ाइनल ई-फ़ाइल पैकेज तक की एक चेन होती है। अगर आप फ़ॉर्म 1120 या फ़ॉर्म 1065 की किसी संख्या को उसके सपोर्टिंग डॉक्यूमेंट से नहीं जोड़ सकते, तो आपके पास फ़ाइलिंग का ऐसा पक्ष नहीं है जिसका बचाव किया जा सके। रिव्यू के दौरान, जब किसी आइटम को साबित नहीं किया जा सकता, तो यह कमी दोबारा काम करने, डेडलाइन चूकने और तैयार करने वाले पर पेनल्टी लगने का कारण बन सकती है।
वर्कफ़्लो मैप का इस्तेमाल यह तय करने के लिए करें कि वर्कपेपर कहाँ बनते हैं, रिव्यू पॉइंट कहाँ आते हैं, और ‘पूरी हो चुकी फ़ाइल’ और ‘सिर्फ़ सबमिट किए गए रिटर्न’ में क्या फ़र्क है।
सफलता के पैमाने व्यावहारिक होते हैं। हर ज़रूरी रकम किसी सोर्स से जुड़ी होती है, हर मिलान (reconciliation) का कारण बताया जाता है, हर अनुमान (assumption) साफ़ तौर पर लिखा जाता है, और हर रिव्यू नोट का समाधान किया जाता है या उसके साथ एक स्पष्ट निष्कर्ष जोड़ा जाता है। AI आपको यह बताने में मदद कर सकता है कि क्या कमी है, लेकिन यह साबित नहीं कर सकता कि आपके वर्कपेपर्स फ़र्म की पॉलिसी या संभावित जांच के लिए काफ़ी हैं।
AI को एक ऐसे टूल के तौर पर देखें जिसके आउटपुट में उस काम का जोखिम भी शामिल होता है। क्लाइंट को अधूरे कामों (open items) का सारांश देने वाला ईमेल लिखना कम जोखिम वाला काम है क्योंकि टैक्स से जुड़े फ़ैसलों पर अभी भी काम करने वाले व्यक्ति (practitioner) का ही कंट्रोल होता है। किसी मामले पर अपनी राय का मेमो (position memo) तैयार करना या फ़ाइलिंग के लिए कोई फ़ैसला लेना ज़्यादा जोखिम वाला काम है, क्योंकि इसके कानूनी और तथ्यात्मक आधार के लिए काम करने वाला व्यक्ति ही ज़िम्मेदार होता है; इसमें इस्तेमाल किए गए नियम/मानक और रखे गए दस्तावेज़ भी शामिल हैं।
जोखिम के स्तर (risk tier) वाले मैट्रिक्स का इस्तेमाल करके उन कामों को अलग करें जिन्हें AI तेज़ी से कर सकता है, और उन कामों को अलग रखें जिनके लिए ‘सर्कुलर 230’ और फ़र्म की पॉलिसी के तहत इंसान के हस्ताक्षर और रिव्यू करने वाले की ज़रूरत होती है।
आपके वर्कफ़्लो में सीमाएँ स्पष्ट होनी चाहिए। AI संभावित कोड सेक्शन की पहचान कर सकता है, आँकड़े निकाल सकता है और सवाल सुझा सकता है। प्रैक्टिशनर को प्राथमिक स्रोत की प्रमाणिकता की पुष्टि करनी चाहिए, स्थिति की मज़बूती का आकलन करना चाहिए, खुलासों (disclosures) पर निर्णय लेना चाहिए और यह सुनिश्चित करना चाहिए कि फ़ाइल उस जानकारी का समर्थन करे जो फ़ाइल की जा रही है।
AI आउटपुट की गुणवत्ता इनपुट की सटीकता पर निर्भर करती है। अगर बैंक स्टेटमेंट में कुछ पेज गायब हैं, अगर अलग-अलग एंटिटीज़ के K-1 फ़ॉर्म पर लेबल नहीं लगे हैं, या अगर शेयर्ड ड्राइव पर अलग-अलग वर्शन हैं, तो AI अधूरे रिकॉर्ड के आधार पर भी भरोसेमंद समरी तैयार कर देगा। पेशेवर नज़रिए से, यह ऐसी रिटर्न बन जाती है जो अनजाने में हुई चूक पर आधारित होती है; इसी तरह मिलान (reconciliation) की मामूली समस्याएँ बिना वजह अमेंडेड रिटर्न (संशोधित रिटर्न) में बदल जाती हैं।
इनटेक चेकलिस्ट का इस्तेमाल करके क्लाइंट डेटा पैकेज तैयार करें जो पूरा हो, जिस पर लेबल लगा हो, और जिसका वर्शन कंट्रोल अलग-अलग एंटिटीज़ और समय-अवधि के हिसाब से सही ढंग से किया गया हो।