Három hullám, egy szakma – hol tart ma a mesterséges intelligencia a pénzügyi-számviteli szakemberek munkájában?

Ez a cikk arról szól, hogy ezt a három hullámot a saját szakmánk szemüvegén keresztül nézzük végig. Nem általánosságban, hanem azon a területen, amely a könyvvizsgáló és az adótanácsadó mindennapjainak az egyik legkényesebb része: a jogszabályi háttér felkutatásán és a komplex esetek értelmezésén keresztül. Egy olyan területen, ahol a tét nem az, hogy szépen fogalmaz-e a gép, hanem hogy a hivatkozott paragrafus létezik-e, és tényleg azt mondja-e, amit a válasz állít róla.

Az első hullám: a nagy nyelvi modellek

Az első, amivel szinte mindenki találkozott, a tiszta nagy nyelvi modell – a gyakorlatban ez a legtöbb kolléga számára a ChatGPT-t jelenti. Beírunk egy kérdést, és néhány másodperc múlva folyékony, magabiztos, szakszerűnek tűnő választ kapunk. Az élmény lenyűgöző, és ez nem véletlen: a nyelvi modell pontosan arra van betanítva, hogy a következő szót megjósolja, vagyis hogy hihetően fogalmazzon.

Nézzünk egy konkrét helyzetet. Tegyük fel, hogy egy ügyfelünk építőipari alvállalkozói számlázásánál kérdés merül fel: erre a konkrét munkára a fordított adózás szabálya vonatkozik-e (Áfa tv. 142. §), vagy egyenes adózással kell-e számlázni? Beírjuk a kérdést a ChatGPT-be. A válasz gördülékeny lesz, hivatkozik is paragrafusra, és első olvasásra teljesen meggyőző.

A baj ott kezdődik, amikor leellenőrizzük. Gyakran kiderül, hogy:

• a hivatkozott jogszabályhely száma nem stimmel, vagy létezik ugyan, de nem azt mondja, amit a válasz állít róla – a modell egész egyszerűen kitalálta a hivatkozást, mert a betanítása szerint így néz ki egy hiteles válasz (ezt nevezzük hallucinációnak);
• a modell összekeveri a hatályos és a már módosított szabályt, mert nincs naprakész tudása arról, hogy az adott rendelkezés mikor és hogyan változott;
• ha pedig bekapcsoljuk az internetes keresést, az sem jelent önmagában megoldást: a modell egy fórumbejegyzést, egy néhány éves blogcikket vagy egy marketingoldalt hoz be forrásként, ami nem elsődleges jogforrás, és könnyen elavult vagy pontatlan.

A tanulság nem az, hogy a nyelvi modell haszontalan – épp ellenkezőleg. Kiválóan átfogalmaz, vázol, ötletel, segít megfogalmazni egy bonyolult kérdést. De a jogszabályi háttér felkutatásában és komplex adózási esetek megítélésében nem megbízható: minden egyes hivatkozásnak utána kell néznünk, és ez sokszor pont annyi időbe telik, mintha eleve magunk kutattuk volna fel. Egy jó irányba tett első lépés volt – de csak egy lépés.

A második hullám: a RAG-rendszerek

A hallucináló hivatkozás problémájára kézenfekvő válasz született, és ez volt a második hullám: a RAG-rendszerek (Retrieval-Augmented Generation, azaz visszakereséssel támogatott szöveggenerálás). Az ötlet egyszerű és meggyőző: ne hagyjuk, hogy a modell a „fejéből" válaszoljon! Adjunk mellé egy valódi dokumentumbázist – mondjuk az Áfa törvény és a Tao törvény teljes szövegét –, a kérdés megérkezésekor keressük ki belőle a releváns szövegrészeket, és csak ezek alapján engedjük válaszolni a modellt!

Ez nagy előrelépés. A hivatkozások egyszerre csak valódi, létező paragrafusokra mutatnak, mert a modell nem találgat, hanem a betöltött jogszabályszövegre támaszkodik. Sok kolléga itt fellélegzett: végre úgy tűnt, hogy a rendszer már megbízható.

És valóban, vannak feladatok, ahol a RAG tényleg jól is teljesít. Vegyünk egy jól körülhatárolt, „egy szabály – egy válasz" típusú kérdést: milyen kötelező adatokat kell tartalmaznia egy számlának? Ezt az Áfa tv. 169. §-a tételesen, felsorolásszerűen tartalmazza. A RAG-rendszer megtalálja ezt a szabályt, és visszaadja a teljes, hiánytalan, forrással alátámasztott felsorolást – ott, ahol a tiszta nyelvi modell könnyen kihagyott volna egy-két elemet, vagy kitalált volna egy nem létezőt. Ahol a válasz lényegében egyetlen, egyértelmű rendelkezésben benne van, a RAG gyors, pontos és ellenőrizhető. Ez a valódi előrelépés az első hullámhoz képest, és nem kevés: a könyvelői, könyvvizsgálói munka jó részét éppen az ilyen visszakereshető, tételes kérdések teszik ki.

Csakhogy a komplex eseteknél itt is elfogy az eszköz. A RAG ugyanis szemantikus kereséssel dolgozik: a kérdéshez hasonló megszövegezésű részeket idézi a jogszabályból. Csakhogy attól, hogy egy szövegrész megfogalmazása hasonlít a kérdésre, még nem biztos, hogy a helyes információt tartalmazza. Ezek nem tökéletes eszközök – a szemantikus keresés könnyen rossz irányba viheti a rendszert, és épp azok a kulcsinformációk eshetnek ki, amelyek nélkül egy szabályt nem lehet helyesen a konkrét esetre alkalmazni. Nézzünk egy olyan példát, ahol ez megtörténik.

Az ügyfél ingatlan bérbeadásból szerez bevételt, és az a kérdés, hogy ez áfamentes-e. A RAG-rendszer megtalálja az Áfa tv. 86. § (1) bekezdés l) pontját, amely főszabályként valóban adómentesnek mondja az ingatlan bérbeadását, és ad egy tiszta, jól hivatkozott választ: „igen, adómentes". A válasz szövegszerűen helyes forrásra épül – és mégis hibás lehet, mert:

• a rendszer nem építette be a 88. §-t, amely szerint az adóalany dönthetett úgy, hogy a bérbeadást adókötelessé teszi (és ha az ügyfél így nyilatkozott, a teljes válasz felborul);
• és nem hozta be a kivételeket sem (kereskedelmi szálláshely-szolgáltatás, parkolóhely, gép tartós bérbeadása), amelyek eleve kiesnek a mentesség alól.

Ez a RAG tipikus gyengéje: a szemantikus keresés a kérdéshez hasonló szövegrészt megtalálja, de egy valódi eset jellemzően több rendelkezés együtt-hatásán, egy kivételen, egy másik törvény fogalom meghatározásán vagy egy átmeneti szabályon múlik – és épp ezek a döntő, „nem hasonlóan hangzó" részek esnek ki a keresésből. A modell pedig a hiányosan összegyűjtött töredékekből egy gyönyörűen megfogalmazott, magabiztos választ gyárt – amely épp azért veszélyes, mert valódi forrásra hivatkozik, miközben hiányos, és ezért téves.

A tanulság itt finomabb, mint az első hullámnál. A RAG megoldotta a kitalált hivatkozás problémáját, de nem oldotta meg a gondolkodás problémáját. A jog nem hasonlóság-keresési feladat, hanem többlépéses értelmezés, amelyhez tudni kell, mit keresünk – a puszta szemantikus keresés erre nem elég. A mindennapi, kényes esetekben a RAG-rendszer is gyakran hibázik, és ugyanúgy teljes körű emberi ellenőrzést igényel. Megint egy lépés a jó irányba, de még mindig nem az érkezés.

A harmadik hullám: az agentic rendszerek

A harmadik hullám nem egy újabb varázslatos modell, hanem egy szemléletváltás. Az agentic rendszerekben technikailag továbbra is ott van egy nyelvi modell, és bizonyos pontokon ott van a RAG-os visszakeresés is. A különbség nem az alkatrészekben van, hanem abban, hogy mire használjuk őket.

Az előző két hullámban ugyanazt csináltuk: fogtunk egy bonyolult feladatot, odaadtuk a modellnek egyben, és reménykedtünk, hogy egyetlen jó válasszal megoldja. Az agentic logika ezzel szemben abból indul ki: a fókusz azon van, hogy a szakmai folyamatot és az adott területhez tartozó tudást beépítsük a rendszerbe, méghozzá azzal a céllal, hogy csökkentsük az egyes részfeladatok komplexitását.

Az eredeti, komplex kérdést – amelyet korábban a nyelvi modell egyetlen lépésben próbált megválaszolni – itt szétbontjuk. Egy áfás megítélésnél például a rendszer nem azt kérdezi magától, hogy „mi a válasz", hanem sorra veszi: ki az ügylet alanya és milyen adóalanyi minőségben jár el? Hol van a teljesítés helye? Van-e tárgyi adómentesség, és ha igen, élt-e az adóalany az adókötelessé tétel lehetőségével? Vonatkozik-e rá a fordított adózás? Milyen számlázási kötelezettség társul hozzá? Minden részkérdéshez célzottan, a belső tudástár segítségével keressük meg a pontosan oda tartozó jogi információt.

A lényeg a következő: ha egy feladatot annyi kicsi, jól körülhatárolt lépésre bontunk, amelyek mindegyike önmagában egyszerű, akkor lépésenként drámaian lecsökken a hibázás esélye. És mivel a részeredmények ellenőrizhetők és egymásra épülnek, az összerakott végeredmény elér egy olyan megbízhatósági szintet, amelyen már valódi szakmai munkában is használható.

Az Azta mindezt tudja

Ennek a harmadik hullámnak az egyik magyar képviselője az Azta (azta.ai) – egy agentic rendszer, amelyet magyar kutatók, fejlesztők és gyakorló szakemberek építettek, kifejezetten adózási és üzleti jogi kutatómunkára. A megközelítése a fent leírtakkal azonos: nem kizárólag egy választ készít, hanem megmutatja az érveléshez vezető utat – a forrásokat, a hivatkozásokat és a gondolatmenetet.

Néhány konkrét, technikai szempont, amitől ez a kategória elválik az előző kettőtől:

• Kizárólag jogforrásból dolgozik, és minden állítást citál. Az Azta válaszaiban minden megállapítás visszavezethető egy konkrét jogszabályhelyre, jogszabályra vagy irányelvre – nincs „a fejéből" megfogalmazott állítás. A rendszer minden kijelentés mellé kötelező forrásidézetet társít, és egy külön ellenőrző lépés validálja, hogy az idézett szövegrész valóban alátámasztja-e az állítást. Ez pontosan az a mozzanat, amely a tiszta nyelvi modellnél hiányzott.
• A jogszabályi hivatkozások feloldása nem szemantikai hasonlóság, hanem determinisztikus referenciafeloldás alapján történik. Amikor egy jogszabály arra hivatkozik, hogy „a (2) bekezdésben foglaltak kivételével" vagy „a 88. § szerinti választás esetén", a rendszer nem találgatja ki a hasonló szövegrészeket, hanem ténylegesen követi a kereszthivatkozást. Épp ez az a pont, ahol a RAG korábban elbukott a komplex eseteken.
• Naprakész tudásbázis. Az új jogszabályokat és módosításokat a rendszer folyamatosan, naponta követi és indexeli, így egyetlen válasz sem a már nem hatályos szabályokra épül – szemben a tiszta nyelvi modellel, amely a betanítása óta nem látott friss jogszabályt.
• A saját szakmai módszertan beépíthető. A rendszerhez kapcsolhatók az iroda belső anyagai – a kialakult állásfoglalások, a memók, a bevett szakmai pozíciók –, amelyeket az Azta a jogszabály mellett, azzal együtt citálva használ. Így minden kolléga úgy válaszol, ahogyan az iroda válaszol.
• Minden válasz visszakövethető és védhető. Teljes nyomvonal (audit trail), forráslinkek, reprodukálható érvelés – arra a pillanatra, amikor egy partner, egy ügyfél vagy épp a hatóság megkérdezi: „és ezt mire alapozzuk?".

A rendszer ma 14 EU-tagállam jogforrásait kezeli, és a fejlesztők szerint a kollégák a rutinjellegű kutatómunkán 20–30%-nyi időt takarítanak meg vele. De talán a legtömörebb leírás az, amit maguk is használnak: olyan, mint egy rendkívül gyors kutató asszisztens, aki soha nem felejt el egyetlen forrást sem.

És innen hová?

Érdemes kimondani, hogy mit jelent mindez a szakma jövőjére nézve, mert a fenti ív könnyen félreérthető. A három hullám tanulsága nem az, hogy a gép lassan átveszi a könyvvizsgáló és az adótanácsadó munkáját.

Épp ellenkezőleg. Amit ezek az agentic eszközök elvesznek tőlünk, az a forrásvadászat órái – az a fárasztó, mechanikus rész, amikor már a tizedik kommentárt és a hatodik állásfoglalást böngésszük, hogy biztosak legyünk a dolgunkban. Amit nem vesz el egy ilyen agentic rendszer, az a szakmai ítélőképesség, az ügyfél ismerete, a kockázat megérzése, a kreatív problémamegoldás – vagyis pontosan az, amiért a szakembert megfizetik.

A korábbi eszközöknél az ember a gép ellenőrzője volt: utánanéztünk, kijavítottuk, gyakran újra csináltuk. Az agentic rendszereknél a viszony megváltozik: az ember a gép társa lesz. Olyan partner, amellyel együtt lehet gondolkodni, komplex eseteket szét lehet szálazni és közösen meg lehet oldani. Az agentic rendszerek magas hozzáadott értékű feladatok esetén nem azt ígérik hogy „elveszik a szakemberek munkáját" – hanem azt, hogy minden szakembert jobbá tesznek. A jó eszköz nem helyettesíti ahozzáértést hanem az információsűrűséget növeli.

A cikk szerzője:

Dr. Kővári Bálint, az azta társalapítója és vezető AI-kutatója