یک رقم اشتباه در محاسبه مالیات بر کالا و خدمات (GST) ممکن است یک خطای ساده به نظر برسد، اما در نرم‌افزارهای حسابداری و مالی، این یک ریسک حقوقی و یک مسئولیت (Liability) جدی است. برای تبدیل دستیارهای هوش مصنوعی از وضعیت «تقریباً درست» به «دقیقاً درست» و رسیدن به قطعیت ریاضی، باید اختیار دسترسی به حقایق را از مدل گرفت. تحلیل فنی منتشر شده در ۱۹ اوت ۲۰۲۶ در وب‌سایت dev.to، جزئیات این ضرورت را شرح می‌دهد: مدل نباید مرجع نهایی حقیقت باشد.
بسیاری از توسعه‌دهندگان با مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — مانند یک پایگاه دانش برخورد می‌کنند، اما در داده‌های نظارتی و قانونی، این یک اشتباه بنیادین است. مدل‌ها بر داده‌های آموزشی با تاریخ قطع (Cut-off date) مشخص تکیه دارند و نمی‌توانند تازگی یا به‌روز بودن اطلاعات خود را تأیید کنند. وقتی از یک عامل هوشمند درباره آستانه مالیاتی سؤال می‌شود، مدل اغلب عددی را با اطمینان کامل اما به‌طور ظریف اشتباه ابداع می‌کند؛ چون در حال بازخوانی یک الگو (Pattern) است، نه بازیابی یک حقیقت (Fact).
شکست بازخوانی خام
در یک نمونه عینی، نویسنده از مدل پرسید: «مالیات بر کالا و خدمات (GST) برای ۴۱۸۰ دلار چقدر است؟». مدل فوراً پاسخ داد و در نگاه اول درست به نظر می‌رسید، اما در مورد آستانه مالیاتی اشتباه کرده بود. بدتر از آن، مدل اصلاً نمی‌دانست که اشتباه کرده است و با اعتمادبه‌نفس کامل پاسخ غلط را ارائه داد. این موضوع نشان می‌دهد چرا مدل‌های خام برای کارهای نظارتی صلاحیت ندارند: آن‌ها نمی‌توانند به شما بگویند داده‌های آموزشی‌شان تا چه تاریخی به‌روز است و در نتیجه، قابلیت اعتبارسنجی ندارند.
برای حل این مشکل، نویسنده پروتکل زمینه مدل (Model Context Protocol یا MCP) را پیاده‌سازی کرد؛ استانداردی باز که به دستیاران اجازه می‌دهد در لحظه پرسش (Query time)، ابزارهای خارجی را فراخوانی کنند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مبنی‌سازی (Grounding) اشاره کردیم، تکیه بر حافظه مدل خطرناک است. در اینجا، عامل به‌جای اعتماد به حافظه داخلی، به یک سرور مالیاتی عمومی در آدرس taxmcp.ai2fin.com متصل شد. برای این کار از پیکربندی زیر استفاده شد:
{ "mcpServers": { "tax": { "url": "https://taxmcp.ai2fin.com" } } }
این تغییر استراتژیک تضمین می‌کند که دستیار ارقام زنده را از یک منبع تعریف‌شده و معتبر می‌گیرد و مانع از «رانش عددی» (Numeric drift) یا تغییر اعداد در اجراهای مختلف یک پرسش می‌شود.
پر کردن شکاف منشأ داده‌ها
اتصال مدل به یک ابزار، دقت را بالا می‌برد اما مشکلی در شفافیت ایجاد می‌کند: کاربر نمی‌تواند تشخیص دهد که آیا پاسخ از ابزار آمده است یا یک «حدس شانس» از سوی مدل است. اگر فراخوانی ابزار به‌طور خاموش شکست بخورد و مدل برای پر کردن جای خالی و جلوگیری از سکوت، عدد را ابداع کند، این شکست برای کاربر نامرئی می‌ماند و خطرناک است.
برای رفع این نقص، سیستم اکنون برای هر فیلد، منشأ داده (Provenance) می‌طلبد. هر پاسخ دریافتی از سرور باید الزماً شامل این دو مورد باشد:
- مرجع منبع (مثلاً: "ATO — ato.gov.au")
- تاریخ تأیید (مثلاً: "2026-06-01")
به‌عنوان مثال، درخواستی برای تخمین مالیات بر درآمد (income_tax_estimate) برای درآمد ۹۵ هزار دلاری در استرالیا ("AU") باید ارقام مالیات و درآمد خالص را همراه با منبع و تاریخ تأیید (dataVerifiedOn) برگرداند. اگر عددی بدون این دو نشانگر برسد، سیستم به‌طور خودکار از نمایش آن به کاربر خودداری می‌کند. این فرآیند، خروجی را از حالت «مدل این‌طور گفت» به یک ادعای قابل تأیید تبدیل می‌کند که توسط یک مرجع قانونی و تاریخ مشخص پشتیبانی می‌شود.
حذف انحراف حقیقت
مانع نهایی، پدیده‌ای به نام «انحراف حقیقت» (Truth Drift) است؛ وضعیتی که در آن یک چت‌بات و یک ماشین‌حساب وب برای یک پرسش یکسان، پاسخ‌های متفاوتی می‌دهند چون از جداول نرخ متفاوتی استفاده می‌کنند. این اتفاق زمانی می‌افتد که توسعه‌دهندگان دو نسخه مجزا از داده‌ها را نگه می‌دارند (یکی برای API چت‌بات و یکی برای فرانت‌اند وب) و در زمان به‌روزرسانی سالانه، یکی را به‌روز کرده و دیگری را فراموش می‌کنند.
راهکار این است: معماری «یک موتور، چندین سطح نمایش» (One engine, many surfaces). با اجبار سرور MCP و ماشین‌حساب‌های وب به خواندن از یک موتور داده واحد در لایه زیرین، ریسک خطاهای دستی در همگام‌سازی به‌طور کامل حذف می‌شود. وقتی چت و صفحه وب مقدار یکسانی را نشان می‌دهند، وجود یک «منبع واحد حقیقت» (Single Source of Truth) تأیید می‌شود.
این الگو برای هر حوزه‌ای که داده‌ها به‌سرعت تغییر می‌کنند — مثل دوزهای دارویی در پزشکی، سطوح موجودی انبار یا قیمت‌های لحظه‌ای — کاربرد دارد. تغییر بنیادین در اینجا این است که مدل زبانی از نقش «کارشناس» (Expert) خارج شده و به نقش «رابط» (Interface) تبدیل شود که صرفاً ابزارها را مدیریت و نتایج آن‌ها را ارائه می‌کند.
گام بعدی شما
برای کسانی که می‌خواهند این الگو را تست کنند، نویسنده پیشنهاد می‌کند از سرور رایگان taxmcp.ai2fin.com استفاده کنید که نیازی به ساخت حساب کاربری ندارد. یک کلاینت را به آن متصل کنید و سعی کنید مدل را به گونه‌ای به چالش بکشید که عددی را بدون ذکر منبع ارائه دهد؛ در واقع، ایجاد همین محدودیت و اجبار، هدف اصلی این معماری است.
- سرور رایگان taxmcp.ai2fin.com را برای تست این الگو امتحان کنید.
- در سیستم‌های خود، هر عددی که فاقد تاریخ تأیید و منبع است را مسدود کنید.
- معماری داده‌های خود را به سمت «یک موتور، چندین سطح» ببرید تا تضاد اطلاعاتی حذف شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو