Industria de segregare a costurilor, un instrument esențial pentru optimizarea fiscală în domeniul imobiliar, se confruntă în prezent cu o provocare majoră: „slop”-ul generat de inteligența artificială (AI). Această problemă, adesea denumită generic „AI slop”, se referă la proliferarea de studii de segregare a costurilor superficiale, pline de erori potențiale și lipsite de rigoarea necesară, create pe baza unor algoritmi de AI.
Popularitatea crescândă a închirierilor pe termen scurt, precum și modificările legislative favorabile, cum ar fi permanența deprecierii accelerate (bonus depreciation) pentru proprietățile achiziționate după 1 ianuarie 2025, au generat o cerere explozivă pentru studii de segregare a costurilor. Ca răspuns, pe piață au apărut rapid furnizori care oferă studii la prețuri foarte scăzute, majoritatea bazându-se pe instrumente de inteligență artificială.
**Problema generării automate de conținut**
Similar cu modul în care ChatGPT poate genera texte fluide și convingătoare, dar nu întotdeauna corecte sau consistente, AI-ul aplicat studiilor de segregare a costurilor poate produce rezultate aparent logice, dar care variază semnificativ la rulări succesive. În timp ce variația este acceptabilă în marketing, ea devine un risc major atunci când vine vorba de documente fiscale oficiale. Cercetătorii de la BetterUp Labs și Stanford University au identificat acest fenomen ca „workslop” – un produs care arată finit, dar nu poate fi susținut prin verificare.
Deprecierea accelerată este un mecanism menit să stimuleze activitatea economică, generând locuri de muncă și sprijinind economiile locale. AI-ul are, de asemenea, un rol legitim în industria de segregare a costurilor, însă poziționarea sa este crucială. AI-ul ar trebui să fie utilizat la periferia studiului, pentru identificarea și verificarea faptelor, nu ca sursă principală pentru calcule. Plasat corect, poate crește acuratețea și scara studiilor; plasat incorect, poate duce la studii greu de apărat în fața autorităților fiscale.
**Opțiuni limitate și un risc comun: narative neverificate**
Contabilii autorizați (CPAs) care recomandă furnizori clienților lor se confruntă, în general, cu două opțiuni: fie lucrează cu parteneri tradiționali care folosesc programe Excel personalizate, uneori depășite, bazate pe alocări „top-down” (de exemplu, bucătăria primește un procent fix din valoarea casei), fie apelează la noi firme AI. Acestea din urmă sunt adesea formate dintr-o singură persoană, folosesc conturi cloud și au o prezență online puternică (SEO), oferind studii ieftine, a căror logică nu poate fi reprodusă, nici măcar de modelul AI care le-a generat.
Ambele abordări au o slăbiciune comună: se bazează pe narative neverificate. Informațiile folosite provin din declarațiile clientului, descrierile imobiliare și câteva chitanțe. Un exemplu din experiența personală arată că doar aproximativ 40% dintre afirmațiile gazdelor de Airbnb privind conformitatea cu reglementările erau corecte la verificare. Oamenii nu sunt întotdeauna naratori fiabili ai propriilor situații, iar industria de segregare a costurilor duce lipsă de mecanisme de verificare.
**Standardele IRS și necesitatea verificării**
Un studiu de calitate, conform ghidului IRS (Internal Revenue Service), implică clasificarea fiecărui activ, justificarea tipului de proprietate (Secțiunea 1245 sau 1250), fundamentarea bazei de cost și reconcilierea cu costul total real. Ghidul subliniază că, acolo unde este posibil, costurile reale sunt preferabile estimărilor.
**Soluția: verificarea datelor și lucrul manual asistat de AI**
Soluția constă în a începe procesul cu proprietatea în sine, nu cu un șablon, și a utiliza informațiile furnizate de proprietar și descrierile imobiliare ca puncte de plecare pentru verificare și colectare de dovezi. Documente publice, permise, planuri, facturi și fotografii permit reconstruirea componentelor activelor. Aici intervine AI-ul: citirea documentelor PDF, etichetarea fotografiilor, extragerea datelor cadastrale și semnalarea discrepanțelor între descrierea imobilului și declarațiile proprietarului. De exemplu, inteligența artificială poate distinge între parchet lipit și mochetă detașabilă, sau între aparate electrocasnice de diferite mărci, fiecare cu clasificări și perioade de recuperare distincte.
Datele verificate alimentează apoi un motor de interogare cu reguli stabilite de oameni și testate conform codului fiscal. Acest motor parcurge un set fix de întrebări: este parte din structura clădirii, este detașabil fără deteriorări, ce reguli guvernează anul de punere în funcțiune? Nu există improvizații logice în timpul studiului. Aceeași informație va produce același răspuns, iar un inspector poate vedea care inputuri au fost luate în considerare, ce regulă a fost aplicată și de ce un activ a fost clasificat într-o perioadă de 5, 15 sau 39 de ani. Logica definită de oameni poate fi examinată și contestată de profesie, spre deosebire de logica învățată de un model AI.
**Beneficiile acurateței și riscurile automatizării excesive**
Atunci când proprietarul deține o chitanță, aceasta servește drept dovadă. În lipsa acesteia, componenta identificată și costul documentat înlocuiesc estimările procentuale. AI-ul găsește și verifică; motorul clasifică și calculează. Acuratețea, în acest context, se traduce în beneficii financiare. O renovare a bucătăriei, realizată acum doi ani cu blaturi din piatră și mobilă personalizată, care ar fi „înghițită” într-un procentaj fix, poate genera o deducere mai mare și mai bine susținută dacă este detaliată corect.
În cazul proprietăților de închiriat pe termen lung, ambele metode pot duce la rezultate similare. Diferențele devin însă semnificative în cazul proprietăților care inundă piața acum: apartamente parțiale, reședințe convertite, renovări complexe. Un subsol închiriat este o parte dintr-o clădire comună, cu camere destinate chiriașilor și sisteme comune. Considerarea sa ca unitate locativă separată (ADU) poate fi ușoară pentru o foaie de calcul, dar fatală pentru un inspector fiscal care nu găsește o structură separată. Un motor bazat pe datele reale ale parcelului nu poate face o astfel de greșeală.
Un argument împotriva acestei abordări ar fi că un motor determinist care primește date greșite va produce aceleași răspunsuri greșite de fiecare dată. Consistența singură nu demonstrează corectitudinea. De aceea, traseul sursei datelor este mai important decât motorul în sine. Dacă un input este greșit, inspectorul, CPA-ul sau clientul îl pot identifica și corecta. O „cutie neagră” AI nu oferă acest mecanism de control.
**Perspective și recomandări pentru viitor**
Pe măsură ce industria de segregare a costurilor se extinde, există riscul ca profesioniștii contabili să își asocieze numele cu platforme pe care nu le-au verificat integral, iar goana după cele mai ieftine studii va eroda încrederea construită în decenii. Impactul negativ va fi resimțit atât de clienții auditați, cât și de contabilii care au semnat aceste studii. Prin urmare, înainte de a semna un studiu, fie el generat de AI sau nu, este esențial să se pună o întrebare simplă: „Poate arăta calculele?” De unde provine fiecare număr? A fost verificat sau doar afirmat? Ce regulă a dus la această clasificare și ar produce aceleași fapte același răspuns mâine?
Reconstruirea activelor nu va produce întotdeauna deducerea cea mai mare și nici nu ar trebui să își propună acest lucru. Obiectivul principal este acuratețea, explicabilitatea și consistența rezultatelor. Pe măsură ce această practică se extinde în domeniul rezidențial, profesia necesită mai degrabă o documentație de lucru solidă, decât rapoarte rapide: studii care încep cu proprietatea, păstrează urmele sursei de date și lasă deducerea să urmeze faptele verificate.