经济学者卢麒元最近扒开了一个极其尴尬的现实。国内砸进天文数字的社科研究经费，养着海量的研究大军，却硬是端不出一套能真刀真枪干活的“智能分析预判系统”。

很多人看到这句话，第一反应可能是：现在人工智能这么热，税务系统也早就数字化了，怎么还会缺“能干活”的智能系统？

问题恰恰就在这里。卢麒元盯着的，不是大厅里少排几次队，也不是让机器替工作人员回答几个常见问题。

他关心的是更深的一层：面对海量企业、交易、发票和资金关系，能不能让数据先发现异常、模型先筛出风险，再由专业人员依法核验，而不是事后靠人工逐笔翻材料。

这件事放在税收这个盘子里，就更容易理解。财政部公布的数据显示，2025年全国税收收入约17.64万亿元，其中国内增值税约6.89万亿元。

体量越大，治理效率的细微变化都会被放大。过去依靠经验、抽查和人工比对的方式，面对今天的数据规模，越来越需要算法参与。

其实，中国的智慧税务并不是从零开始。2021年，中办、国办已经明确提出建设以税收大数据为驱动力的智慧税务，推动执法、服务、监管与大数据智能化应用深度融合。

此后，数电发票从试点走向全国推广，到2024年12月1日起全国正式推广。发票信息不再只是孤零零的一张凭证，而是逐步进入可以关联、分析、比对的数字体系。

这也意味着，卢麒元真正提出的增量，并非“有没有数字税务”，而是“现有系统能不能再往前一步”。

比如，一家企业的申报数据突然偏离长期经营轨迹，购销关系出现异常组合，或者多个主体之间形成复杂交易链条，机器可以先做筛查，把需要关注的线索从海量数据里捞出来。

人最容易疲劳的重复比对，恰好是计算系统擅长的工作。

但问题也不能被说成“机器接管一切”。人工智能可以发现线索，却不能跳过法律程序直接给人下结论。

按照现行行政处罚制度，事实不清、证据不足，不能作出处罚；电子数据可以成为证据，但必须经过查证。

当系统提示某个主体存在风险时，合理的流程仍然应当是模型预警、人工核验、依法处理。

这就把另一个问题带了出来：为什么很多研究成果离实际应用还有距离？

卢麒元批评的重点之一，是评价机制长期容易把注意力引向论文、项目和头衔，而不是一个成果到底解决了什么现实问题。

这个批评之所以容易引起共鸣，是因为普通人最直观的判断很简单。投入了钱，投入了人，最后有没有做出真正能提高治理效率的东西？

值得注意的是，这个问题国家层面其实早已开始调整。2018年的有关人才评价改革文件就提出，要克服唯学历、唯资历、唯论文等倾向，更重视能力、实绩和贡献。

2020年的教育评价改革继续提出破除“唯论文”等单一导向。对哲学社会科学来说，决策咨询和社会效益，本来就应成为评价的一部分。

所以，真正值得追问的，不是谁会写更多论文，也不是谁能造出更新鲜的概念，而是经济学、财政学、公共管理和计算机技术能不能坐到一张桌子上。

懂税制的人知道什么叫异常，懂算法的人知道怎样从数据里找规律，懂法律的人知道系统能走到哪一步。三个环节缺一个，所谓智能系统都可能停在展示层面。

今天的税务数字化已经有相当扎实的基础。数电发票、电子税务局和税收大数据体系都在持续推进。

真正难的，是怎样把这些基础设施继续变成更准确、更高效、更可解释的决策工具，同时又把权力运行牢牢放在法律程序之内。

这场讨论真正值得留下来的地方，也许就在这里。一个研究项目有没有价值，最终不能只看发表了多少文字；一套智能系统有没有水平，也不能只看界面多漂亮。

能不能在现实问题出现之前识别风险，能不能让工作人员少做无效重复劳动，能不能让公共投入最后沉淀成可使用、可验证、可持续改进的能力，这才是更硬的答案。