Το Simeron δεν ξεκίνησε σαν ακόμη μία ιδέα για εφαρμογή. Ξεκίνησε από ένα πρόβλημα που ζήσαμε: η ελληνική φορολογική νομοθεσία αλλάζει διαρκώς, και τα γενικά chatbot απαντούν με απόλυτη σιγουριά ακόμη κι όταν κάνουν λάθος. Σε ένα πεδίο όπου ένα λάθος νούμερο κοστίζει πραγματικά χρήματα, αυτό είναι απαράδεκτο.
Γι' αυτό δεν χτίσαμε άλλο ένα περιτύλιγμα πάνω σε ξένο chatbot. Χτίσαμε ολόκληρο σύστημα: τη μεγαλύτερη δομημένη βάση ελληνικού φορολογικού δικαίου που τροφοδοτεί AI, δικά μας εξειδικευμένα μοντέλα, και έναν έλεγχο που δεν αφήνει καμία απάντηση να φτάσει στον χρήστη πριν επαληθευτεί στις επίσημες πηγές.
Καταγεγραμμένες, αναπαραγώγιμες αστοχίες. Συνέβησαν ακόμη κι όταν δώσαμε στα μοντέλα τα δικά μας ανακτημένα επίσημα έγγραφα.
Και τα πέντε κορυφαία μοντέλα που δοκιμάσαμε υπέθεσαν ότι «φέτος» σημαίνει τη χρονιά της εκπαίδευσής τους, απαντώντας σε ερωτήσεις του 2026 με συντελεστές περασμένων ετών.
Τι ισχύει πραγματικά: «Φέτος» σημαίνει τη χρονιά που ρωτάει ο φορολογούμενος. Η γνώση του συστήματός μας δεν είναι ποτέ παλαιότερη από λίγες ημέρες, και ξέρει πότε δεν είναι φρέσκια.
Κορυφαία μοντέλα απέδωσαν το τέλος επιτηδεύματος των 325 € σε νόμο που δεν το περιείχε ποτέ.
Τι ισχύει πραγματικά: Για τα φυσικά πρόσωπα το τέλος είναι 0 € από το φορολογικό έτος 2024 (ν.5162/2024). Η λάθος παραπομπή ακούγεται πειστική, κι αυτός ακριβώς είναι ο κίνδυνος.
Επικαλέστηκαν τον καταργημένο Κώδικα ΦΠΑ και τον καταργημένο Κώδικα Φορολογικής Διαδικασίας ως νομοθεσία σε ισχύ.
Τι ισχύει πραγματικά: Και οι δύο αντικαταστάθηκαν το 2024: Κώδικας ΦΠΑ ν.5144/2024 και ΚΦΔ ν.5104/2024. Ένα μοντέλο παγωμένο στην ημερομηνία εκπαίδευσής του δεν μπορεί να το ξέρει.
Τα γενικά chatbot δεν αποτυγχάνουν φωναχτά. Αποτυγχάνουν άπταιστα.
Η δοκιμασία είναι σκληρή: διάλεξε τον σωστό λογαριασμό ανάμεσα σε σχεδόν 1.000 κωδικούς του ελληνικού λογιστικού σχεδίου, από μία γραμμή πραγματικού τιμολογίου. Ίδια δεδομένα, ίδια βαθμολόγηση για όλους. Τρεξίματα που απέτυχαν από throttling του cloud εξαιρέθηκαν: δεν παραθέτουμε σπασμένα τρεξίματα.
| Μοντέλο | ακρίβεια top-1 |
|---|---|
| Simeron 12B | 92,4% |
| Simeron 4B | 85,4% |
| GPT-5.5 | 64,5% |
| Plutus-8B | 59,2% |
| Devstral-2 123B | 39,5% |
| Qwen3-235B | 31,6% |
| GLM-flash | 19,7% |
Τα απλά ανοιχτά μοντέλα κατέρρευσαν στη δοκιμασία: καταγεγραμμένα τρεξίματα των Nemotron-Nano-9B, DeepSeek-R1-8B και EuroLLM-9B κυμάνθηκαν από 31,6% μέχρι 0%.
Σε ένα τρίτο, συνθετικό σετ 200 γραμμών, το μοντέλο παραγωγής πιάνει 88%. Δημοσιεύουμε κάθε μέτρηση, όχι μόνο τις κολακευτικές.
Στα τιμολόγια, τα γενικά μοντέλα δεν υστερούν σε ευφυΐα. Τους λείπει η πρόθεση του αγοραστή και η πειθαρχία του ελληνικού λογιστικού σχεδίου.
Στο εσωτερικό μας τεστ 200 ελληνικών φορολογικών ερωτήσεων, βαθμολογημένο με το χέρι από το 1 έως το 5 απέναντι σε δεδομένα επαληθευμένα στην πρωτογενή νομοθεσία, επτά διαφορετικές γεννήτριες έτρεξαν μέσα στο ίδιο ακριβώς σύστημα, με το κόστος ανά ερώτηση μετρημένο από τα token traces (Ιούλιος 2026). Στα κορυφαία μοντέλα δώσαμε μάλιστα τα δικά μας ανακτημένα επίσημα έγγραφα.
Δεν είναι το μοντέλο. Είναι το σύστημα. Μετρήσαμε και μια διαμόρφωση με κόστος περίπου $0,022 ανά ερώτηση, και επιλέξαμε να μην τη λανσάρουμε, γιατί η ποιότητά της κυμαινόταν από τρέξιμο σε τρέξιμο. Αυτή είναι η διαφορά ανάμεσα σε ένα demo και σε ένα φορολογικό προϊόν.
Αρνούμαστε να εμπιστευτούμε τη γέννηση απαντήσεων. Κάθε ουσιώδες ποσό και κάθε παραπομπή ελέγχονται εκ των υστέρων, πριν φτάσει η απάντηση σε χρήστη.
Δοκιμάζουμε τον ελεγκτή αλλοιώνοντας επίτηδες μεμονωμένα νούμερα σε κατά τα άλλα σωστές απαντήσεις: 98 / 100 αλλοιωμένες απαντήσεις εντοπίζει ο ελεγκτής.
Η ελληνική φορολογική νομοθεσία αντικατέστησε τον ίδιο της τον Κώδικα ΦΠΑ και τον Κώδικα Φορολογικής Διαδικασίας μέσα στα δύο τελευταία χρόνια, και αρκετά κορυφαία μοντέλα στις δοκιμές μας επικαλούνταν τους παλιούς κώδικες ως ισχύοντες. Κανένα prompt δεν το διορθώνει δομικά. Η αρχιτεκτονική το διορθώνει.
Η βάση αυτοενημερώνεται καθημερινά: ΦΕΚ Α' · Αποφάσεις ΔΕΔ · Εγκύκλιοι ΑΑΔΕ · e-ΕΦΚΑ · Διαύγεια. ~2 ημέρες πραγματική υστέρηση, με συνεχή παρακολούθηση. Αν μια συγκομιδή σπάσει ποτέ, το κενό μεγαλώνει ορατά. Αποτυγχάνουμε φωναχτά, όχι σιωπηλά.
Το Stanford βρήκε τα κορυφαία αμερικανικά νομικά εργαλεία AI να παράγουν ψευδείς απαντήσεις σε διψήφια ποσοστά: Lexis+ AI και Ask Practical Law πάνω από 17%, το AI-Assisted Research της Westlaw πάνω από 34%. Στη δική τους δικαιοδοσία, στα αγγλικά. (Stanford RegLab/HAI, JELS 2025)
Το CoCounsel της Thomson Reuters συλλογίζεται πάνω σε περίπου 1,9 δισ. έγγραφα και δηλώνει 95%+ ακρίβεια παραπομπών (στοιχεία του κατασκευαστή). Η κλίμακα από μόνη της δεν κλείνει το κενό. (Thomson Reuters, στοιχεία κατασκευαστή)
Στις εξετάσεις του δικηγορικού συλλόγου, το Krikri-8B, το κορυφαίο ελληνικό ακαδημαϊκό LLM, έγραψε 6,20 στα 10 απέναντι στο 8,05 του GPT-4.1. Και το Gemma-3-27B ανέβηκε από 5,63 σε 8,08 όταν του δόθηκαν καθαρά υποστηρικτικά έγγραφα: τη βαθμολογία την κίνησε η ποιότητα του context, όχι το μέγεθος του μοντέλου. (GreekBarBench, arXiv:2505.17267)
Τα ελληνικά είναι μικρότερη γλώσσα και το δίκαιό μας κινείται γρηγορότερα από το αμερικανικό: πρόβλημα δυσκολότερο από αυτό στο οποίο ήδη αστοχούν εργαλεία με εννιαψήφιους προϋπολογισμούς. Αυτός ήταν ο πήχης που έπρεπε να περάσουμε, και γι' αυτό χτίσαμε ολόκληρο το σύστημα γύρω από την επαλήθευση.
Το Simeron χτίζεται στην Αθήνα από τη Simeron Technologies Ι.Κ.Ε. Ακολουθούμε μία απλή πειθαρχία: ό,τι δεν πρέπει να είναι κρίση ενός μοντέλου το παράγει ντετερμινιστικός κώδικας. Λογιστικές εγγραφές, χειρισμός ΦΠΑ, πεδία εξαγωγής: δεν τα «εφευρίσκει» κανένα AI. Και τα σετ αξιολόγησής μας είναι χτισμένα από παγίδες: ισχύον δίκαιο, καταργημένο δίκαιο, παραπομπές, περιπτώσεις με πολλές διατάξεις.
Για επιχειρήσεις · Για λογιστές · AI βοηθός · Ξεκίνα τώρα · Simeron, αρχική