تقترب نماذج الذكاء الاصطناعي ذات الوزن المفتوح من منافسيها في الحدود المغلقة في العمل المحاسبي في العالم الحقيقي، وفقًا لأحدث النتائج من معيار الذكاء الاصطناعي للمحاسبة الذي تديره شركة DualEntry للمحاسبة العاملة بالذكاء الاصطناعي - حيث يتصدر نموذج Gemini 4 Argon من Google بشكل عام، بينما تنشر النماذج الصينية المفتوحة دقة شبه متطابقة مقابل جزء صغير من السعر.

المعيار، الذي تغطيه Yahoo Finance تحت عنوان أن نماذج الذكاء الاصطناعي مفتوحة المصدر "تلحق" بالنماذج المغلقة في العمل المحاسبي، يختبر النماذج الرائدة في 101 مهمة عبر ثمانية مجالات محاسبية، بدءًا من تصنيف المعاملات وإدخالات دفتر اليومية إلى التسوية والتقارير المالية وإغلاق نهاية الشهر. يعمل كل نموذج من نفس دفاتر الشركة، ويتلقى نفس التعليمات، ويتمتع بإمكانية الوصول إلى نفس الأدوات المحاسبية، مع تشغيل كل نموذج ثلاث مرات لقياس الاتساق. لمزيد من السياق حول هذه القصة، راجع تغطية صناعة الذكاء الاصطناعي.

الجوزاء يتقدم الأرجون 4، لكن الفجوة ضئيلة

يتصدر Gemini 4 Argon قائمة المتصدرين بدقة تصل إلى 91.1%، حيث يكمل المهام في متوسط 18 ثانية بتكلفة 0.115 دولار لكل مهمة، مع أفضل درجة اتساق من أي نموذج بنسبة 86.1%.

لكن حزمة المطاردة قريبة ورخيصة بشكل ملحوظ. سجل برنامج Z.ai ذو الوزن المفتوح GLM-5.3 Flash نسبة 88.1%، متعادلًا مع برنامج Grok 4.7 الخاص بشركة xAI، في حين أن تكلفته كانت 0.006 دولار فقط لكل مهمة، أي ما يقرب من 5% مما ينفقه نموذج Google الرئيسي. يليه Kimi K3.1 Pro، وهو نموذج آخر ذو وزن مفتوح من Moonshot AI، بنسبة 86.1%، مما يضع نموذجين مفتوحين بين أفضل أربعة نماذج أداءً.

سجل Claude Fable 5.1 من Anthropic نسبة 85.1% بسعر 1.18 دولارًا أمريكيًا لكل مهمة - وهو أغلى نموذج تم اختباره - بينما سجل Claude Opus 5.5 نسبة 82.2% بسعر 0.452 دولارًا أمريكيًا. وصلت نسبة نجاح GPT-6 Astra من OpenAI إلى 81.2% بسعر 0.494 دولارًا أمريكيًا لكل مهمة.

قصة التكلفة هي العنوان الحقيقي

قد يكون الرقم الصارخ في النتائج هو رقم DeepSeek. سجل DeepSeek V4.1 Flash نسبة 84.2% بسعر 0.003 دولار أمريكي لكل مهمة، وفقًا لنقاط DualEntry الرئيسية - مقارنةً بـ Claude Fable 5.1 بنسبة 85.1% و1.18 دولار أمريكي لكل مهمة. وهذا يعادل تقريبًا 400 ضعف التكلفة للحصول على درجة أعلى من نقطة واحدة.

لاحظ مؤلفو المعيار أن التكلفة لكل مهمة تختلف بشكل كبير حتى بين النماذج ذات الدقة المماثلة، مما يشير إلى أن المؤسسات التي تقوم بأتمتة سير عمل مسك الدفاتر يمكن أن تقلل فواتير الاستدلال بمقدار كبير بمجرد اختيار النموذج المناسب للمهمة.

حيث لا تزال العارضات يعانين

المحاسبة ليست مشكلة محلولة لأي مختبر حدودي. تباين الأداء بشكل حاد حسب مجال المهمة: بلغ متوسط ​​النماذج 93.5% في تصنيف المعاملات ولكن 64.7% فقط في أصعب المجالين، الحسابات المدينة وإقفال نهاية الشهر. وظهر الانتشار الأوسع في حسابات القبض، حيث تراوحت الدرجات من 41.7% إلى 91.7%.

لم يهيمن أي نموذج واحد. فاز Kimi K3.1 Pro على Gemini 4 Argon في التسوية المصرفية، وسجل 100% مثاليًا مقابل 75% لـ Google، بينما تصدر Kimi K3 إغلاق نهاية الشهر بنسبة 91.7%. كان Gemini 3.8 Flash هو النموذج الوحيد الذي سجل درجة مثالية في إدخالات دفتر اليومية. لقد حصل كل نموذج تم اختباره على أسئلة الاختيار من متعدد المتعلقة بالمعرفة المحاسبية، وسجل 100%.

اختلف الاتساق أيضًا عن الدقة الأولية: تعادل Grok 4.7 في المركز الثاني من حيث الدقة بنسبة 88.1% ولكنه أكمل جميع العمليات الثلاثة بنجاح في 74.3% فقط من المهام، بينما كان Claude Fable 5.1 أكثر اتساقًا بنسبة 80.2% على الرغم من انخفاض درجة الدقة.

اعتراف بالاهتمام – وإشارة للذكاء الاصطناعي المؤسسي

تقوم DualEntry، التي تبني برنامج محاسبة أصلي يعتمد على الذكاء الاصطناعي، بنشر المعيار لعرض المشهد النموذجي لمجالها الخاص، لذلك يجب على الشركات التعامل معه كنقطة بيانات واحدة بدلاً من محكمة محايدة للاستئناف النهائي. تتميز منهجيتها بالشفافية على الأقل: كتب متطابقة، وأدوات متطابقة، وتعليمات متطابقة، وثلاث عمليات تشغيل لكل نموذج، مع نشر النتائج والتكاليف والمدد لكل مهمة.

ومع ذلك، فإن هذا النمط يعكس ما أظهرته التقييمات المستقلة عبر مجالات أخرى: الطبقة ذات الوزن المفتوح - بقيادة عائلة GLM التابعة لشركة Z.ai، ونماذج Kimi التابعة لشركة Moonshot، وDeepSeek - تقع الآن ضمن نقاط مئوية قليلة من الحدود المغلقة في العمل المهني المنظم، بتكاليف تجعل نشر الحجم تافهاً. بالنسبة لشركات المحاسبة والفرق المالية التي تقوم بتقييم وكلاء الذكاء الاصطناعي، ربما لم تعد العلامة الحدودية تستحق العلاوة.

التفاصيل وراء التصنيف

يُظهر التوزيع لكل مهمة مدى اختلاف فشل النماذج. تطابق GLM-5.3 Flash مع Gemini 4 Argon في إعداد التقارير المالية بنسبة 100% وسجل 92.3% في كل من تصنيف المعاملات وإدخالات دفتر اليومية، لكنه انخفض إلى 75% في التسوية المصرفية والحسابات المستحقة القبض. على النقيض من ذلك، سجلت شركة Gemini 4 Argon درجات مثالية في تصنيف المعاملات والتقارير المالية وحسابات القبض بنسبة 91.7% - ومع ذلك تمكنت من تحقيق 75% فقط في التسوية المصرفية، وهي المهمة التي نجح فيها Kimi K3.1 Pro.

وهذا التناقض بين أنواع المهام مهم بالنسبة للممارسين. يواجه الفريق المالي الذي يقوم بأتمتة معالجة الفواتير اختيار نموذج مختلف تمامًا عن إغلاق تلقائي في نهاية الشهر، وتشير البيانات على مستوى المنطقة الخاصة بالمعيار إلى أن النموذج "الأفضل" يعتمد على إدخالات دفتر الأستاذ التي تهيمن على عبء العمل.

لماذا تعتبر المحاسبة بمثابة اختبار مفيد؟

لقد برزت المحاسبة كأرضية اختبار مفضلة للذكاء الاصطناعي الوكيل لأنها منظمة، وقابلة للتحقق، وغير متسامحة: فإدخال دفتر اليومية إما أن يوازن أو لا. على عكس ساحات الدردشة الآلية التي تكافئ النثر بطلاقة، فإن المعايير القائمة على المهام في هذا المجال تقيس ما إذا كان النموذج يمكنه اتباع تعليمات متعددة الخطوات، واستخدام الأدوات الخارجية بشكل صحيح، وتجنب اختلاق الأرقام - وهي نفس القدرات التي تحتاجها المؤسسات لأتمتة المكاتب الخلفية بشكل عام.

تصف الصفحة نتائجها بأنها "الجولة الحالية"، حيث تم تقييم جميع النماذج وفقًا لنفس الإصدار المعياري، وتتضمن الجولة بالفعل عشرين نموذجًا تشمل المعامل الأمريكية والصينية. وإذا استمر منحنى التكلفة في هذه الجولة - الدقة الحدودية في أسعار السلع الأساسية - فإن الفجوة العملية بين النماذج المفتوحة والمغلقة في العمل المعرفي المهني قد يتم قياسها قريباً بالدولار بدلاً من النقاط.

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →