Modely s otevřenou váhou AI se přibližují svým uzavřeným hraničním rivalům v práci s účetnictvím v reálném světě, podle nejnovějších výsledků Accounting AI Benchmark provozovaného účetní společností AI DualEntry – přičemž Gemini 4 Argon od Googlu vede celkově a čínské otevřené modely vykazují téměř identickou přesnost za malý zlomek ceny.

Srovnávací test, který zastřešuje Yahoo Finance pod titulkem, že modely umělé inteligence s otevřeným zdrojovým kódem „dohánějí“ v účetní práci uzavřené modely, testuje přední modely na 101 úkolech v osmi oblastech účetnictví, od klasifikace transakcí a zápisů do deníku až po odsouhlasení, finanční výkaznictví a uzávěrku na konci měsíce. Každý model pracuje ze stejných firemních knih, dostává stejné instrukce a má přístup ke stejným účetním nástrojům, přičemž každý model běží třikrát, aby se změřila konzistence. For more context on this story, see our ongoing artificial intelligence updates.

Gemini 4 Argon vedou, ale mezera je tenká

Gemini 4 Argon je na vrcholu žebříčku s přesností 91,1 %, úkoly dokončuje v průměru za 18 sekund za cenu 0,115 USD za úkol, s nejlepším skóre konzistence ze všech modelů 86,1 %.

Ale honička je blízko – a pozoruhodně levná. Otevřená váha GLM-5.3 Flash od Z.ai dosáhla 88,1 %, remizovala s xAI Grok 4.7, přičemž stojí pouhých 0,006 $ za úkol, tedy zhruba 5 % výdajů vlajkového modelu Google. Kimi K3.1 Pro, další model s otevřenou váhou od Moonshot AI, následoval s 86,1 %, čímž se dva otevřené modely umístily mezi čtyřmi nejlepšími.

Anthropic's Claude Fable 5.1 zaznamenal 85,1 % za 1,18 $ za úkol – nejdražší testovaný model – zatímco Claude Opus 5.5 dosáhl 82,2 % za 0,452 $. GPT-6 Astra od OpenAI dosáhla 81,2 % za 0,494 $ za úkol.

Příběh nákladů je skutečný titulek

Nejvýraznější číslo ve výsledcích může být DeepSeek. DeepSeek V4.1 Flash dosáhl 84,2 % za 0,003 $ za úkol, podle klíčových zjištění DualEntry – ve srovnání s Claude Fable 5.1 s 85,1 % a 1,18 $ za úkol. To je zhruba 400krát vyšší cena za skóre o méně než jeden bod vyšší.

Náklady na úlohu se enormně lišily i mezi modely s podobnou přesností, poznamenávají autoři benchmarku, což naznačuje, že podniky, které automatizují účetní pracovní postupy, by mohly řádově snížit účty za odvození jednoduše výběrem správného modelu pro daný úkol.

Kde modelky stále bojují

Účetnictví není vyřešeným problémem pro žádnou hraniční laboratoř. Výkonnost se v jednotlivých oblastech výrazně lišila: modely dosahovaly v průměru 93,5 % podle klasifikace transakcí, ale pouze 64,7 % ve dvou nejtěžších oblastech, pohledávkách a uzávěrce měsíce. Nejširší spread se objevil u pohledávek, kde se skóre pohybovalo od 41,7 % do 91,7 %.

Žádný model nedominoval. Kimi K3.1 Pro porazil Gemini 4 Argon při odsouhlasení bank a dosáhl perfektních 100 % proti 75 % Google, zatímco Kimi K3 vedl na konci měsíce na 91,7 %. Gemini 3.8 Flash byl jediným modelem, který zaznamenal perfektní skóre u záznamů v deníku. Každý testovaný model zvládl v benchmarku otázky s výběrem z účetních znalostí a získal 100 %.

Konzistence se také lišila od hrubé přesnosti: Grok 4.7 se umístil na druhém místě v přesnosti na 88,1 %, ale všechny tři běhy úspěšně dokončil pouze u 74,3 % úkolů, zatímco Claude Fable 5.1 byl konzistentnější s 80,2 % navzdory nižšímu skóre přesnosti.

Přiznání zájmu – a signál pro podnikovou umělou inteligenci

Společnost DualEntry, která vytváří účetní software nativní AI, publikuje benchmark, aby předvedla modelové prostředí pro svou vlastní doménu, takže by s ním podniky měly nakládat jako s jedním datovým bodem spíše než jako neutrální soud pro konečné odvolání. Jeho metodika je přinejmenším transparentní: identické knihy, identické nástroje, identické instrukce, tři běhy na model, s výsledky, náklady a trváním zveřejněným na úkol.

Vzor přesto odráží to, co ukázala nezávislá hodnocení v jiných doménách: úroveň s otevřenou váhou – v čele s rodinou GLM společnosti Z.ai, modely Kimi společnosti Moonshot a DeepSeek – nyní leží v rozmezí několika procentních bodů od uzavřené hranice strukturované profesionální práce, za náklady, které činí nasazení objemu triviálním. Pro účetní firmy a finanční týmy hodnotící agenty umělé inteligence už nemusí mít hraniční označení cenu.

Podrobnosti v žebříčku

Rozdělení podle úkolů ukazuje, jak rozdílně modely selhávají. GLM-5.3 Flash odpovídal Gemini 4 Argon ve finančním výkaznictví na 100 % a dosáhl skóre 92,3 % jak v klasifikaci transakcí, tak v účetních zápisech, ale klesl na 75 % v bankovním odsouhlasení a pohledávkách. Gemini 4 Argon naproti tomu vykázala perfektní skóre v klasifikaci transakcí a finančním výkaznictví a vedla pohledávky na úrovni 91,7 % — přesto zvládla pouze 75 % v bankovním odsouhlasení, což je úkol Kimi K3.1 Pro.

Tato nekonzistence mezi typy úkolů je pro odborníky důležitá. Finanční tým, který automatizuje zpracování faktur, čelí velmi odlišné volbě modelu než automatický závěr na konci měsíce a data srovnávacího testu na úrovni oblasti naznačují, že „nejlepší“ model závisí na tom, které položky hlavní knihy dominují pracovní zátěži.

Proč je účetnictví užitečným testovacím prostředím

Účetnictví se ukázalo jako upřednostňovaný důkazní základ pro agentní AI, protože je strukturované, ověřitelné a neúprosné: účetní zápis buď vyrovnává, nebo ne. Na rozdíl od arén chatbotů, které odměňují plynulou prózu, měřítka založená na úkolech v této doméně měří, zda model může postupovat podle vícekrokových pokynů, správně používat externí nástroje a vyhýbat se vymýšlení čísel – stejné možnosti, jaké podniky obecně potřebují pro automatizaci back-office.

Stránka popisuje své výsledky jako „aktuální kolo“, přičemž všechny modely byly hodnoceny v rámci stejného referenčního vydání a kolo již zahrnuje dvacet modelů zahrnujících americké a čínské laboratoře. Pokud v tomto kole platí nákladová křivka – hraniční přesnost u cen komodit – praktická propast mezi otevřenými a uzavřenými modely práce s profesionálními znalostmi se může brzy měřit spíše v dolarech než v bodech.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →