Laut den neuesten Ergebnissen des Accounting AI Benchmark des KI-Buchhaltungsunternehmens DualEntry nähern sich offene KI-Modelle ihren Konkurrenten im geschlossenen Grenzbereich bei der realen Buchhaltungsarbeit an – wobei Googles Gemini 4 Argon insgesamt führend ist und chinesische offene Modelle nahezu identische Genauigkeit für einen kleinen Bruchteil des Preises erzielen.

Der Benchmark, der von Yahoo Finance unter der Überschrift abgedeckt wird, dass Open-Source-KI-Modelle bei der Buchhaltungsarbeit gegenüber geschlossenen Modellen „aufholen“, testet führende Modelle bei 101 Aufgaben in acht Bereichen der Buchhaltung, von der Transaktionsklassifizierung und Journaleinträgen bis hin zur Abstimmung, Finanzberichterstattung und Monatsabschlüssen. Jedes Modell arbeitet mit denselben Unternehmensbüchern, erhält dieselben Anweisungen und hat Zugriff auf dieselben Buchhaltungstools, wobei jedes Modell dreimal ausgeführt wird, um die Konsistenz zu messen. Weitere Informationen zu dieser Geschichte finden Sie in unserer mehr KI-Geschichten.

Gemini 4 Argon führt, aber die Lücke ist gering

Gemini 4 Argon führt die Rangliste mit einer Genauigkeit von 91,1 % an und erledigt Aufgaben in durchschnittlich 18 Sekunden zu einem Preis von 0,115 $ pro Aufgabe, wobei der beste Konsistenzwert aller Modelle bei 86,1 % liegt.

Aber die Verfolger sind nah dran – und bemerkenswert günstig. Der Open-Weight-GLM-5.3-Flash von Z.ai erzielte 88,1 % und lag damit gleichauf mit dem Grok von xAI mit 4,7, während er nur 0,006 US-Dollar pro Aufgabe kostete, etwa 5 % der Ausgaben des Flaggschiffmodells von Google. Kimi K3.1 Pro, ein weiteres Modell mit offenem Gewicht von Moonshot AI, folgte mit 86,1 % und platzierte damit zwei offene Modelle unter den vier Spitzenreitern.

Claude Fable 5.1 von Anthropic erzielte 85,1 % bei 1,18 $ pro Aufgabe – das teuerste getestete Modell –, während Claude Opus 5.5 82,2 % bei 0,452 $ erzielte. Der GPT-6 Astra von OpenAI erreichte 81,2 % bei 0,494 $ pro Aufgabe.

Die Kostengeschichte ist die eigentliche Schlagzeile

Die stärkste Zahl in den Ergebnissen könnte die von DeepSeek sein. Laut den wichtigsten Erkenntnissen von DualEntry erreichte DeepSeek V4.1 Flash 84,2 % bei 0,003 $ pro Aufgabe – verglichen mit Claude Fable 5.1 mit 85,1 % und 1,18 $ pro Aufgabe. Das ist ungefähr das 400-fache der Kosten für eine Punktzahl, die weniger als einen Punkt höher ist.

Die Kosten pro Aufgabe schwankten selbst bei Modellen mit ähnlicher Genauigkeit enorm, so die Autoren des Benchmarks, was darauf hindeutet, dass Unternehmen, die Buchhaltungsabläufe automatisieren, ihre Inferenzrechnungen um eine Größenordnung senken könnten, indem sie einfach das richtige Modell für die Aufgabe auswählen.

Wo Models immer noch Probleme haben

Buchhaltung ist für kein Grenzlabor ein gelöstes Problem. Die Leistung schwankte stark je nach Aufgabenbereich: Die Modelle erreichten durchschnittlich 93,5 % bei der Transaktionsklassifizierung, aber nur 64,7 % bei den beiden schwierigsten Bereichen, Debitorenbuchhaltung und Monatsabschluss. Die größte Streuung zeigte sich bei den Forderungen aus Lieferungen und Leistungen, wo die Werte zwischen 41,7 % und 91,7 % lagen.

Kein einzelnes Modell dominierte. Kimi K3.1 Pro schlug Gemini 4 Argon bei der Bankabstimmung und erreichte perfekte 100 % gegenüber 75 % von Google, während Kimi K3 zum Monatsende mit 91,7 % an der Spitze stand. Gemini 3.8 Flash war das einzige Modell, das bei Tagebucheinträgen eine perfekte Punktzahl erzielte. Jedes getestete Modell bestand die Multiple-Choice-Fragen des Benchmarks zu Buchhaltungskenntnissen mit 100 %.

Auch die Konstanz weicht von der reinen Genauigkeit ab: Grok 4,7 lag mit 88,1 % punktgleich auf dem zweiten Platz, schloss alle drei Läufe jedoch nur bei 74,3 % der Aufgaben erfolgreich ab, während Claude Fable 5,1 mit 80,2 % trotz eines niedrigeren Genauigkeitswerts konstanter war.

Ein Bekenntnis des Interesses – und ein Signal für Unternehmens-KI

DualEntry, das KI-native Buchhaltungssoftware entwickelt, veröffentlicht den Benchmark, um die Modelllandschaft für seinen eigenen Bereich zu präsentieren. Daher sollten Unternehmen ihn als einen Datenpunkt und nicht als neutrales Gericht der letzten Instanz behandeln. Seine Methodik ist zumindest transparent: identische Bücher, identische Werkzeuge, identische Anweisungen, drei Durchläufe pro Modell, mit veröffentlichten Ergebnissen, Kosten und Dauer pro Aufgabe.

Dennoch spiegelt das Muster wider, was unabhängige Bewertungen in anderen Bereichen gezeigt haben: Die offene Gewichtungsstufe – angeführt von der GLM-Familie von Z.ai, den Kimi-Modellen von Moonshot und DeepSeek – liegt jetzt nur noch wenige Prozentpunkte von der geschlossenen Grenze für strukturierte professionelle Arbeit entfernt, und das zu Kosten, die eine Massenbereitstellung trivial machen. Für Wirtschaftsprüfungsgesellschaften und Finanzteams, die KI-Agenten bewerten, ist das Frontier-Label möglicherweise nicht mehr den Preis wert.

Die Details hinter den Rankings

Die Aufschlüsselung pro Aufgabe zeigt, wie unterschiedlich die Modelle scheitern. GLM-5.3 Flash erreichte Gemini 4 Argon bei der Finanzberichterstattung mit 100 % und erreichte 92,3 % sowohl bei der Transaktionsklassifizierung als auch bei Journaleinträgen, fiel jedoch bei Bankabstimmung und Debitorenbuchhaltung auf 75 %. Im Gegensatz dazu erzielte Gemini 4 Argon perfekte Ergebnisse bei der Transaktionsklassifizierung und Finanzberichterstattung und führte die Debitorenbuchhaltung mit 91,7 % an – schaffte jedoch nur 75 % bei der Bankabstimmung, die Aufgabe, die Kimi K3.1 Pro meisterte.

Diese Inkonsistenz zwischen den Aufgabentypen ist für Praktiker von Bedeutung. Ein Finanzteam, das die Rechnungsverarbeitung automatisiert, steht vor einer ganz anderen Modellwahl als ein Team, das den Monatsabschluss automatisiert, und die Daten auf Bereichsebene des Benchmarks deuten darauf hin, dass das „beste“ Modell davon abhängt, welche Hauptbucheinträge die Arbeitslast dominieren.

Warum Buchhaltung ein nützlicher Prüfstand ist

Die Buchhaltung hat sich zu einem bevorzugten Testfeld für die Agenten-KI entwickelt, da sie strukturiert, überprüfbar und gnadenlos ist: Entweder ist ein Journaleintrag ausgeglichen oder nicht. Im Gegensatz zu Chatbot-Arenen, die flüssiges Sprechen belohnen, messen aufgabenbasierte Benchmarks in diesem Bereich, ob ein Modell mehrstufigen Anweisungen folgen, externe Tools korrekt verwenden und Zahlenfälschungen vermeiden kann – dieselben Fähigkeiten, die Unternehmen im Allgemeinen für die Back-Office-Automatisierung benötigen.

Die Seite beschreibt ihre Ergebnisse als „aktuelle Runde“, bei der alle Modelle unter derselben Benchmark-Version bewertet werden und die Runde bereits zwanzig Modelle aus US-amerikanischen und chinesischen Labors umfasst. Wenn die Kostenkurve in dieser Runde Bestand hat – Grenzgenauigkeit bei Rohstoffpreisen –, könnte die praktische Lücke zwischen offenen und geschlossenen Modellen für professionelle Wissensarbeit bald in Dollar statt in Punkten gemessen werden.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →