Los modelos de IA de peso abierto se están acercando a sus rivales de frontera cerrada en el trabajo contable del mundo real, según los últimos resultados del Accounting AI Benchmark dirigido por la empresa de contabilidad de IA DualEntry, con Gemini 4 Argon de Google liderando en general y los modelos abiertos chinos publicando una precisión casi idéntica por una pequeña fracción del precio.
El punto de referencia, cubierto por Yahoo Finance bajo el titular de que los modelos de IA de código abierto se están "poniendo al día" con los cerrados en el trabajo contable, prueba modelos líderes en 101 tareas en ocho áreas de contabilidad, desde clasificación de transacciones y asientos de diario hasta conciliación, informes financieros y cierre de fin de mes. Cada modelo funciona con los mismos libros de la empresa, recibe las mismas instrucciones y tiene acceso a las mismas herramientas de contabilidad, y cada modelo se ejecuta tres veces para medir la coherencia. Para más contexto sobre esta historia, consulta nuestra cobertura de la industria de IA.
Gemini 4 Argon Leads, pero la brecha es pequeña
Gemini 4 Argon encabeza la clasificación con una precisión del 91,1%, completando tareas en un promedio de 18 segundos a un costo de $0,115 por tarea, con la mejor puntuación de consistencia de cualquier modelo con un 86,1%.
Pero el grupo perseguidor está cerca y es sorprendentemente barato. El GLM-5.3 Flash de peso abierto de Z.ai obtuvo una puntuación del 88,1%, empatado con el Grok 4.7 de xAI, mientras que costó sólo 0,006 dólares por tarea, aproximadamente el 5% de lo que gasta el modelo insignia de Google. Kimi K3.1 Pro, otro modelo abierto de Moonshot AI, le siguió con un 86,1%, colocando dos modelos abiertos entre los cuatro con mejor desempeño.
Claude Fable 5.1 de Anthropic obtuvo un 85,1% a 1,18 dólares por tarea (el modelo más caro probado), mientras que Claude Opus 5.5 obtuvo un 82,2% a 0,452 dólares. El GPT-6 Astra de OpenAI alcanzó el 81,2% a 0,494 dólares por tarea.
La historia de los costos es el verdadero titular
El número más claro en los resultados puede ser el de DeepSeek. DeepSeek V4.1 Flash obtuvo una puntuación del 84,2% a 0,003 dólares por tarea, según las conclusiones clave de DualEntry, en comparación con Claude Fable 5.1 con un 85,1% y 1,18 dólares por tarea. Eso es aproximadamente 400 veces el costo de una puntuación de menos de un punto más.
El costo por tarea varió enormemente incluso entre modelos con precisión similar, señalan los autores del punto de referencia, lo que sugiere que las empresas que automatizan los flujos de trabajo de contabilidad podrían reducir las facturas de inferencia en un orden de magnitud simplemente eligiendo el modelo correcto para la tarea.
Donde los modelos aún luchan
La contabilidad no es un problema resuelto para ningún laboratorio de vanguardia. El rendimiento varió marcadamente según el área de tarea: los modelos promediaron 93,5% en clasificación de transacciones pero sólo 64,7% en las dos áreas más difíciles, cuentas por cobrar y cierre de fin de mes. El diferencial más amplio apareció en las cuentas por cobrar, donde las puntuaciones oscilaron entre el 41,7% y el 91,7%.
Ningún modelo predominó. Kimi K3.1 Pro venció a Gemini 4 Argon en conciliación bancaria, con una puntuación perfecta del 100 % frente al 75 % de Google, mientras que Kimi K3 lideró el cierre de fin de mes con un 91,7 %. Gemini 3.8 Flash fue el único modelo que publicó una puntuación perfecta en las entradas del diario. Cada modelo probado superó las preguntas de opción múltiple de conocimientos contables del punto de referencia, con una puntuación del 100%.
La consistencia también divergió de la precisión bruta: Grok 4.7 empató en el segundo lugar en precisión con un 88,1%, pero completó las tres ejecuciones con éxito en solo el 74,3% de las tareas, mientras que Claude Fable 5.1 fue más consistente con un 80,2% a pesar de una puntuación de precisión más baja.
Una confesión de interés y una señal para la IA empresarial
DualEntry, que crea software de contabilidad nativo de IA, publica el punto de referencia para mostrar el panorama del modelo para su propio dominio, por lo que las empresas deberían tratarlo como un punto de datos en lugar de un tribunal neutral de apelación final. Su metodología es al menos transparente: libros idénticos, herramientas idénticas, instrucciones idénticas, tres ejecuciones por modelo, con resultados, costos y duraciones publicados por tarea.
Aun así, el patrón se hace eco de lo que han demostrado evaluaciones independientes en otros dominios: el nivel de peso abierto, liderado por la familia GLM de Z.ai, los modelos Kimi de Moonshot y DeepSeek, ahora se encuentra a unos pocos puntos porcentuales de la frontera cerrada del trabajo profesional estructurado, a costos que hacen que el despliegue en volumen sea trivial. Para las empresas de contabilidad y los equipos financieros que evalúan agentes de IA, es posible que la etiqueta de frontera ya no valga la pena.
Los detalles detrás de las clasificaciones
El desglose por tarea muestra cuán diferentes fallan los modelos. GLM-5.3 Flash igualó a Gemini 4 Argon en informes financieros con un 100 % y obtuvo una puntuación de 92,3 % tanto en clasificación de transacciones como en asientos de diario, pero cayó al 75 % en conciliación bancaria y cuentas por cobrar. Gemini 4 Argon, por el contrario, registró puntuaciones perfectas en clasificación de transacciones e informes financieros y lideró las cuentas por cobrar con un 91,7%; sin embargo, solo logró un 75% en conciliación bancaria, tarea que superó Kimi K3.1 Pro.
Esa inconsistencia entre los tipos de tareas es importante para los profesionales. Un equipo de finanzas que automatiza el procesamiento de facturas se enfrenta a una elección de modelo muy diferente a la de uno que automatiza el cierre de fin de mes, y los datos a nivel de área del punto de referencia sugieren que el "mejor" modelo depende de qué entradas del libro mayor dominan la carga de trabajo.
Por qué la contabilidad es un banco de pruebas útil
La contabilidad se ha convertido en un campo de pruebas favorito para la IA agente porque es estructurada, verificable e implacable: un asiento de diario cuadra o no. A diferencia de los entornos de chatbot que premian la prosa fluida, los puntos de referencia basados en tareas en este dominio miden si un modelo puede seguir instrucciones de varios pasos, usar herramientas externas correctamente y evitar fabricar números: las mismas capacidades que las empresas necesitan para la automatización administrativa en general.
La página describe sus resultados como una "ronda actual", con todos los modelos evaluados bajo la misma versión de referencia, y la ronda ya incluye veinte modelos que abarcan laboratorios estadounidenses y chinos. Si la curva de costos en esta ronda se mantiene (precisión de frontera en los precios de las materias primas), la brecha práctica entre los modelos abiertos y cerrados sobre el trabajo del conocimiento profesional pronto podría medirse en dólares en lugar de puntos.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →
