דגמי בינה מלאכותית עם משקל פתוח סוגרים את יריביהם הסגורים על עבודת חשבונאות בעולם האמיתי, על פי התוצאות האחרונות מ-Accounting AI Benchmark המנוהל על ידי חברת ראיית AI DualEntry - כאשר הדגמים הפתוחים הכלליים והסיניים של גוגל מובילים דיוק כמעט זהה עבור חלק קטן מהמחיר.
המדד, מכוסה על ידי Yahoo Finance תחת הכותרת שמודלים של AI בקוד פתוח "מדביקים" לסגורים בעבודה חשבונאית, בודק מודלים מובילים ב-101 משימות בשמונה תחומי חשבונאות, מסיווג עסקאות ורישומי יומן ועד להתאמה, דיווח כספי וסגירת סוף חודש. כל מודל עובד מאותם ספרי חברה, מקבל את אותן הוראות ויש לו גישה לאותם כלים חשבונאיים, כאשר כל מודל מופעל שלוש פעמים למדידת עקביות. For more context on this story, see our ongoing AI trends.
Gemini 4 מוביל ארגון, אבל הפער הוא דק
Gemini 4 Argon מוביל את ה-leaderboard ברמת דיוק של 91.1%, ומשלים משימות בממוצע של 18 שניות בעלות של $0.115 למשימה, עם ציון העקביות הטוב ביותר מכל דגם של 86.1%.
אבל חבילת המרדף קרובה - וזולה להפליא. ה-GLM-5.3 Flash המשקל הפתוח של Z.ai זכה לציון של 88.1%, בשוויון עם Grok 4.7 של xAI, בעוד שעלותו רק 0.006 דולר למשימה, בערך 5% ממה שמוציא דגם הדגל של גוגל. Kimi K3.1 Pro, דגם נוסף במשקל פתוח מבית Moonshot AI, הגיע אחריו עם 86.1%, והציב שני דגמים פתוחים בין ארבעת הביצועים המובילים.
קלוד פייבל 5.1 של אנתרופיק רשם 85.1% במחיר של 1.18 דולר למשימה - הדגם היקר ביותר שנבדק - בעוד שקלוד אופוס 5.5 קיבל ציון של 82.2% ב-0.452 דולר. ה-GPT-6 Astra של OpenAI הגיע ל-81.2% במחיר של 0.494 דולר למשימה.
סיפור העלות הוא הכותרת האמיתית
המספר הבולט ביותר בתוצאות עשוי להיות של DeepSeek. DeepSeek V4.1 Flash השיג ציון של 84.2% ב-0.003 דולר למשימה, לפי הנקודות העיקריות של DualEntry - בהשוואה ל-Claude Fable 5.1 ב-85.1% ו-$1.18 למשימה. זה בערך פי 400 מהעלות עבור ציון גבוה פחות מנקודה אחת.
העלות למשימה השתנתה מאוד אפילו בין מודלים בעלי דיוק דומה, מציינים מחברי המדד, מה שמרמז שארגונים האוטומטים של זרימות עבודה של הנהלת חשבונות יכולים לקצץ את חשבונות ההסקה בסדר גודל פשוט על ידי בחירת המודל המתאים למשימה.
איפה הדוגמניות עדיין נאבקות
הנהלת חשבונות אינה בעיה שנפתרה עבור כל מעבדת גבול. הביצועים השתנו בחדות לפי תחום המשימה: מודלים היו בממוצע 93.5% בסיווג העסקאות אך רק 64.7% בשני התחומים הקשים ביותר, חשבונות חייבים וסגירת סוף חודש. הפריסה הרחבה ביותר הופיעה בחשבונות חייבים, שם נעו הציונים בין 41.7% ל-91.7%.
אף דגם אחד לא שלט. Kimi K3.1 Pro ניצחה את Gemini 4 Argon בהתאמה בין הבנקים, והשיגה 100% מושלם מול 75% של גוגל, בעוד Kimi K3 הובילה את סגירת סוף החודש ב-91.7%. Gemini 3.8 Flash היה הדגם היחיד שפרסם ציון מושלם ברשומות ביומן. כל מודל שנבדק עמד בשאלות רב-ברירה של ידע חשבונאי של המדד, עם ציון של 100%.
העקביות גם התפצלה מהדיוק הגולמי: גרוק 4.7 הגיע למקום השני בדייקנות של 88.1% אך השלים את כל שלוש הריצות בהצלחה רק ב-74.3% מהמשימות, בעוד שקלוד פייבל 5.1 היה עקבי יותר ב-80.2% למרות ציון דיוק נמוך יותר.
הודאה בעניין - ואות ל-Enterprise AI
DualEntry, שבונה תוכנת חשבונאות מקורית בינה מלאכותית, מפרסמת את המדד כדי להציג את נוף המודל עבור התחום שלה, כך שארגונים צריכים להתייחס אליו כנקודת מידע אחת ולא כבית משפט נייטרלי לערעורים סופית. המתודולוגיה שלו שקופה לפחות: ספרים זהים, כלים זהים, הוראות זהות, שלוש ריצות לכל מודל, עם תוצאות, עלויות ומשכי זמן שפורסמו לכל משימה.
ובכל זאת, הדפוס מהדהד את מה שהערכות עצמאיות הראו בתחומים אחרים: רובד המשקל הפתוח - בראשות משפחת GLM של Z.ai, דגמי Kimi של Moonshot ו-DeepSeek - יושב כעת בטווח של כמה נקודות אחוז מהגבול הסגור על עבודה מקצועית מובנית, בעלויות שהופכות פריסת נפח טריוויאלית. עבור חברות רואי חשבון וצוותי כספים שמעריכים סוכני AI, ייתכן שתווית הגבול כבר לא שווה את הפרמיה.
הפרטים מאחורי הדירוג
הפירוט לכל משימה מראה עד כמה המודלים נכשלים בצורה שונה. GLM-5.3 Flash השווה את Gemini 4 Argon בדיווח כספי ב-100% וקיבל ציון של 92.3% הן בסיווג העסקאות והן בכניסות היומן, אך ירד ל-75% בהתאמה בין בנק וחשבונות חייבים. Gemini 4 Argon, לעומת זאת, פרסם ציונים מושלמים על סיווג עסקאות ודיווח פיננסי והוביל חשבונות חייבים ב-91.7% - ובכל זאת הצליח רק 75% בהתאמה בין הבנקים, המשימה שקימי K3.1 Pro עמדה בה.
חוסר העקביות בין סוגי המשימות חשוב עבור המתרגלים. צוות כספים האוטומטי של עיבוד חשבוניות עומד בפני בחירת מודל שונה מאוד מאשר סגירת סוף חודש אוטומטית אחת, והנתונים ברמת השטח של המדד מצביעים על כך שהמודל "הטוב ביותר" תלוי באיזה רישומי ספר חשבונות שולטים בעומס העבודה.
מדוע חשבונאות היא מיטת מבחן שימושית
חשבונאות התגלתה כקרקע הוכחה מועדפת לבינה מלאכותית של בינה מלאכותית מכיוון שהיא מובנית, ניתנת לאימות ובלתי סלחנית: רישום יומן או מאזן או לא. בניגוד לזירות צ'אטבוט שמתגמלות פרוזה שוטפת, מדדים מבוססי משימות בתחום זה מודדים האם מודל יכול לעקוב אחר הוראות מרובות שלבים, להשתמש בכלים חיצוניים בצורה נכונה ולהימנע מיצירת מספרים - אותן יכולות שארגונים זקוקים לאוטומציה במשרדים האחוריים בדרך כלל.
הדף מתאר את תוצאותיו כ"סבב נוכחי", כאשר כל הדגמים מוערכים תחת אותה שחרור מדד, והסבב כבר כולל עשרים מודלים המשתרעים על פני מעבדות ארה"ב וסיניות. אם עקומת העלויות בסבב זה תחזיק מעמד - דיוק גבולות במחירי סחורות - הפער המעשי בין מודלים פתוחים לסגורים על עבודת ידע מקצועי עשוי להימדד בקרוב בדולרים ולא בנקודות.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
