AI 会計会社 DualEntry が運営する会計 AI ベンチマークの最新結果によると、オープンウェイト AI モデルは、実世界の会計業務においてクローズドフロンティアのライバルに迫っており、Google の Gemini 4 Argon が全体的にトップであり、中国のオープンモデルはわずかな価格でほぼ同等の精度を記録しています。

このベンチマークは、会計業務においてオープンソースのAIモデルがクローズドなAIモデルに「追いついている」という見出しでYahoo Financeが取り上げたもので、取引分類や仕訳から調整、財務報告、月末締めまで、会計の8分野にわたる101のタスクについて主要なモデルをテストしている。すべてのモデルは同じ会社の帳簿に基づいて動作し、同じ指示を受け、同じ会計ツールにアクセスできます。各モデルは一貫性を測定するために 3 回実行されます。 この件の詳細は、人工知能の最新情報をご覧ください。

双子座 4 番アルゴンがリードしているが、その差は狭い

Gemini 4 Argon は 91.1% の精度でリーダーボードのトップに立ち、タスクあたり 0.115 ドルのコストで平均 18 秒でタスクを完了し、86.1% という全モデルの中で最高の一貫性スコアを記録しました。

しかし、チェイスパックはそれに近いもので、しかも驚くほど安い。 Z.aiのオープンウェイトGLM-5.3 Flashのスコアは88.1％で、xAIのGrok 4.7と並んだが、コストはタスクあたりわずか0.006ドルで、Googleの主力モデルの費用の約5％だった。 Moonshot AI のもう 1 つのオープンウェイト モデルである Kim K3.1 Pro が 86.1% で続き、トップ 4 の中に 2 つのオープン モデルが入りました。

Anthropic の Claude Fable 5.1 は、タスクあたり 1.18 ドルで 85.1% のスコアを記録しました。これはテストされた最も高価なモデルです。一方、Claude Opus 5.5 は、0.452 ドルで 82.2% のスコアを記録しました。 OpenAI の GPT-6 Astra はタスクあたり 0.494 ドルで 81.2% に達しました。

コストの話が本当の見出し

結果の中で最も顕著な数字は DeepSeek のものかもしれません。 DualEntry の重要なポイントによると、DeepSeek V4.1 Flash のスコアは 84.2%、タスクあたり 0.003 ドルで、Claude Fable 5.1 のスコアは 85.1%、タスクあたり 1.18 ドルでした。これは、スコアが 1 ポイント未満の場合のコストの約 400 倍です。

ベンチマークの作成者らは、同様の精度を持つモデル間でもタスクあたりのコストは大きく異なり、簿記ワークフローを自動化している企業がタスクに適切なモデルを選択するだけで推論コストを桁違いに削減できる可能性があることを示唆していると指摘している。

モデルが依然として苦戦しているところ

会計はどのフロンティア研究室にとっても解決された問題ではありません。パフォーマンスはタスク領域によって大きく異なります。モデルはトランザクション分類では平均 93.5% でしたが、最も困難な 2 つの領域である売掛金と月末締めではわずか 64.7% でした。最も広範なスプレッドは売掛金に現れ、スコアは 41.7% から 91.7% の範囲でした。

単一のモデルが独占することはありませんでした。 Kimi K3.1 Pro は銀行調整で Gemini 4 Argon を破り、Google の 75% に対して完璧な 100% を獲得しました。一方、Kimi K3 は 91.7% で月末終値をリードしました。 Gemini 3.8 Flash は、日記エントリで満点を獲得した唯一のモデルでした。テストされたすべてのモデルは、ベンチマークの会計知識に関する多肢選択問題に合格し、100% のスコアを獲得しました。

一貫性は生の精度からも乖離しました。Grok 4.7 は 88.1% の精度で 2 位タイでしたが、3 回の実行すべてが正常に完了したのはタスクの 74.3% のみでした。一方、Claude Fable 5.1 は精度スコアが低いにもかかわらず、80.2% とより安定していました。

関心の告白 - エンタープライズ AI へのシグナル

AI ネイティブの会計ソフトウェアを構築する DualEntry は、自社ドメインのモデルランドスケープを示すベンチマークを公開しているため、企業はベンチマークを中立的な上告裁判所ではなく、1 つのデータポイントとして扱う必要があります。その方法論は少なくとも透明性があります。同一の書籍、同一のツール、同一の説明書、モデルごとに 3 回実行し、タスクごとに結果、コスト、期間が公開されています。

それでも、このパターンは他の分野での独立した評価が示していることを反映している。Z.aiのGLMファミリー、MoonshotのKimiモデル、DeepSeekが主導するオープンウェイト層は現在、構造化されたプロフェッショナルな仕事のクローズドフロンティアの数パーセント以内に位置しており、コストは大量導入が簡単ではない。 AI エージェントを評価する会計事務所や財務チームにとって、フロンティア ラベルはもはやプレミアムの価値がないかもしれません。

ランキングの背後にある詳細

タスクごとの内訳は、モデルの失敗の仕方がどのように異なるかを示します。 GLM-5.3 Flash は財務報告において Gemini 4 Argon と 100% 一致し、取引分類と仕訳入力の両方で 92.3% のスコアを獲得しましたが、銀行調整と売掛金では 75% に低下しました。対照的に、Gemini 4 Argon は取引分類と財務報告で完璧なスコアを記録し、売掛金を 91.7% で管理しましたが、Kimi K3.1 Pro が達成したタスクである銀行照合では 75% しか管理できませんでした。

タスクの種類間での不一致は、実務者にとって重要です。請求書処理を自動化する財務チームは、月末締め処理を自動化する場合とはまったく異なるモデルの選択に直面しています。ベンチマークのエリアレベルのデータは、どの台帳エントリがワークロードを支配するかによって「最適な」モデルが決まることを示唆しています。

会計がテストベッドとして役立つ理由

会計は構造化され、検証可能で、仕訳が一致するか一致しないかのどちらかであるため、会計がエージェント AI の有利な試験場として浮上しています。流暢な散文を評価するチャットボットの分野とは異なり、このドメインのタスクベースのベンチマークは、モデルが複数のステップの指示に従うことができるか、外部ツールを正しく使用できるか、数値の捏造を回避できるかどうかを測定します。これは、企業がバックオフィスの自動化に一般的に必要とするのと同じ機能です。

このページでは、その結果を「現在のラウンド」として説明しており、すべてのモデルが同じベンチマーク リリースの下で評価されており、このラウンドにはすでに米国と中国の研究所にわたる 20 のモデルが含まれています。このラウンドのコスト曲線が維持される場合、つまり商品価格の最前線の精度が維持される場合、専門知識の作業に関するオープンモデルとクローズドモデルの間の実質的な差は、間もなくポイントではなくドルで測定される可能性があります。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →