Open-weight AI-modellen naderen hun gesloten rivalen op het gebied van boekhoudkundig werk in de echte wereld, volgens de laatste resultaten van de Accounting AI Benchmark van AI-accountantsbedrijf DualEntry – waarbij Google's Gemini 4 Argon overall de leiding heeft en Chinese open modellen bijna identieke nauwkeurigheid boeken voor een klein deel van de prijs.

De benchmark, gedekt door Yahoo Finance onder de kop dat open-source AI-modellen een inhaalslag maken ten opzichte van gesloten modellen op het gebied van boekhoudkundig werk, test toonaangevende modellen op 101 taken op acht gebieden van de boekhouding, van transactieclassificatie en journaalboekingen tot afstemming, financiële rapportage en maandafsluiting. Elk model werkt vanuit dezelfde bedrijfsboeken, krijgt dezelfde instructies en heeft toegang tot dezelfde boekhoudtools, waarbij elk model drie keer wordt uitgevoerd om de consistentie te meten. Voor meer context over dit verhaal, zie ons AI-trends.

Gemini 4 Argon leidt, maar de kloof is klein

Gemini 4 Argon staat bovenaan het klassement met een nauwkeurigheid van 91,1% en voltooit taken in gemiddeld 18 seconden voor een bedrag van $ 0,115 per taak, met de beste consistentiescore van elk model met 86,1%.

Maar het achtervolgingspakket is dichtbij – en opmerkelijk goedkoop. Z.ai's open-weight GLM-5.3 Flash scoorde 88,1%, vergelijkbaar met xAI's Grok 4.7, terwijl hij slechts $ 0,006 per taak kostte, ongeveer 5% van wat het vlaggenschipmodel van Google uitgeeft. Kimi K3.1 Pro, een ander open-weight model van Moonshot AI, volgde met 86,1%, waardoor twee open modellen tot de top vier behoorden.

Claude Fable 5.1 van Anthropic scoorde 85,1% voor $ 1,18 per taak – het duurste geteste model – terwijl Claude Opus 5.5 82,2% scoorde voor $ 0,452. OpenAI's GPT-6 Astra bereikte 81,2% voor $ 0,494 per taak.

Het kostenverhaal is de echte kop

Het duidelijkste getal in de resultaten is wellicht dat van DeepSeek. DeepSeek V4.1 Flash scoorde 84,2% voor $0,003 per taak, volgens de belangrijkste inzichten van DualEntry – vergeleken met Claude Fable 5.1 voor 85,1% en $1,18 per taak. Dat is grofweg 400 keer de prijs voor een score die minder dan één punt hoger is.

De kosten per taak varieerden enorm, zelfs tussen modellen met een vergelijkbare nauwkeurigheid, merken de auteurs van de benchmark op, wat suggereert dat bedrijven die boekhoudworkflows automatiseren de rekeningen voor gevolgtrekkingen met een orde van grootte zouden kunnen verlagen door simpelweg het juiste model voor de taak te kiezen.

Waar modellen nog steeds worstelen

Boekhouding is voor geen enkel grenslaboratorium een opgelost probleem. De prestaties varieerden sterk per taakgebied: de modellen scoorden gemiddeld 93,5% op transactieclassificatie, maar slechts 64,7% op de twee moeilijkste gebieden, debiteuren en maandafsluiting. De grootste spreiding deed zich voor bij debiteuren, waar de scores varieerden van 41,7% tot 91,7%.

Geen enkel model domineerde. Kimi K3.1 Pro versloeg Gemini 4 Argon op het gebied van bankafstemming en scoorde een perfecte 100% tegenover de 75% van Google, terwijl Kimi K3 de maandafsluiting aanvoerde met 91,7%. Gemini 3.8 Flash was het enige model dat een perfecte score op journaalposten boekte. Elk getest model slaagde voor de meerkeuzevragen over boekhoudkundige kennis van de benchmark en scoorde 100%.

De consistentie week ook af van de ruwe nauwkeurigheid: Grok 4.7 stond op de tweede plaats wat betreft nauwkeurigheid met 88,1%, maar voltooide alle drie de runs met succes bij slechts 74,3% van de taken, terwijl Claude Fable 5.1 consistenter was met 80,2% ondanks een lagere nauwkeurigheidsscore.

Een bekentenis van interesse – en een signaal voor zakelijke AI

DualEntry, dat AI-native boekhoudsoftware bouwt, publiceert de benchmark om het modellandschap voor zijn eigen domein te laten zien, zodat bedrijven het als één datapunt moeten behandelen in plaats van als een neutraal hof van beroep. De methodologie is op zijn minst transparant: identieke boeken, identieke hulpmiddelen, identieke instructies, drie runs per model, waarbij de resultaten, kosten en duur per taak worden gepubliceerd.

Toch weerspiegelt het patroon wat onafhankelijke evaluaties op andere domeinen hebben aangetoond: de open-weight-laag – geleid door de GLM-familie van Z.ai, de Kimi-modellen van Moonshot en DeepSeek – bevindt zich nu binnen een paar procentpunten van de gesloten grens voor gestructureerd professioneel werk, tegen kosten die volume-implementatie triviaal maken. Voor accountantskantoren en financiële teams die AI-agenten beoordelen, is het grenslabel misschien niet langer de premie waard.

De details achter de ranglijsten

De uitsplitsing per taak laat zien hoe verschillend de modellen falen. GLM-5.3 Flash evenaarde Gemini 4 Argon op financiële rapportage met 100% en scoorde 92,3% op zowel transactieclassificatie als journaalboekingen, maar daalde naar 75% op bankafstemming en debiteuren. Gemini 4 Argon behaalde daarentegen perfecte scores op het gebied van transactieclassificatie en financiële rapportage en leidde de debiteurenpositie op 91,7% – terwijl hij slechts 75% wist te behalen op het gebied van bankreconciliatie, een taak die Kimi K3.1 Pro op zich nam.

Die inconsistentie tussen taaktypen is van belang voor beoefenaars. Een financieel team dat de factuurverwerking automatiseert, wordt geconfronteerd met een heel andere modelkeuze dan een team dat de maandafsluiting automatiseert, en de gegevens van de benchmark op gebiedsniveau suggereren dat het 'beste' model afhangt van welke grootboekposten de werklast domineren.

Waarom boekhouden een nuttig testbed is

Boekhouding is uitgegroeid tot een favoriete proeftuin voor agentische AI, omdat het gestructureerd, verifieerbaar en meedogenloos is: een journaalboeking is in evenwicht of niet. In tegenstelling tot chatbot-arena's die vloeiend proza ​​belonen, meten taakgebaseerde benchmarks in dit domein of een model instructies in meerdere stappen kan volgen, externe tools correct kan gebruiken en het verzinnen van cijfers kan vermijden – dezelfde mogelijkheden die bedrijven nodig hebben voor back-office-automatisering in het algemeen.

De pagina beschrijft de resultaten als een ‘huidige ronde’, waarbij alle modellen worden geëvalueerd onder dezelfde benchmarkrelease, en de ronde omvat al twintig modellen uit Amerikaanse en Chinese laboratoria. Als de kostencurve in deze ronde standhoudt – grensnauwkeurigheid bij grondstoffenprijzen – kan de praktische kloof tussen open en gesloten modellen voor professioneel kenniswerk binnenkort worden gemeten in dollars in plaats van in punten.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →