DualEntryn kirjanpitotesti: Gemini 4 Argon ykkönen, Carbon jaetulla kakkossijalla
Tekoälyn kirjoittama
Kirjanpito-ohjelmistoyhtiö DualEntryn omassa vertailutestissä Googlen Gemini 4 Argon sai 24 mallista parhaan kokonaistuloksen. Uusi Gemini 4 Carbon jakoi toisen sijan ja ratkaisi vaikeat tehtävät malleista parhaiten.
DualEntry kertoi tuloksista 11. marraskuuta maksetussa Business Wire -tiedotteessa, jonka myös Yahoo Finance julkaisi. Kyse on yhtiön omasta vertailutestistä, ei riippumattomasta mittauksesta. DualEntry myy keskisuurille yrityksille toiminnanohjausjärjestelmää, jossa tekoälyagentit tekevät kirjanpitotöitä.
Tiedotteen mukaan Googlen uusi Gemini 4 Carbon sai 88,1 prosenttia, ja Gemini 4 Argon pysyi kärjessä 91,1 prosentilla. Carbon jakaa toisen sijan Zhipu AI:n GLM-5.3 Flashin ja SpaceXAI:n Grok 4.7:n kanssa.
Testissä 101 keksittyä kirjanpitotapausta
Testissä on 101 synteettistä eli testiä varten laadittua kirjanpitotapausta kahdeksalta alueelta. Alueita ovat esimerkiksi kirjaukset, osto- ja myyntireskontra, pankkitäsmäytys ja kuukauden kirjanpidon päättäminen. Asiakkaiden tietoja ei käytetä.
Jokainen malli tekee koko testin kolmesti samalla testiyrityksellä, työkaluilla ja ohjeilla. Vastauksia verrataan kiinteillä pisteytyssäännöillä etukäteen kirjoitettuihin malliratkaisuihin. Tekoälyä ei käytetä arvioijana.
Taulukossa ovat tiedotteessa mainittujen mallien kokonaistulokset. Argonin ja jaetun kakkossijan ero on kolme prosenttiyksikköä, joten yhden yhtiön yhdestä testistä ei voi päätellä mallien paremmuutta kirjanpitotyössä yleisesti.
| Malli | Kehittäjä | Kokonaistulos |
|---|---|---|
| Gemini 4 Argon | 91,1 % | |
| Gemini 4 Carbon | 88,1 % | |
| GLM-5.3 Flash | Zhipu AI | 88,1 % |
| Grok 4.7 | SpaceXAI | 88,1 % |
| Kimi K3.1 Pro | Moonshot AI | 86,1 % |
| Claude Fable 5.1 | Anthropic | 85,1 % |
| Gemini 3.8 Flash | 83,2 % | |
| Claude Opus 5.5 | Anthropic | 82,2 % |
| GPT-6.1 Sol | OpenAI | 81,2 % |
| GPT-6 Astra | OpenAI | 81,2 % |
Lähde: DualEntryn tiedote 11.11.2026. Testattuja malleja oli 24, ja taulukossa ovat tiedotteessa mainitut.
Vaikeista tehtävistä Carbon ratkaisi 25/28 eli 89,3 prosenttia, mikä on testin paras tulos. Argon ratkaisi niistä 82,1 prosenttia eli kaksi tehtävää vähemmän. Tiedotteen mukaan Carbon onnistui vaikeissa tehtävissä hieman paremmin kuin helpoissa, mikä on epätavallista.
Carbon ratkaisi kaikki tapahtumien luokittelutehtävät. Heikoimmin se suoriutui pankkitäsmäytyksestä: 66,7 prosenttia. Argon sai siinä 75 ja Moonshot AI:n Kimi K3.1 Pro 100 prosenttia.
Carbon halvempi, Argon johdonmukaisempi
Argon sai testin parhaan johdonmukaisuustuloksen, 86,1 prosenttia, ja Carbon 80,2 prosenttia. DualEntryn perustajiin kuuluvan Benedict Dohmenin mukaan Argon antoi saman vastauksen kaikilla kolmella kerralla 86 prosentissa tehtävistä. Carbonin hinta tehtävää kohden on 0,081 dollaria eli noin 30 prosenttia vähemmän kuin Argonin 0,115 dollaria.
”Taloushallinnon tiimeille seuraava ratkaiseva ero on johdonmukaisuus”, Dohmen sanoo tiedotteessa. Hänen mukaansa tekoälyagentin pitäisi yltää Argonin johdonmukaisuuteen ennen kuin se pääsee käsiksi kirjanpitoon.
DualEntryn sivulla dualentry.com/benchmark ovat kaikkien 24 mallin tulokset, myös hinnat ja vastausajat.