مدل‌های هوش مصنوعی در حسابداری از متخصصان سریع‌ترند، اما به نظارت نیاز دارند

هوش مصنوعی حسابداری در وظایف ساختاریافته، بر اساس مطالعه‌ای از Mercor، از حسابداران رسمی سریع‌تر و دقیق‌تر عمل می‌کند و هزینه بسیار کمتری دارد؛ اما این برتری هنوز به معنای توانایی انجام مستقل کار حسابداری نیست. نتایج منتشرشده در ۲ اکتبر ۲۰۲۶ نشان می‌دهد مدل‌ها در تمرین‌های ساده‌شده تقریباً بی‌خطا شده‌اند، ولی در آزمون جامع APEX Accounting هنوز نمی‌توانند بخش بزرگی از وظایف را به‌طور کامل حل کنند یا بدون نظارت دفاتر را ببندند.

هوش مصنوعی حسابداری در وظایف محدود پیشرفت کرده است

در بخش نخست مطالعه Mercor، ۱۲ حسابدار رسمی دارای مجوز، که به‌طور میانگین پنج‌ونیم سال سابقه داشتند، مجموعه‌ای از وظایف ساده‌شده را انجام دادند. این تمرین‌ها از APEX Accounting Benchmark گرفته شده بود؛ آزمونی برای ارزیابی توانایی مدل‌ها در انجام کارهای حسابداری.

طبق گزارش مطالعه، بهترین مدل‌ها ۱۸ ماه پیش هنوز در این وظایف امتیازی پایین‌تر از میانگین حسابداران، یعنی حدود ۳۷ درصد، داشتند. اما مدل‌های امروزی همان تمرین‌ها را تقریباً بی‌نقص حل می‌کنند. گزارش می‌گوید مدل‌ها در این نوع کارهای ساختاریافته هم سریع‌تر و هم دقیق‌تر از حسابداران بودند و هزینه انجام کار نیز به‌مراتب کمتر بود.

این نتیجه به وظایفی مربوط است که محدوده مشخصی دارند و پاسخ‌گویی به آن‌ها مستلزم پیدا کردن جزئیات و پیروی دقیق از دستورالعمل‌هاست. بنابراین، عملکرد نزدیک به بی‌نقص در تمرین‌های ساده‌شده را نمی‌توان معادل توانایی انجام همه مسئولیت‌های یک حسابدار دانست. مطالعه برای سنجش عملکرد در مقیاس گسترده‌تر، نتایج مدل‌ها را در نسخه کامل APEX نیز بررسی کرد.

نتایج آزمون کامل APEX چه می‌گویند؟

نسخه کامل APEX Accounting بسیار گسترده‌تر از تمرین‌های ساده‌شده است: این آزمون ۱۶۰ وظیفه را در ۱۰ شرکت شبیه‌سازی‌شده دربر می‌گیرد. به گفته Mercor، بیش از ۴۰ متخصص در ساخت آن مشارکت داشته‌اند و میانگین سابقه کاری این افراد ۱۱ سال بوده است.

در این آزمون، Claude Opus 5.5 با برآورده‌کردن ۶۱٫۸ درصد معیارهای ارزیابی در رتبه نخست قرار گرفت. پس از آن Fable 5.1 با ۶۱ درصد و GPT-6 Astra با ۵۷٫۹ درصد قرار داشتند. این درصدها نشان می‌دهند هر مدل چه سهمی از معیارهای نمره‌دهی را برآورده کرده است؛ نباید آن‌ها را به‌سادگی به درصد وظایفی تعبیر کرد که مدل به‌تنهایی و به‌طور کامل انجام داده است.

همین تمایز، تصویر محتاطانه‌تری از توانایی مدل‌ها به دست می‌دهد. Mercor می‌گوید هیچ مدلی نتوانست نزدیک به ۶۰ درصد وظایف آزمون را به‌طور کامل حل کند. در نتیجه، حتی مدلی که در جمع امتیازهای معیارسنجی پیشتاز است، هنوز در بسیاری از موقعیت‌های آزمون به پاسخ کامل نمی‌رسد. مطالعه تأکید می‌کند که مدل‌ها در حال حاضر نمی‌توانند بدون نظارت، فرایند بستن حساب‌ها را انجام دهند.

محدودیت‌های آزمون و نقش نظارت انسانی

Mercor در گزارش خود به محدودیتی مهم اشاره می‌کند: طراحی آزمون دقیقاً بر کارهایی متمرکز است که مدل‌های هوش مصنوعی در انجامشان توانمندترند؛ یعنی یافتن اطلاعات جزئی و دنبال‌کردن دستورها. چنین آزمونی برای مقایسه عملکرد در وظایف مشخص مفید است، اما همه ابعاد شغل حسابداری را اندازه‌گیری نمی‌کند.

برای نمونه، این مطالعه بخش‌هایی مانند گفت‌وگو با مشتریان، هماهنگی و پیگیری امور با همکاران و استفاده از زمینه‌ای را که فرد طی سال‌ها تجربه به دست می‌آورد، در آزمون نگنجانده است. منظور از این زمینه، اطلاعات و شناختی است که در انجام کارهای روزمره شکل می‌گیرد و ممکن است در قالب یک دستور کوتاه یا یک وظیفه استانداردشده منعکس نشود.

به همین دلیل، نتیجه آزمون را باید به حوزه‌هایی محدود کرد که واقعاً سنجیده شده‌اند. عملکرد قوی در پردازش اطلاعات و پیروی از دستورالعمل‌ها می‌تواند بخشی از کار را برای حسابداران آسان‌تر کند، اما داده‌های مطالعه به‌تنهایی نشان نمی‌دهد که مدل‌ها برای جایگزینی همه وظایف یا حذف نقش حسابدار آماده‌اند. خود Mercor نیز با وجود پیش‌بینی افزایش چشمگیر بهره‌وری در این صنعت، می‌گوید حسابداران را نمی‌توان با این مدل‌ها جایگزین کرد.

افزایش بهره‌وری بدون حذف حسابداران

جمع‌بندی مطالعه، میان خودکارسازی برخی کارها و جایگزینی کامل نیروی متخصص تفاوت می‌گذارد. مدل‌ها در تمرین‌هایی که ساختار مشخص دارند پیشرفت زیادی نشان داده‌اند، اما نتیجه آزمون گسترده‌تر و مواردی که اصلاً در آزمون سنجیده نشده‌اند، تصویر متفاوتی از آمادگی آن‌ها ارائه می‌کند. وجود امتیازهای معیارسنجی بالا به‌تنهایی نشان‌دهنده توانایی مدیریت کامل یک فرایند حسابداری نیست.

از نگاه Mercor، مسیر محتمل‌تر در کوتاه‌مدت افزایش بهره‌وری در بخش‌هایی از کار است، نه کنارگذاشتن حسابداران. این نتیجه با دو یافته مطالعه سازگار است: مدل‌ها در وظایف محدود عملکرد بسیار خوبی دارند، اما در آزمون کامل همه کارها را حل نمی‌کنند و برای بستن حساب‌ها همچنان به نظارت نیاز است. گزارش عددی برای میزان افزایش بهره‌وری یا هزینه صرفه‌جویی‌شده ارائه نمی‌کند؛ بنابراین نمی‌توان از نتایج منتشرشده اندازه مشخصی برای این اثر استخراج کرد.

این خبر برای چه کسانی اهمیت دارد

این یافته‌ها برای حسابداران و مؤسسات حسابداری اهمیت دارد، چون نشان می‌دهد مدل‌ها در وظایف تکرارشونده و دستورمحور می‌توانند عملکردی رقابتی داشته باشند، اما نتیجه آزمون از واگذاری کامل مسئولیت‌ها پشتیبانی نمی‌کند. برای مدیران مالی و شرکت‌هایی که ابزارهای هوش مصنوعی را ارزیابی می‌کنند نیز مهم است که امتیازهای آزمون ساده‌شده را از توانایی انجام مستقل و کامل کار جدا کنند.

برای پژوهشگران و سازندگان معیارهای ارزیابی هم مطالعه یادآور می‌شود که سنجش توانایی مدل‌ها به نوع وظیفه بستگی دارد. آزمونی که بر دقت در جزئیات و پیروی از دستورها تمرکز دارد، اطلاعات مفیدی درباره همان توانایی‌ها می‌دهد؛ اما تعامل انسانی و شناخت انباشته‌شده در محیط کار را نشان نمی‌دهد. بر مبنای نتایج Mercor، هوش مصنوعی می‌تواند بخشی از کار حسابداری را سریع‌تر کند، ولی نظارت انسانی هنوز برای تکمیل فرایند ضروری است.