KI-Buchhaltungstest: offene Modelle und GPT-5.6 an einer echten Excel-Aufgabe
Benjamin Spinola, Gründer
Veröffentlicht Aktualisiert 7 Minuten Lesezeit
Für diesen KI-Buchhaltungstest haben wir aktuellen Modellen eine echte Aufgabe aus OpenAIs Benchmark GDPval gestellt: 66 Rechnungen lesen und eine Excel-Arbeitsmappe erstellen, die vorausbezahlte Aufwendungen auf die Monate verteilt, die sie betreffen, und sie mit dem Hauptbuch abstimmt. Das offene Modell GLM-5.3 Flash lieferte mit 90 von 95 Punkten die beste Arbeitsmappe, vor OpenAIs GPT-5.6 Sol, das im ersten Durchlauf 82 und im zweiten 72 Punkte erreichte.
Keine Arbeitsmappe war fehlerfrei. Hinter den höchsten Punktzahlen verbargen sich falsche Salden und unzutreffende Aussagen, die erst eine zeilenweise Prüfung aufdeckte; deshalb nennt diese Seite die Fehler neben den Punkten.
Ergebnisse
Jede Zeile steht für ein Modell in einer Einstellung.
| Modell | Punkte | Zeit | Kosten | Bewertung |
|---|---|---|---|---|
| GLM-5.3 Flash, offene GewichteGehostet von Z.ai | 90 von 95 | 29 Minuten | 0,12 $ | Das Modell erfüllte 55 von 56 Kriterien; nur das Layout war mangelhaft, weil Kontobezeichnungen in benachbarte Zeilen hineinragen. Eine nicht bewertete Anmerkung gibt fälschlich an, eine Versicherungsrechnung sei am 15. Januar 2025 bezahlt worden, obwohl die Quelle nur ein Fälligkeitsdatum nennt. |
| GPT-5.6 Sol, erster DurchlaufGehostet von OpenAI | 82 von 95 | Ungültig | Mindestens 1,14 $ | Das Modell erfüllte 51 von 56 Kriterien. In den Namen der Tabellenblätter fehlen die Kontonummern, das Enddatum der Versicherungspolice fehlt, eine Differenz von einem halben Cent bleibt bestehen, und eine Zelle zeigt ##### statt ihres Werts an. |
| Qwen3.8-Flash-Next, offene GewichteEin gemieteter Rechner mit dem Chip NVIDIA GB10, der auch im DGX Spark verbaut ist | 80 von 95 | 33 Minuten | 1,08 $ Rechnermiete | Das Modell erfüllte 49 von 56 Kriterien, aber 46 von 264 historischen Rechnungssalden sind falsch, weil künftige Rechnungen zu früh berücksichtigt wurden. Dennoch gingen alle acht Abstimmungen mit dem Hauptbuch auf, sodass die Summen die Fehler verdeckten. |
| DeepSeek V4.1 Flash, offene GewichteGehostet von DeepSeek | 78 von 95 | 9 Minuten | 0,14 $ | Das Modell erfüllte 49 von 56 Kriterien. Die Anfangs- und Enddaten der Rechnungen fehlen, 42 Rechnungszeilen weichen um einen Cent von den Summen ab, Spaltenüberschriften sind abgeschnitten, und eine nicht bewertete Anmerkung lässt die Auflösung der Dienstleistungen fälschlich im Juni enden. |
| GPT-5.6 Sol, zweiter DurchlaufGehostet von OpenAI | 72 von 95 | 7 Minuten | 1,46 $ | Mit identischen Einstellungen erfüllte das Modell nur 46 von 56 Kriterien: 198 Salden je Rechnung für Januar bis März fehlen, und die Namen der Tabellenblätter, die Datumsangaben und die Darstellung weisen Mängel auf. |
| Qwen3.8-27B, offene Gewichte, Reasoning ausgeschaltetEin gemieteter ASUS Ascent GX10 mit dem Chip NVIDIA GB10 | 39, 35 und 9 von 95 | jeweils 30 Minuten | Etwa 0,97 $ Rechnermiete für alle drei | Alle drei Versuche endeten beim Zeitlimit von 30 Minuten. Die Arbeitsmappen speicherten Berechnungen als Text, buchten künftige Rechnungen zu früh oder enthielten überhaupt keine Zahlen. |
Bei gehosteten Modellen entsprechen die Kosten der Gebühr für die Nutzung des Modells, bei den beiden Qwen-Modellen der Miete für den Rechner. Die Zeit des ersten Durchlaufs von GPT-5.6 Sol ist ungültig, weil der Computer, auf dem der Test lief, während des Versuchs in den Ruhezustand wechselte, und seine Kosten sind aus demselben Grund unvollständig.
Die Aufgabe
Die Aufgabe stammt aus GDPval, OpenAIs öffentlichem Satz von 220 Aufgaben aus der realen Arbeit in 44 Berufen. Sie stellt die Frage, vor der eine Finanzabteilung oder ein Buchhaltungsbüro bei jedem Monatsabschluss steht: Kann KI die Auflösungspläne für vorausbezahlte Aufwendungen aus den Rechnungen erstellen?
- Die Eingabe besteht aus sechs Dateien: einem Kontenplan in Excel, vier monatlichen Rechnungsdateien für Januar bis April 2025 und einer Datei mit Versicherungsrechnungen, zusammen 66 PDF-Seiten.
- Das Modell muss alle 66 Rechnungen lesen, jede dem Konto für vorausbezahlte Dienstleistungen oder für vorausbezahlte Versicherungen zuordnen und jeden Betrag auf die Monate verteilen, die er abdeckt.
- Das Ergebnis ist eine Excel-Arbeitsmappe mit drei Tabellenblättern: einem Plan für jede Rechnung und einer monatlichen Abstimmung mit den Salden des Hauptbuchs bis April 2025.
- Das ursprüngliche Bewertungsschema der Aufgabe prüft 56 Kriterien mit zusammen 95 Punkten, von korrekten Beträgen und funktionierenden Formeln bis zur Gestaltung der Tabellenblätter.
Wie wir den Test durchgeführt haben
Jedes Modell erhielt dieselbe Aufgabe, dieselben Dateien, dieselben Tools und dieselben Anweisungen, und an seinem Ergebnis wurde weder während noch nach dem Versuch etwas korrigiert.
- Das Agentenprogramm Hermes stellte jedem Modell in einem isolierten Container dieselben Tools bereit: Python mit Bibliotheken für Tabellenkalkulationen und Dokumente, LibreOffice zum Neuberechnen von Formeln und Poppler zum Lesen der PDF-Rechnungen.
- Für jeden Versuch standen höchstens 60 Minuten, 80 Schritte und 65.536 Tokens pro Antwort zur Verfügung. Für die drei Versuche von Qwen3.8-27B ohne Reasoning galten 30 Minuten, 40 Schritte und 32.768 Tokens, für DeepSeek V4.1 Flash 32.768 Tokens pro Antwort.
- Die gehosteten Modelle liefen über das Vercel AI Gateway, jeweils fest auf den eigenen Dienst ihres Herstellers eingestellt. Die beiden Qwen-Modelle liefen auf gemieteten Rechnern mit dem Chip NVIDIA GB10, dem Chip des DGX Spark.
- Jede fertige Arbeitsmappe wurde anhand jedes Kriteriums des ursprünglichen Bewertungsschemas geprüft, mit einer unabhängigen Nachberechnung der Ausgangszahlen und einer gerenderten Ansicht jedes Tabellenblatts.
- Die Versuche fanden zwischen dem 15. und dem 21. September 2026 statt.
Was das Ergebnis für Ihre Entscheidung bedeutet
Für ein Unternehmen, das KI auf einem eigenen Rechner in Betracht zieht, stützt der Test vier Schlussfolgerungen.
- Offene Modelle können echte Buchhaltungsarbeit leisten: Das beste von ihnen, GLM-5.3 Flash, lieferte eine bessere Arbeitsmappe als GPT-5.6 Sol, zu etwa einem Zehntel der Kosten pro Versuch.
- Kein Modell lieferte eine Arbeitsmappe, die ohne Prüfung verwendbar gewesen wäre. Selbst hinter den besten Punktzahlen verbargen sich falsche Salden oder unzutreffende Aussagen, daher muss eine Buchhaltungsfachkraft das Ergebnis prüfen.
- Die Ergebnisse schwanken zwischen den Versuchen: GPT-5.6 Sol erreichte mit identischen Einstellungen erst 82 und dann 72 Punkte. Ein einzelner Durchlauf sagt daher wenig aus, und Ihre eigene Aufgabe sollte mehr als einmal getestet werden.
- Den Bedingungen eines eigenen Rechners am nächsten kommt das Ergebnis von Qwen3.8-Flash-Next auf dem Chip GB10 des DGX Spark, mit 80 von 95 Punkten. Der Vergleich mit ChatGPT und die Seite KI-Modell-Benchmarks ordnen es in einen größeren Zusammenhang ein.
Zum Weiterlesen: Der Vergleich mit ChatGPT behandelt sieben Büroaufgaben, und die Seite KI-Modell-Benchmarks sammelt die öffentlichen Bewertungen derselben Modelle.
Fragen zum KI-Buchhaltungstest
Kann KI Buchhaltungsaufgaben in Excel erledigen?
Das gelingt teilweise. In unserem KI-Buchhaltungstest an einer echten GDPval-Aufgabe erstellte das beste Modell aus 66 Rechnungen eine abgestimmte Excel-Arbeitsmappe und erreichte 90 von 95 Punkten, doch jede Arbeitsmappe enthielt weiterhin Fehler, von falschen Salden bis zu unzutreffenden Aussagen. KI kann solche Arbeit vorbereiten; eine Buchhaltungsfachkraft muss sie dennoch prüfen.
Welches Modell hat im Test am besten abgeschnitten?
Am besten schnitt das offene Modell GLM-5.3 Flash ab, mit 90 von 95 Punkten in seinem zweiten Versuch, gefolgt von GPT-5.6 Sol mit 82 Punkten im ersten Durchlauf und Qwen3.8-Flash-Next mit 80 Punkten auf einem Rechner mit dem Chip GB10 des DGX Spark. Bei nur einer Aufgabe und wenigen Versuchen ist diese Reihenfolge keine Rangliste.
Liefen die Modelle auf lokaler Hardware?
Nur die beiden Qwen-Modelle liefen auf einem Rechner mit dem Chip NVIDIA GB10, dem Chip des DGX Spark. GLM-5.3 Flash, DeepSeek V4.1 Flash und GPT-5.6 Sol liefen auf den gehosteten Diensten ihrer Hersteller; ihre Ergebnisse zeigen daher nicht, wie sie auf einem eigenen Rechner abschneiden würden.
Sind das offizielle GDPval-Ergebnisse?
Nein, das sind sie nicht. Wir haben eine Aufgabe aus OpenAIs öffentlichem GDPval-Aufgabensatz mit ihrem ursprünglichen Bewertungsschema verwendet, die Prüfung aber selbst vorgenommen, unterstützt von einem KI-Modell und ohne Verblindung. Offizielle GDPval-Ergebnisse stammen von Fachleuten, die die Arbeit eines Modells mit der eines menschlichen Experten vergleichen, ohne zu wissen, welche von wem stammt.
Können wir einen ähnlichen Test selbst durchführen?
Ja, das ist möglich. Unser Testlauf gibt Ihnen ein bis zwei Stunden auf einem vorbereiteten Rechner mit einem offenen Modell, damit Sie eine vergleichbare Aufgabe mit Ihren eigenen Tools ausführen und das Ergebnis selbst beurteilen können.
Testen Sie Ihre eigene Buchhaltungsaufgabe auf einem echten Rechner
Wählen Sie ein Setup, verbinden Sie das Tool, das Sie bereits nutzen, und führen Sie eine repräsentative Aufgabe aus. Innerhalb von ein bis zwei Stunden wissen Sie, ob ein eigener Rechner die Arbeit erledigen kann, bevor Sie einen kaufen.
Endpunkt anfragen