Prueba de IA en contabilidad: modelos abiertos y GPT-5.6 con una tarea real de Excel

Publicado 8 de octubre de 2026Actualizado 8 de octubre de 20267 minutos de lectura

Esta prueba de IA en contabilidad encargó a modelos actuales una tarea real de GDPval, la prueba de rendimiento de OpenAI: leer 66 facturas y elaborar un libro de Excel que reparta los gastos anticipados entre los meses a los que corresponden y los concilie con el libro mayor. El modelo abierto GLM-5.3 Flash entregó el mejor libro, con 90 de 95 puntos, por delante de GPT-5.6 Sol de OpenAI, que obtuvo 82 puntos en su primera ejecución y 72 en la segunda.

Ningún libro estaba libre de errores. Las puntuaciones más altas ocultaban saldos erróneos y afirmaciones falsas que solo una revisión línea por línea puso de manifiesto; por eso esta página indica los errores junto a los puntos.

Resultados

Cada fila corresponde a un modelo con un ajuste concreto.

Modelo	Puntos	Tiempo	Coste	Valoración
GLM-5.3 Flash, pesos abiertosAlojado por Z.ai	90 de 95	29 minutos	0,12 US$	Cumplió 55 de 56 criterios; solo falló la presentación, porque las descripciones de las cuentas se superponen a las filas contiguas. Una nota no puntuada afirma erróneamente que una factura de seguro se pagó el 15 de enero de 2025, cuando el documento de origen solo indica una fecha de vencimiento.
GPT-5.6 Sol, primera ejecuciónAlojado por OpenAI	82 de 95	No válido	Al menos 1,14 US$	Cumplió 51 de 56 criterios. Los nombres de las hojas omiten los números de cuenta, falta la fecha de finalización de la póliza de seguro, queda una diferencia de medio céntimo y una celda muestra ##### en lugar de su valor.
Qwen3.8-Flash-Next, pesos abiertosUna máquina alquilada con el chip NVIDIA GB10 del DGX Spark	80 de 95	33 minutos	1,08 US$ de alquiler de la máquina	Cumplió 49 de 56 criterios, pero 46 de los 264 saldos históricos de facturas son erróneos, porque las facturas futuras se contabilizaron demasiado pronto. Aun así, las ocho comprobaciones de conciliación con el libro mayor cuadraron, de modo que los totales ocultaron los errores.
DeepSeek V4.1 Flash, pesos abiertosAlojado por DeepSeek	78 de 95	9 minutos	0,14 US$	Cumplió 49 de 56 criterios. Faltan las fechas de inicio y de fin de las facturas, 42 filas de facturas difieren de los totales en un céntimo, los encabezados de columna aparecen cortados y una nota no puntuada da por terminada erróneamente la periodificación de los servicios en junio.
GPT-5.6 Sol, segunda ejecuciónAlojado por OpenAI	72 de 95	7 minutos	1,46 US$	Con ajustes idénticos, solo cumplió 46 de 56 criterios: faltan 198 saldos por factura de enero a marzo, y los nombres de las hojas, las fechas y la visualización tienen defectos.
Qwen3.8-27B, pesos abiertos, razonamiento desactivadoUn ASUS Ascent GX10 alquilado con el chip NVIDIA GB10	39, 35 y 9 de 95	30 minutos por intento	Unos 0,97 US$ de alquiler de la máquina por los tres intentos	Los tres intentos se detuvieron al alcanzar el límite de 30 minutos. Los libros almacenaban los cálculos como texto, contabilizaban demasiado pronto las facturas futuras o no contenían ninguna cifra.

En los modelos alojados, el coste es el importe cobrado por el uso del modelo; en los dos modelos Qwen, es el alquiler de la máquina. El tiempo de la primera ejecución de GPT-5.6 Sol no es válido, porque el ordenador que ejecutaba la prueba entró en reposo durante el intento, y su coste está incompleto por el mismo motivo.

La tarea

La tarea procede de GDPval, el conjunto público de OpenAI de 220 tareas extraídas del trabajo real de 44 profesiones. Plantea la pregunta a la que se enfrenta un departamento financiero o una asesoría contable en cada cierre de mes: ¿puede la IA preparar los cuadros de periodificación de gastos anticipados a partir de las facturas?

Los datos de entrada son seis archivos: un plan de cuentas en Excel, cuatro archivos mensuales de facturas de enero a abril de 2025 y un archivo de facturas de seguros, con 66 páginas en PDF en total.
El modelo debe leer las 66 facturas, asignar cada una a la cuenta de servicios pagados por anticipado o a la de seguros pagados por anticipado, y repartir cada coste entre los meses que abarca.
El entregable es un libro de Excel con tres hojas: un cuadro para cada factura y una conciliación mensual con los saldos del libro mayor hasta abril de 2025.
La rúbrica original de la tarea comprueba 56 criterios con un valor total de 95 puntos, desde la exactitud de los importes y el funcionamiento de las fórmulas hasta la presentación de las hojas.

Cómo realizamos la prueba

Todos los modelos recibieron la misma tarea, los mismos archivos, las mismas herramientas y las mismas instrucciones, y no se les corrigió nada ni durante el intento ni después.

El programa de agente Hermes dio a cada modelo las mismas herramientas en un contenedor aislado: Python con bibliotecas para hojas de cálculo y documentos, LibreOffice para recalcular las fórmulas y Poppler para leer las facturas en PDF.
Cada intento disponía como máximo de 60 minutos, 80 pasos y 65.536 tokens por respuesta. Los tres intentos de Qwen3.8-27B sin razonamiento dispusieron de 30 minutos, 40 pasos y 32.768 tokens, y DeepSeek V4.1 Flash, de 32.768 tokens por respuesta.
Los modelos alojados se ejecutaron a través de Vercel AI Gateway, cada uno fijado al servicio de su propio fabricante. Los dos modelos Qwen se ejecutaron en máquinas alquiladas con el chip NVIDIA GB10, el chip del DGX Spark.
Cada libro terminado se cotejó con todos los criterios de la rúbrica original, con un recálculo independiente de las cifras de origen y una representación visual de cada hoja.
Los intentos se realizaron entre el 15 y el 21 de septiembre de 2026.

Qué significa el resultado para su decisión

Para una empresa que se plantea utilizar IA en una máquina propia, la prueba respalda cuatro conclusiones.

Los modelos abiertos pueden realizar trabajo contable real: el mejor de ellos, GLM-5.3 Flash, entregó un libro mejor que GPT-5.6 Sol por aproximadamente una décima parte del coste por intento.
Ningún modelo entregó un libro que pudiera utilizarse sin revisión. Incluso las mejores puntuaciones ocultaban saldos erróneos o afirmaciones falsas, de modo que el resultado necesita la comprobación de un contable.
Los resultados varían entre intentos: GPT-5.6 Sol obtuvo 82 y después 72 puntos con ajustes idénticos, por lo que una sola ejecución dice poco, y conviene probar su propia tarea más de una vez.
El resultado más próximo a una máquina propia es el de Qwen3.8-Flash-Next en el chip GB10 del DGX Spark, con 80 de 95 puntos. La comparativa con ChatGPT y la página de rendimiento de modelos de IA lo sitúan en un contexto más amplio.

Lecturas relacionadas: la comparativa con ChatGPT abarca siete tareas de oficina, y la página de rendimiento de modelos de IA recopila las valoraciones públicas de los mismos modelos.

Preguntas sobre la prueba de IA en contabilidad

¿Puede la IA hacer trabajo contable en Excel?

En parte. En nuestra prueba de IA en contabilidad con una tarea real de GDPval, el mejor modelo elaboró un libro de Excel conciliado a partir de 66 facturas y obtuvo 90 de 95 puntos, pero todos los libros seguían conteniendo errores, desde saldos erróneos hasta afirmaciones falsas. La IA puede preparar este tipo de trabajo; un contable sigue teniendo que revisarlo.

¿Qué modelo obtuvo el mejor resultado en la prueba de IA en contabilidad?

El modelo abierto GLM-5.3 Flash, con 90 de 95 puntos en su segundo intento, seguido de GPT-5.6 Sol, con 82 puntos en su primera ejecución, y de Qwen3.8-Flash-Next, con 80 puntos en una máquina con el chip GB10 del DGX Spark. Con una sola tarea y pocos intentos, este orden no constituye una clasificación.

¿Se ejecutaron los modelos en hardware local?

Solo los dos modelos Qwen se ejecutaron en una máquina con el chip NVIDIA GB10, el chip del DGX Spark. GLM-5.3 Flash, DeepSeek V4.1 Flash y GPT-5.6 Sol se ejecutaron en los servicios alojados de sus fabricantes, por lo que sus resultados no muestran cómo funcionarían en una máquina propia.

¿Son estas puntuaciones oficiales de GDPval?

No. Utilizamos una tarea del conjunto público GDPval de OpenAI con su rúbrica original, pero la revisión fue nuestra, asistida por un modelo de IA y no a ciegas. Los resultados oficiales de GDPval proceden de profesionales que comparan el trabajo de un modelo con el de un experto humano sin saber cuál es cuál.

¿Podemos realizar nosotros mismos una prueba similar?

Sí. Nuestra prueba por horas le ofrece una o dos horas en una máquina preparada con un modelo abierto, para que pueda ejecutar una tarea comparable con sus propias herramientas y juzgar el resultado usted mismo.

Pruebe su propia tarea contable en una máquina real

Elija una configuración, conecte la herramienta que ya utiliza y ejecute una tarea representativa. En una o dos horas sabrá si una máquina propia puede hacer el trabajo, antes de comprarla.

Solicitar un endpoint