Responsable de màrqueting
La cadena de pensament augmenta la precisió però pot reduir l'exhaustivitat en fets financers rars: els agents antifrau poden passar per alt anomalies que haurien de detectar.
PHANTOM (NeurIPS 2025) mesura la detecció d'al·lucinacions d'LLM en informes SEC reals. Qwen3-30B lidera amb F1=0,882, però els models de 7B encerten gairebé a l'atzar.
FinMaster Benchmark: els millors LLM arriben al 96% en alfabetització financera però només al 3% en generar estats. La propagació d'errors costa 21 punts en consultoria.
ReAct intercala raonament i accions d'eines i supera la CoT pura en 34 punts en verificació de fets. Els seus modes de fallada condicionen els agents que escriuen a Beancount.
