#automation
Tècniques i eines d'automatització per a fluxos de processament de dades financeres
Només Qwen3.5-9B supera el 80% de les 132 execucions de CFO d'EnterpriseArena; GPT-5.4 i DeepSeek-V3.1 arriben al 0%. La conciliació de llibres omesa causa les fallades.
WildToolBench troba que cap LLM supera el 15% de precisió de sessió en 1.024 tasques reals, amb la intenció oculta i les transicions d'instruccions com a fallades més agudes.
JSONSchemaBench troba que la cobertura cau del 86% en esquemes simples al 3% en complexos, així que la sortida estructurada dels LLM pot emetre JSON no conforme en silenci.
FinMCP-Bench puntua el millor de sis LLM en només un 3,08% de coincidència exacta en 613 tasques financeres MCP reals, un col·lapse de 20× d'una sola eina a l'ús multi-torn.
FinTrace mostra que els LLM d'avantguarda trien bones eines financeres (F1 ~0,9) però puntuen 3,23/5 en usar-ne els resultats, el pas que trenca els agents d'escriptura.
FinToolBench troba un desajust d'intenció superior al 50% en tots els LLM provats, així que cridar eines agressivament no dona millors respostes en tasques financeres.
OmniEval puntua els millors sistemes RAG amb un 36% de precisió numèrica en 5 tipus de tasques financeres, així que els agents de llibre necessiten validació abans d'escriure.
Restar el biaix posicional dels pesos d'atenció dels LLM recupera fins a 15 punts de precisió RAG quan l'evidència és al mig del context, cosa que ajuda els agents financers.
ReDAct delega d'un model petit a un de gran només quan la perplexitat indica incertesa, retallant el cost un 64% amb precisió equivalent per a fluxos d'agents.
L'agent CodeAct d'OpenHands puntua un 26% a SWE-Bench Lite, mostrant què fan de fiable els agents d'IA avui. L'automatització financera hauria de començar acotada, no autònoma.
TableMaster assoleix un 78,13% a WikiTQ amb GPT-4o-mini, 13 punts més que Chain-of-Table, via table-of-focus i raonament adaptatiu per a agents sobre llibres Beancount.
GPT-4 arriba a 74,1 AUROC mitjà en ODDS zero-shot, prop de la línia base ECOD de 75,5, però falla en dades d'alta variància. L'auditoria de llibres encara no està resolta.
