#automation
Techniky automatizácie a nástroje pre pracovné postupy spracovania finančných dát
Len Qwen3.5-9B prežije 80 % zo 132-mesačných CFO behov EnterpriseArena, kým GPT-5.4 a DeepSeek-V3.1 dosahujú 0 %. Príčinou zlyhaní je vynechané odsúhlasenie hlavnej knihy.
WildToolBench: žiadne LLM neprekročí 15 % presnosti relácie na 1 024 úlohách reálnych používateľov, pričom skrytý zámer a prechody inštrukcií sú najostrejšie zlyhania.
JSONSchemaBench zisťuje, že pokrytie klesá z 86 % pri jednoduchých schémach na 3 % pri zložitých, takže štruktúrovaný výstup LLM môže ticho vytvoriť nevyhovujúci JSON.
FinMCP-Bench dáva najlepšiemu zo šiestich LLM len 3,08 % presnej zhody na 613 reálnych finančných úlohách MCP, teda 20-násobný prepad pri viackolovom použití.
FinTrace ukazuje, že špičkové LLM vyberú správne finančné nástroje (F1 ~0,9), ale v použití výsledkov dosahujú len 3,23/5, čo je krok, ktorý láme agentov zapisujúcich späť.
FinToolBench zisťuje nesúlad zámeru nad 50 % u každého testovaného LLM, takže agresívne volanie nástrojov neznamená lepšie odpovede na finančné úlohy.
OmniEval hodnotí najlepšie RAG systémy na 36 % numerickej presnosti v 5 typoch finančných úloh, takže agenti pre hlavnú knihu potrebujú validáciu pred zápisom položiek.
Odčítanie pozičnej odchýlky z váh pozornosti LLM obnoví až 15 bodov presnosti RAG, keď dôkaz leží uprostred kontextu, čo pomáha pipeline finančných agentov.
ReDAct presúva úlohu z malého modelu na veľký len vtedy, keď perplexita signalizuje neistotu, čím znižuje náklady o 64 % pri rovnakej presnosti pre agentové workflowy.
CodeAct agent OpenHands získava 26 % na SWE-Bench Lite, čo ukazuje, čo AI agenti dnes spoľahlivo zvládajú. Automatizácia financií by mala začínať úzko vymedzená, nie autonómna.
TableMaster dosahuje 78,13 % na WikiTQ s GPT-4o-mini, o 13 bodov viac než Chain-of-Table, vďaka table-of-focus a adaptívnemu uvažovaniu pre agentov nad Beancount ledgermi.
GPT-4 dosahuje 74,1 priemerného AUROC pri zero-shot ODDS, blízko baseline ECOD 75,5, ale zlyháva na dátach s vysokým rozptylom. Audit ledgera zatiaľ nie je vyriešený.
