Zum Inhalt springen
Strategie & Management

APEX Accounting: Was KI-Tests über Buchhaltung aussagen

Mercor veröffentlicht starke Ergebnisse bei vereinfachten Aufgaben. Menschenvergleich und großer Benchmark messen unterschiedliche Dinge; Audit und Kundenkommunikation wurden nicht geprüft.

Lukas GörögLukas Görög
Teilen
Illustration: Eine Person untersucht einen Dokumentenstapel mit einer Lupe; darüber schweben eine Schreibfeder und stilisierte Tabellen.
Illustration: Eine Person untersucht einen Dokumentenstapel mit einer Lupe; darüber schweben eine Schreibfeder und stilisierte Tabellen.

Mercor hat zwölf zugelassene US-Buchhaltungsprofis, sogenannte Certified Public Accountants, mit KI-Modellen bei vier vereinfachten Monatsabschlussaufgaben verglichen. Die am 1. Oktober 2026 veröffentlichte Untersuchung meldet bessere Modellergebnisse in diesem begrenzten Versuch. Die Teilnehmenden hatten durchschnittlich rund fünfeinhalb Jahre Berufserfahrung. Der Vergleich ist vom größeren APEX-Accounting-BenchmarkMercors Test für Buchführung und Monatsabschluss anhand simulierter Unternehmensaufgaben. Die Rangliste bewertet erfüllte Kriterien; sie prüft keine externe Abschlussprüfung. zu unterscheiden, den Mercors Veröffentlichung vom 31. Juli mit 160 Aufgaben beschreibt.

Vier vereinfachte Aufgaben sind kein vollständiger Berufsvergleich

Der menschliche Durchschnitt von rund 37 Prozent gehört zu dieser Untersuchung. Er ist kein separat erhobener historischer Ausgangswert von vor 18 Monaten. Ältere Modelle werden nach ihrem Veröffentlichungsdatum eingeordnet.

Opus 5 erfüllte im vereinfachten Vergleich in 20 Versuchen sämtliche Bewertungskriterien. Das ist ein Ergebnis innerhalb dieser Aufgaben und Bewertungsvorgaben. Es belegt keine allgemeine Fehlerfreiheit bei Buchhaltung oder Abschlussprüfung. Details zum Versuchsaufbau beschreibt das zugehörige Forschungspapier.

Rangliste und Grafik zeigen den Stand vom 17. Oktober 2026

Die ursprüngliche Veröffentlichung beschreibt 160 Aufgaben in zehn simulierten Unternehmen. Auf der am 17. Oktober geprüften Rangliste erreicht Opus 5.5 Max durchschnittlich 61,8 Prozent der Kriterien, Fable 5.1 Max 61,0 und GPT-6 Astra Max 57,9 Prozent. Diese Werte sind keine Anteile vollständig gelöster Aufgaben. Die beim Abruf am 23. Oktober angezeigte Rangliste nennt dagegen 100 Aufgaben und 1.475 Kriterien. Wegen dieser unterschiedlichen Grundlagen lassen sich die Stände nicht unmittelbar als Leistungsentwicklung vergleichen.

Die ursprüngliche Auswertung vom 31. Juli meldete, dass 58 Prozent der Aufgaben bei allen damals getesteten Modellen in jeweils acht Versuchen ungelöst blieben. Diese historische Zahl darf nicht ohne erneute Auswertung auf inzwischen ergänzte Modelle übertragen werden.

Auch das beste Modell erfüllt nur 61,8 Prozent der KriterienErfüllte Kriterien im APEX-Accounting-Benchmark, 160 Aufgaben in zehn fiktiven Unternehmen, Oktober 2026 · %
61.8 Claude Opus 5.5 61 Fable 5.1 57.9 GPT-6 Astra
Mercor, APEX-Accounting-Benchmark

Kundenkommunikation und Audit wurden nicht untersucht

Der Benchmark behandelt Buchführung und Monatsabschluss. Externe Abschlussprüfung, Kundenkommunikation und der Umgang mit notwendigen Rückfragen gehören ausdrücklich nicht zum geprüften Umfang. Aus den Ergebnissen lässt sich daher kein nachgewiesenes Versagen bei solchen Tätigkeiten ableiten. Mercors Fehleranalyse nennt vor allem Denkfehler innerhalb der gestellten Aufgaben.

Ebenso wenig beantwortet ein Benchmark allein, welche Beschäftigten künftig ersetzt werden. Reale Arbeit umfasst zusätzliche Abläufe, Verantwortung und Qualitätskontrollen. Diese müssten gesondert untersucht werden.

Ein Pilot sollte Nacharbeit und Fehlerkosten sichtbar machen

Für einen Praxistest eignet sich eine klar begrenzte Aufgabe mit bereits geprüften Soll-Ergebnissen. Das Team sollte vorab festlegen, welche Fehler unkritisch sind, welche eine manuelle Prüfung auslösen und welche einen Abbruch erfordern.

  • Gleiche Fälle vergleichen: Menschen und Systeme erhalten identische freigegebene Unterlagen und klare Vorgaben.

  • Gesamte Arbeitszeit messen: Vorbereitung, Modelllauf, Rückfragen und Korrekturzeit gehören in die Rechnung.

  • Ergebnisse nachprüfen: Stichproben, Quellenbezug und nachvollziehbare Änderungen bleiben Teil des Ablaufs.

Eine passende AI Governance legt fest, wer Ergebnisse freigibt und wofür das System eingesetzt werden darf. Erst ein solcher Test zeigt, ob bessere Benchmark-Werte im eigenen Prozess tatsächlich zu verlässlicheren oder günstigeren Ergebnissen führen.

Häufige Fragen

Was wurde im APEX-Benchmark tatsächlich geprüft?

Der große Benchmark behandelt Buchführung und Monatsabschluss in simulierten Unternehmen. Der direkte Vergleich mit zwölf CPAs verwendet dagegen nur vier vereinfachte Aufgaben. Diese beiden Untersuchungen dürfen nicht zu einem einzigen Berufsvergleich zusammengezogen werden.

Kann KI einen Wirtschaftsprüfer in absehbarer Zeit ersetzen?

Das lässt sich aus diesen Tests nicht ableiten. Externe Abschlussprüfung und wichtige Teile realer Zusammenarbeit wurden nicht geprüft. Eine Aussage über den Ersatz eines Berufs erfordert eine wesentlich breitere Untersuchung als die Bewertung einzelner Aufgaben.

Bedeutet ein hoher Benchmark-Wert eine fehlerfreie Lösung?

Nein. Die Rangliste zählt erfüllte Bewertungskriterien. Ein Ergebnis kann viele Kriterien erfüllen und trotzdem relevante Fehler enthalten. Vollständige Aufgabenlösung, Geschwindigkeit und Qualität im eigenen Ablauf müssen gesondert betrachtet werden.

Lohnt sich der Einsatz von Sprachmodellen in der Buchhaltung bereits?

Das muss der konkrete Prozess zeigen. In eine Wirtschaftlichkeitsrechnung gehören Modellkosten, Vorbereitung, Kontrolle, Nacharbeit und mögliche Fehlerfolgen. Ein hoher Ranglistenwert allein belegt weder eine Zeitersparnis noch einen wirtschaftlichen Vorteil im eigenen Betrieb.

Wie könnte ein Unternehmen mit KI in der Buchhaltung beginnen?

Mit einer klar abgegrenzten Aufgabe, freigegebenen Daten und bereits geprüften Soll-Ergebnissen. Vorab sollten Verantwortliche Qualitätskriterien, Zugriffsrechte, Prüfschritte und Abbruchbedingungen festlegen. Danach lassen sich Ergebnisse und Gesamtaufwand mit dem bisherigen Verfahren vergleichen.

Gilt die Zahl ungelöster Aufgaben für alle aktuellen Modelle?

Die zitierte Auswertung bezieht sich auf die damals getesteten Modelle und Versuche. Neu ergänzte Ranglistenmodelle dürfen nicht ohne erneute Analyse derselben historischen Aussage zugeordnet werden. Für Vergleiche müssen Modellversion, Testzeitpunkt und Metrik zusammenpassen.

Fügen Sie KI-Amigo in Google als bevorzugte Quelle hinzu, um unsere Artikel häufiger zu sehen.