Как GPT-6 Astra справляется с бухгалтерскими задачами: опыт стартапа Basis

Суть

Стартап Basis, разрабатывающий ИИ-агентов для автоматизации работы бухгалтеров, поделился результатами тестирования новой языковой модели GPT-6 Astra от OpenAI. В ходе эксперимента модель успешно заполнила сложную налоговую книгу из 50 вкладок в два раза быстрее, чем предыдущая версия GPT-5.6 Sol. Это важное событие для индустрии, так как оно демонстрирует переход от простых текстовых ответов к надежному выполнению длительных профессиональных задач.

Контекст

Бухгалтерский учет исторически состоит из большого количества рутинной работы: сверки данных, заполнения многостраничных таблиц и проверки соответствия налоговым правилам. Компания Basis создает автономных агентов, которые берут на себя эти процессы, позволяя специалистам сосредоточиться на стратегическом планировании.

Главная проблема при создании таких агентов — удержание контекста на протяжении долгого времени и способность модели не сбиваться с пути при выполнении многоэтапных задач. До недавнего времени моделям требовались очень жесткие и подробные инструкции для каждого возможного сценария.

Детали

Внутренние тесты Basis показали значительный прирост эффективности при переходе на новую архитектуру:

Во-первых, время выполнения комплексной задачи с налоговой книгой из 50 вкладок сократилось на 50%. По словам сооснователя стартапа Митча Трояновского, GPT-6 Astra принимает более правильные решения в самом начале работы. Это позволяет агенту двигаться по наиболее прямому пути, тратя меньше времени и токенов на исправление собственных ошибок.

Во-вторых, внутренние оценки качества работы агентов Basis улучшились примерно на 20%. Модель стала лучше понимать, когда нужно задать уточняющий вопрос, когда следует указать на сделанные допущения, а когда — строго следовать инструкции.

В-третьих, Basis использует способность GPT-6 Astra динамически регулировать вычислительные мощности. Модель тратит больше ресурсов на сложные шаги и экономит их на простых, сохраняя при этом кэш данных. Это делает длительные задачи более экономичными.

Анализ

Результаты Basis указывают на важный сдвиг в развитии больших языковых моделей (LLM). Способность системы глубоко понимать намерения пользователя означает, что разработчикам больше не нужно прописывать правила для каждой отдельной ситуации.

Модель способна самостоятельно делать выводы о том, как нужно работать: например, что необходимо сверяться с первоисточниками при возникновении налоговых вопросов или самостоятельно проверять промежуточные результаты. Снижение потребности в жестких правилах делает ИИ-агентов более гибкими и надежными в реальных условиях, которые часто выходят за рамки лабораторных тестов.

Перспектива

Успешное применение GPT-6 Astra в такой консервативной и требовательной к точности сфере, как налоги, открывает путь для внедрения автономных агентов в юриспруденцию, аудит и финансы. По мере того как модели учатся лучше распределять вычислительные ресурсы и понимать глобальный контекст задачи, мы увидим все больше примеров, когда ИИ будет выступать не просто как умный справочник, а как полноценный цифровой сотрудник, способный доводить сложные проекты до конца.