36 AI-modeller mot 20 verkliga uppgifter för småföretag, testade 23 september 2026

Andelen godkända körningar visas med ett 95%-intervall under siffran. Modellens verkliga andel kan ligga var som helst inom intervallet. Kostnaden per godkänt resultat beräknas genom att kostnaden för alla körningar, även de underkända, delas med antalet godkända körningar. En asterisk markerar att kostnaden har beräknats utifrån tillverkarens listpris eftersom leverantören inte redovisade någon kostnad.

Bästa AI-modellen för redovisningsbyråer

6 uppgifter: kategorisera ett italienskt kontoutdrag, kategorisera banktransaktioner, extrahera fakturauppgifter, extrahera uppgifter ur italienska leverantörsfakturor, beräkna italienska konsultfakturor och beräkna övertidsersättning.

Bästa AI-modellen för restauranger och barer

4 uppgifter: svara på negativa recensioner, prioritera ärenden i ett företags inkorg, kategorisera banktransaktioner och kategorisera ett italienskt kontoutdrag.

Bästa AI-modellen för butiker

4 uppgifter: besvara önskemål om återbetalning, besvara garantiärenden på italienska, skriva italienska produktbeskrivningar och skriva mötesanteckningar.

Bästa AI-modellen för hantverkare och tjänsteföretag

6 uppgifter: prissätta ett uppdrag utifrån en prislista, skriva mejl med offerter, poängsätta säljleads, sortera kundmeddelanden, beräkna övertidsersättning och besvara frågor om personalhandboken.

Godkänt eller underkänt

Ett svar blir godkänt bara om det klarar alla fasta kontroller. För uppgifter som också har bedömningskriterier måste svaret dessutom uppfylla de flesta kriterierna, där de viktigaste är obligatoriska. Inga delpoäng ges.

Fasta kontroller

Strukturerade svar granskas fält för fält mot rätt värden, med en tolerans för belopp och timmar. Skrivna svar kontrolleras utifrån vad de måste innehålla, vad de inte får innehålla och hur långa de får vara. Samma kod bedömer varje modell.

Bedömning utifrån kriterier

gpt-5-6-sol bedömer varje kriterium vid temperaturen noll och ger en motivering. Varje svar bedöms två gånger, och en tredje bedömning avgör de kriterier där de två första skiljer sig åt. Modellens egen slutsats ignoreras: koden tillämpar godkännanderegeln på de bedömda kriterierna. Före körningen testades bedömaren två gånger på svar med kända resultat.

Samma upplägg för alla

Varje körning består av ett instruktionsmeddelande och ett meddelande med underlaget: inga verktyg, ingen webbsökning, inget JSON-läge, varje modells standardinställning för sampling och högst 4 000 token i svaret, inklusive resonemang. Ett svar som kapas vid den gränsen bedöms som det är. 1 körning per modell och uppgift.

Granskade regler

Innan en utgåva publiceras granskas varje underkänt svar som beror på en avgörande regel. Om en regel underkänner ett korrekt svar för att det saknar en detalj som instruktionerna aldrig efterfrågade, rättas regeln och svaren bedöms på nytt. En regel som fångar ett verkligt fel behålls, oavsett hur många modeller den underkänner.

Kostnad och tid

Kostnaden per körning är vad leverantören debiterade eller, om leverantören inte redovisar någon kostnad, antalet token till tillverkarens listpris. Tiden mäts från förfrågan till svarets sista ord. Misslyckade anrop räknas inte med.

Intervall

Varje andel godkända svar visas med ett Wilson-intervall på 95 %. Med bara några dussin körningar per modell kan en skillnad på flera procentenheter mellan två modeller bero på slumpen, vilket intervallen visar.

Data

Uppgifter, kontroller och resultat publiceras enligt CC BY 4.0: ange AIGROW som källa och länka till den här sidan. Varje uppgiftssida innehåller utgåvans kanariesträng så att uppgifterna kan hållas borta från träningsdata.