GPT-5, Claude sau Gemini la fiscalitate: liderul ajunge doar la 69,2%

În tabelul comparativ RO-FIN-LLM, realizat pe 1.045 de întrebări fiscale și contabile românești, GPT-5 cu căutare obține un scor de corectitudine de 69,2%, față de 40,0% pentru Gemini 2.5 Pro cu căutare și 35,8% pentru Claude Sonnet 4.5 cu căutare; scorul liderului la citare juridică este însă de 16,1%.

Pentru un contabil sau un antreprenor, GPT-5 cu căutare este reperul cel mai bun dintre configurațiile testate pentru documentarea preliminară, nu un consultant fiscal autonom. Rezultatul aparține modelului folosit împreună cu instrumentul de căutare și cu instrucțiunile din experiment. O concluzie destinată unei declarații sau unei înregistrări contabile are în continuare nevoie de verificarea specialistului și a temeiului legal aplicabil.

Ce măsoară comparația românească

Întrebările acoperă TVA și e-TVA, impozitul pe venit și pe profit, microîntreprinderile, alte obligații fiscale și înregistrările contabile. Au fost formulate de specialiști pentru situații din România, iar răspunsurile de referință țin seama de perioada în care se aplică regula. Tocmai această legătură cu legislația locală face testul relevant pentru alegerea unui asistent folosit aici: fluența generală a unui model spune puțin despre aplicarea unei norme românești la o situație precisă.

Depozitul public RO-FIN-LLM descrie câmpurile pentru întrebare, răspunsul expert, categorie, dificultate și referință sau context, acolo unde există. El pune la dispoziție și instrumente pentru generarea și evaluarea răspunsurilor. Pentru o firmă, această structură permite o comparație pe tipurile de întrebări pe care le întâlnește efectiv, păstrând aceeași bază de evaluare pentru candidați.

Scorurile din clasament provin din evaluarea automată a răspunsurilor după rubrici distincte pentru corectitudine, citare juridică și claritate. Specialiștii au revizuit separat un eșantion, iar aprecierile lor nu au coincis întotdeauna cu cele ale modelelor evaluatoare. Prin urmare, procentul de corectitudine este scorul obținut în acest protocol, nu probabilitatea ca orice răspuns primit de o firmă să fie corect.

Cât ajută căutarea

În test, toate configurațiile au câștigat la corectitudine când au avut acces la căutare, dar progresul a fost diferit. GPT-5 a beneficiat cel mai mult, Claude a avut de asemenea un câștig vizibil, iar Gemini a avansat mai puțin. Comparația utilă este între combinațiile complete de model, instrucțiuni și instrument, deoarece simpla alegere a numelui modelului într-o aplicație nu reproduce experimentul.

Instrumentul folosit a fost Tavily Search API. Informația găsită era apoi sintetizată de model înainte de răspunsul final, astfel încât rezultatul depindea și de paginile recuperate, și de felul în care modelul le interpreta. Această etapă contează în fiscalitate, unde o regulă poate avea condiții de aplicare, excepții și perioade diferite. Un text recent găsit pe web nu rezolvă singur întrebarea dacă norma se potrivește tranzacției analizate.

Modelele nu au folosit instrumentul cu aceeași frecvență, iar numărul apelurilor de căutare nu a prezis calitatea răspunsului în analiza autorilor. Pentru cumpărător, accesul la web este așadar o caracteristică necesară de comparat, dar nu o garanție. Contează dacă asistentul găsește baza relevantă și păstrează corect legătura dintre condițiile legale și faptele din întrebare.

De ce rămâne necesară verificarea juridică

Diferența dintre corectitudine și citarea juridică este decisivă pentru utilizarea profesională. Un răspuns poate ajunge la o concluzie acceptabilă, dar poate omite articolul relevant ori poate invoca o dispoziție care nu susține acea concluzie. Rubrica de citare din experiment a fost evaluată separat tocmai pentru a distinge răspunsul plauzibil de justificarea legală verificabilă.

Scorurile de claritate au fost ridicate pentru toate configurațiile, ceea ce face această slăbiciune mai ușor de trecut cu vederea. O explicație ordonată poate părea suficientă chiar atunci când temeiul lipsește sau se referă la altă situație. Într-o decizie fiscală, specialistul trebuie să verifice atât concluzia, cât și versiunea normei valabilă pentru perioada și operațiunea respectivă.

Această distincție schimbă rolul potrivit al asistentului. El poate ajuta la formularea întrebării, la identificarea aspectelor care cer documentare și la pregătirea unei explicații inițiale. Confirmarea încadrării fiscale și a articolului invocat rămâne la persoana care cunoaște datele complete ale firmei și răspunde pentru tratamentul ales.

TVA și e-TVA merită judecate separat

TVA și e-TVA formează cea mai mare categorie de întrebări din set, iar modelele au întâmpinat aici dificultăți comune. Performanța mai slabă apare deși majoritatea întrebărilor din categorie au fost clasificate drept ușoare sau medii. Media generală poate astfel să ascundă exact slăbiciunea care contează pentru o firmă cu multe operațiuni de TVA.

Rezultatele pe categorii arată și că avantajul căutării nu se distribuie uniform între teme: pentru Claude, câștigul este evident la impozitul pe venit, iar pentru GPT-5 la întrebările despre microîntreprinderi. Aceste diferențe explică de ce alegerea după o singură medie este insuficientă. Dacă munca vizată privește predominant TVA sau e-TVA, răspunsurile la acele situații și justificările lor legale trebuie să cântărească mai mult decât clasamentul agregat.

Versiunea pe care o poți folosi schimbă decizia

Clasamentul privește versiuni concrete, iar accesul la ele nu este identic. Lista Anthropic a modelelor depreciate arată că Claude Sonnet 4.5 a fost depreciat la 30 septembrie 2026, are retragerea planificată pentru 30 noiembrie 2026 și îl are ca înlocuitor recomandat pe Claude Sonnet 5.5. Scorul versiunii testate nu stabilește cum răspunde înlocuitorul la întrebările fiscale românești.

Fișa Gemini 2.5 Pro din Gemini API precizează că accesul la seria testată este limitat la utilizatorii care au folosit-o anterior, deși seria nu este declarată depreciată. Restricția privește accesul prin API; ea nu trebuie confundată cu o măsurare a calității modelului. Pentru un proiect nou, disponibilitatea efectivă poate elimina o opțiune înainte de comparația scorurilor.

Pagina oficială GPT-5 indică deja GPT-6 drept cel mai recent model OpenAI. Nici această succesiune de versiuni nu transferă automat rezultatul fiscal către generația nouă. La alegerea unui serviciu contează, în aceeași ordine, corectitudinea pe întrebările relevante, calitatea temeiului juridic și accesul la configurația care a produs răspunsul.

Ca punct de plecare verificat, configurația GPT-5 cu căutare are cel mai puternic rezultat din comparația românească. Dacă firma folosește altă versiune, alt instrument de căutare sau un produs care ascunde aceste setări, scorul istoric servește drept reper pentru un test nou, nu drept verdict de cumpărare. Pentru TVA și e-TVA, precum și pentru orice răspuns transformat într-o obligație declarată, controlul unui specialist rămâne parte a procesului.

Citește și:

• OpenAI, Claude sau Gemini API: modelul ieftin se schimbă cu sarcina
• Stripe sau PayPal în România: la 1.000 lei, diferența ajunge la 14,90 lei
• PostgreSQL sau MySQL: stocarea schimbă câștigătorul benchmarkului