LLM (AI) ni čarobna palica. Je pa lahko zelo uporaben pomočnik.

Kako umetno inteligenco smiselno uporabiti v računovodstvu, davčnih postopkih in notranjih kontrolah

Avtor: mag. Franc Derganc
Datum: 14. 4. 2026

VEZA: ŠOLA AI TAXIN - I.stopnje (15 ur) - za računovodje, davčne svetovalce odvetnice in odvetnike, ki delajo v davčnem pravu

 

 

Uvod v »Ali je AI uporaben v računovodstvu in davčnem svetovanju«?

Ko danes govorimo o umetni inteligenci, se v javnosti prepogosto ustvarja vtis, da gre za eno samo stvar. Kot da obstaja nek “AI”, ki ga podjetje enkrat kupi, vklopi in s tem reši vse: od knjiženja do davčnih sporov, od e-pošte do odkrivanja prevar. Tak pogled je preveč poenostavljen, da bi bil uporaben.

Resnica je bolj zahtevna, a tudi bolj zanimiva. Umetna inteligenca ni en sam stroj. Tudi veliki jezikovni modeli, ki jih danes največkrat povezujemo z izrazom AI, niso vsi enaki. So iz iste znanstvene družine, vendar niso isti sistemi. Še pomembneje pa je, da LLM sploh ni edina veja umetne inteligence. V resni poslovni praksi danes skoraj nikoli ne deluje sam.

Praviloma se srečamo s tremi logikami. Prva je LLM, ki je najmočnejši tam, kjer je treba brati, razlagati, povzeti, povezovati pomen in pripravljati osnutke. Druga je klasično strojno učenje, ki je praviloma močnejše tam, kjer so v ospredju vzorci v velikih količinah podatkov, napovedi, klasifikacije, odkrivanje anomalij in scoring tveganj. Tretja pa so rule-based sistemi, ki ostajajo nepogrešljivi tam, kjer so bistveni stroga pravila, ponovljivost, formalna logika, sledljivost in jasen audit trail.

Prava profesionalna uporaba umetne inteligence zato skoraj nikoli ni “čisti LLM”. Resen sistem je danes praviloma hibrid. Pravila postavijo meje, analitični modeli zaznavajo vzorce, LLM pa omogoča delo z jezikom, dokumenti, razlago in kontekstom. To še posebej velja za računovodstvo, davčne postopke in notranje kontrole.

Prvi nivo: LLM kot pripravljavec podatkov, ne kot samostojni »knjigovodja«

V računovodstvu je prva skušnjava pogosto zelo preprosta: če zna LLM brati dokumente, zakaj mu ne bi prepustili še priprave knjiženj? Odgovor je, da je tu potrebna bistveno večja previdnost.

LLM ni naravno orodje za dokončno, formalno in pravno zavezujoče računovodsko odločanje. Lahko pa je zelo uporaben tam, kjer je treba iz različnih listin, e-poštnih sporočil, PDF-dokumentov, skenov, bančnih opisov, pogodb in drugih virov zajeti podatke, jih razumeti, strukturirati in pripraviti v obliko, primerno za nadaljnjo obdelavo. Prav tu je njegova prava moč.

Pri prejetih listinah zna prepoznati dobavitelja, datum, zneske, poslovni namen in verjetno naravo poslovnega dogodka. Pri izdanih listinah zna pomagati pri razumevanju opisa storitve ali blaga ter pri pripravi osnutka za prihodke, terjatve in DDV. Pri bančnih tokovih je koristen zato, ker zna iz pogosto neurejenih opisov razbrati, ali gre verjetno za plačilo računa, vračilo sredstev, plačo, kreditni obrok ali kaj drugega. Pri osnovnih sredstvih lahko pomaga razločevati med nabavo sredstva, investicijskim vzdrževanjem, drobnim inventarjem ali zgolj tekočim stroškom. Tudi pri plačah in drugih izplačilih zna pomagati pri zajemu in strukturiranju podatkov, čeprav mora biti ravno tam njegova uporaba še posebej previdna.

Ključna poanta je zato preprosta: LLM ne sme biti zadnja instanca knjiženja. Njegova prava vloga je, da postane inteligentna vstopna plast za razumevanje dokumentov in pripravo strukturiranega predloga. Šele nato mora nastopiti plast kode, pravil, validacij in šele na koncu človek, ki predlog potrdi, popravi ali zavrne.

V praksi to pomeni, da zdrava arhitektura ni “LLM namesto računovodstva”, ampak nekaj povsem drugega. Najprej pride zajem vhodov. Nato LLM za razumevanje in strukturiranje. Nato pravila in validacije, ki preverijo obvezna polja, zneske, DDV-logiko, šifrante, kontne omejitve in uvozne formate. In šele nato računovodja, ki pri jasnih primerih potrdi, pri nejasnih pa popravi ali eskalira.

To ni samo tehnična razlika. To je razlika med uporabno rešitvijo in nevarno iluzijo. V računovodstvu ni dovolj, da sistem “nekaj razume”. Pomembno je, da je rezultat tudi sledljiv, preverljiv, ponovljiv in primeren za formalni uvoz v poslovni sistem.

Drugi nivo: LLM kot analitik davčnega spora, ne kot avtomat za pisanje pritožb

Drugi pomemben nivo uporabe LLM-ja se pokaže v davčnih postopkih. Tu se pogosto naredi še večja napaka kot v računovodstvu. Uporabnik prejme zahtevo davčne kontrole, zapisnik ali odločbo in LLM-ju takoj naroči: napiši odgovor, napiši pripombe, napiši pritožbo.

Prav tu pa se začne metodološki zdrs.

Pri takih zadevah glavni problem ni najprej v pisanju. Glavni problem je pravilna analiza spora. Najprej je treba razumeti, kaj organ sploh očita. Nato je treba preveriti, ali je bilo dejansko stanje pravilno ugotovljeno, ali so bila uporabljena vsa dostopna dokazna sredstva, ali je bil materialni predpis pravilno uporabljen, ali je bil postopek voden zakonito in ali so bile morda kršene pravice plačnika davkov.

Dober LLM-agent zato na tem področju ne sme biti navaden pisec dopisov. Biti mora pravno-procesni analizator. Njegova prva naloga je, da življenjski problem prevede v pravni problem. Iz neurejenega opisa mora izluščiti, kaj je dejanski očitek organa, katero pravno vprašanje je zares odprto, ali gre za spor o dejstvih, o dokazih, o materialnem pravu, o postopku ali morda o kršitvi pravic zavezanca.

Šele ko je to narejeno, sploh nastane temelj za kakovosten odgovor. Dober agent mora zato najprej ločeno preveriti dejansko stanje. Kaj organ šteje za ugotovljeno? Iz katerih dokazov to izpeljuje? Kaj listine dejansko kažejo? Kaj manjka? Kje so odprta dejanska vprašanja? Nato mora preveriti dokazni postopek. Katera dokazna sredstva so bila uporabljena? Katera niso bila uporabljena, pa bi morala biti? Ali je bila zavrnitev dokazov obrazložena? Ali je organ nekatere listine prezrl ali se do njih ni vsebinsko opredelil?

Šele nato pride na vrsto materialno pravo. Kateri predpis je organ uporabil? Ali ga je uporabil na pravilen življenjski primer? Ali je pravilno subsumiral dejstva pod normo? Ali je spregledal izjeme ali napačno razumel pravni naslov dohodka, storitve ali druge obdavčljive okoliščine? Sledi še procesna raven. Ali je bila stranki dana možnost izjave? Ali so bili spoštovani roki? Ali odločba vsebuje odgovore na bistvene navedbe? Ali je obrazložitev resnična obrazložitev ali zgolj formalna kulisa?

Na koncu pride še vprašanje pravic plačnika davkov. Ali je bil postopek pošten? Ali je bil zavezanec resnično slišan? Ali je bila uporaba prava predvidljiva? Ali je imel realno možnost obrambe? To so vprašanja, ki jih površinski generator besedila ne zna obdelati. Dober LLM-agent pa je lahko prav tu izredno uporaben, če deluje disciplinirano, fazno in pod nadzorom.

Zato je treba na tem področju vztrajati pri eni zelo jasni formuli. LLM ne sme najprej pisati. LLM mora najprej razumeti spor. Šele na koncu lahko pripravi osnutek odgovora, pripomb ali pritožbe.

Ob tem pa velja še eno pravilo, ki mora ostati absolutno. Ničesar se ne dela brez izrecne avtorizacije stranke. Brez avtorizacije stranke se ne oblikuje dokončnega procesnega stališča, ne vlaga pripomb ali pritožb, ne potrjuje dejanskega stanja kot dokončnega in ne prevzema procesne strategije. LLM in strokovnjak lahko pripravita analizo in osnutek. Toda odločitev, ali bo neko stališče šlo navzven, mora vedno ostati pri stranki oziroma pri pooblaščenem odločevalcu.

Najkrajši strokovno varen sklep je zato naslednji: LLM analizira. Strokovnjak preveri. Stranka avtorizira. Šele nato gre odgovor navzven.

Tretji nivo: LLM kot pomočnik pri notranjih kontrolah, nelogičnostih in tveganjih

Tretji nivo uporabe LLM-ja je pogosto najmanj opazen, vendar je lahko v praksi zelo dragocen. Tu ne gre več predvsem za zajem podatkov in tudi ne za pripravo odgovorov organom. Gre za nekaj drugega: za nadzor kakovosti poslovnega dogajanja.

Računovodstvo ni samo knjiženje. Je tudi kontrola. Preverjanje, ali dokumenti logično držijo skupaj. Preverjanje, ali notranje kontrole delujejo tako, kot so zapisane. Preverjanje, ali obstajajo nelogičnosti, šibke točke, izjeme in znaki povečanega tveganja.

Klasična pravila so zelo dobra pri preverjanju številk, datumov, pragov, šifer, obveznih polj in matematične skladnosti. LLM pa je močan tam, kjer je treba preverjati smisel. Ali se opis na računu ujema s pogodbo? Ali se pogodba ujema z naročilnico? Ali je ista poslovna vsebina v primerljivih primerih knjižena povsem drugače? Ali bančni opis plačila res ustreza odprti terjatvi ali obveznosti? Ali dokumenti sicer obstajajo, vendar skupaj ne tvorijo prepričljive poslovne zgodbe?

Prav tu je prava dodana vrednost LLM-ja. Ne preverja samo, ali nekaj obstaja. Pomaga lahko preveriti, ali to tudi vsebinsko drži skupaj.

To je še posebej pomembno pri stroških zunanjih storitev, svetovalnih pogodbah, marketinških storitvah, reprezentanci, potnih nalogih, gotovinskih izdatkih, izplačilih fizičnim osebam, drobljenju računov, povezanih osebah, neobičajnih bančnih tokovih in ponavljajočih se ročnih izjemah. Na teh področjih številke pogosto ne pokažejo problema. Problem se pokaže šele, ko skupaj beremo dokumente, opise, časovni potek, način odobritve in širši poslovni kontekst.

Toda meja mora ostati jasna. LLM ne sme ugotoviti, da je bila storjena prevara. Ne sme sam ustvariti obremenilnega sklepa. Ne sme nadomestiti notranjega kontrolorja, revizorja ali odgovorne osebe. Njegova vloga je drugačna. Da opozori. Da primerja. Da izpostavi neskladje. Da pripravi seznam odprtih vprašanj. Da pomaga človeku hitreje opaziti problem.

Zato tudi na tej ravni velja podobna formula kot prej. LLM ne izreka sodbe. LLM zazna nelogičnost, izpostavi tveganje in pripravi pojasnilo. Človek preveri. Odgovorna oseba odloči. In tudi tukaj mora ostati popolnoma jasno, da se ničesar ne dela brez ustrezne avtorizacije in brez jasno določenih pristojnosti.

Skupni nauk: ni dovolj vprašati, kateri model je najboljši

Ko povežemo vse tri ravni, postane bistvo precej jasno. Vprašanje ni več, ali je LLM uporaben. Seveda je. Vprašanje je, kje ga postaviti in kaj od njega pričakovati.

V računovodstvu je lahko odličen pripravljavec podatkov in predlogov. V davčnih postopkih je lahko zelo uporaben analitik spora. V notranjih kontrolah je lahko dragocen pregledovalec logike, neskladij in indikatorjev tveganja. Ni pa sam po sebi dovolj za formalno pravilnost, pravno zanesljivo odločanje, samodejno zunanje delovanje ali dokončne sklepe o odgovornosti.

Zato resna uporaba umetne inteligence ni vprašanje: kateri LLM je najboljši? Pravo vprašanje je bistveno bolj zahtevno in tudi bolj poslovno pomembno: kako pravilno povezati LLM, pravila, analitične modele, kodo, nadzor in človeka?

Najboljši sistem ni en sam čudežni program. Najboljši sistem je pravilna kombinacija več logik.

Sklep

V poslovni praksi danes ni več dovolj vprašanje, ali podjetje uporablja umetno inteligenco. Veliko pomembnejše je vprašanje, kako jo uporablja.

Če LLM uporabljamo brez pravil, brez metodologije, brez validacij in brez človeškega nadzora, dobimo hiter, lep in pogosto nevarno samozavesten sistem. Če pa ga postavimo na pravo mesto, lahko postane zelo uporaben pomočnik. V računovodstvu kot pripravljavec podatkov in predlogov. V davčnih postopkih kot analizator spora. V notranjih kontrolah kot pregledovalec logike in tveganj.

Najkrajši pravilen sklep je zato preprost. LLM ni zamenjava za računovodjo, pravnika ali kontrolorja. Je pa lahko zelo dober pomočnik, če mu postavimo prave meje, pravo metodologijo in pravo mesto v procesu.

Prav tu se loči površinska uporaba umetne inteligence od resne, strokovno varne uporabe.

Katere vrste AI-ja poznamo?

Zelo poenostavljeno danes ločimo tri glavne skupine umetne inteligence: LLM-sisteme, klasično strojno učenje in rule-based sisteme.

LLM-sistemi so najboljši tam, kjer je v ospredju jezik. Znajo brati, pisati, razlagati, povzemati in delati z dokumenti. V pravu in računovodstvu so tipični primeri CoCounsel, Lexis+ with Protégé, Harvey, QuickBooks AI, Sage Copilot, Microsoft Copilot, Xero JAX in NetSuite AI.

Klasično strojno učenje je najboljše tam, kjer je v ospredju analiza podatkov. Uporablja se za napovedi, klasifikacijo, scoring tveganj in odkrivanje anomalij. Med najbolj znanimi predstavniki so SAS, DataRobot, H2O.ai, Azure ML in AWS ML.

Rule-based sistemi pa so najboljši tam, kjer so ključna stroga pravila, ponovljivost in sledljivost. Delujejo po logiki: če velja A, naredi B. Tipični predstavniki so IBM ODM, Oracle Intelligent Advisor, FICO Blaze Advisor, Drools in SAP Business Rules.

Najpomembnejši sklep je preprost: v pravu in računovodstvu se v praksi skoraj nikoli ne uporablja samo ena veja AI. Najboljši sistemi so praviloma kombinacija vseh treh: LLM za jezik, strojno učenje za vzorce in rule-based logika za formalna pravila.

Zelo po domače lahko rečemo, da poznamo tri glavne veje umetne inteligence. LLM-sistemi delajo predvsem z jezikom: berejo, povezujejo pomen, razlagajo, pišejo in povzemajo. Med najbolj znanimi predstavniki so ChatGPT oziroma OpenAI GPT, Claude, Gemini, Cohere Command, Harvey, Thomson Reuters CoCounsel in Lexis+ AI. V računovodstvu se uporabljajo za povzetke listin, osnutke e-mailov, razlago kontov in knjižb, pomoč pri komunikaciji s stranko ter za branje računov in delo z dokumenti. V pravu pa za povzetke sodb, osnutke dopisov, analizo pogodb, iskanje argumentov ter vprašanja in odgovore nad zakonodajo in dokumenti.

Klasično strojno učenje dela predvsem z vzorci v podatkih. Ne bere sveta kot besedilo, ampak išče statistične zakonitosti, napoveduje, razvršča in zaznava odstopanja. Med najbolj znanimi predstavniki so SAS, DataRobot, H2O.ai, Azure Machine Learning, AWS SageMaker in IBM watsonx modeli za analitiko. V računovodstvu je uporabno za napoved denarnega toka, scoring plačilne discipline, odkrivanje anomalij v knjižbah, zaznavo sumljivih transakcij in klasifikacijo stroškov. V pravu pa predvsem za e-discovery, razvrščanje dokumentov, prioritetizacijo zadev, oceno tveganj sporov ter odkrivanje vzorcev v sodni praksi ali velikih zbirkah primerov.

Rule-based sistemi pa delajo po vnaprej določenih pravilih. Ne ugibajo in ne iščejo novih vzorcev, ampak izvršujejo logiko: če velja A, potem naredi B. Med najbolj znanimi predstavniki so IBM Operational Decision Manager, Oracle Intelligent Advisor, FICO Blaze Advisor, Drools in SAP Business Rules. V računovodstvu so posebej pomembni pri DDV-kontrolah, validacijah knjižb, avtomatskih kontrolah pravilnosti temeljnic, odobritvenih workflowih in formalnih notranjih pravilih. V pravu pa pri pravilih odločanja, preverjanju izpolnjevanja pogojev, formalni skladnosti postopkov, audit trailu in avtomatizaciji odločitev po vnaprej določenih kriterijih. Najpomembnejši sklep je zato preprost: v pravu in računovodstvu se najboljši rezultati praviloma dosežejo takrat, ko so vse tri logike pravilno povezane v enoten sistem.

 

Kaj moramo vedeti o LLM-jih – tudi v računovodstvu in davčnem pravu

Pri LLM-jih moramo najprej razumeti, da niso vsi enaki. Res je, da izhajajo iz iste splošne znanstvene družine, vendar se v praksi razlikujejo po več zelo pomembnih točkah. Te razlike niso akademska podrobnost, ampak neposredno vplivajo na to, ali je model primeren za računovodstvo, davčno analizo, delo z dokumenti ali agentske naloge.

Prva točka je arhitektura. Nekateri modeli so zgrajeni bolj klasično, pri drugih pa se ob posameznem tokenu aktivira le del modela, na primer pri zasnovi Mixture-of-Experts. To je pomembno zato, ker arhitektura vpliva na hitrost, strošek inferenciranja, specializacijo in včasih tudi na stabilnost vedenja. Zato ni dovolj vprašanje, koliko parametrov ima model, ampak tudi, kako so ti parametri organizirani in koliko modela se pri odgovoru sploh “prebudi”. DeepSeek javno opisuje MoE in MLA, Meta pri Llama 4 poudarja MoE, Mistral Large 3 pa je po uradni dokumentaciji prav tako granularni MoE model.

Druga točka je kontekstno okno. To pove, koliko gradiva lahko model drži skupaj v enem zamahu. V računovodstvu in davčnem pravu je to zelo pomembno, ker problem pogosto ni v enem stavku, ampak v zvezi med več dokumenti: račun, pogodba, e-pošta, bančni tok, zapisnik, odločba, priloge. GPT-5.4 podpira 1 milijon tokenov, Claude Sonnet 4.6 prav tako 1 milijon, Gemini 2.5 Pro je pozicioniran za zelo velik kontekst in heterogene vire, Grok 4.20 pa navaja 2 milijona tokenov. To je pomembna prednost, kadar želimo hkrati obdelovati večjo mapo listin ali daljšo pravno-davčno dokumentacijo.

Tretja točka je reasoning oziroma način sklepanja. Hiter odgovor ni isto kot premišljen odgovor. Nekateri modeli so narejeni predvsem za tekoč, hiter izhod, drugi pa imajo izrazito reasoning plast, kar pomeni, da so boljši pri večstopenjski obdelavi problema, planiranju korakov in delu z zahtevnejšimi nalogami. OpenAI pri GPT-5.4 izrecno navaja nastavljiv reasoning effort, Anthropic Claude Sonnet 4.6 opisuje kot hybrid reasoning model, Gemini 2.5 Pro kot svoj najnaprednejši reasoning model, Grok 4.20 pa ima reasoning med glavnimi funkcijami. To je pomembno zato, ker je pri pravni in računovodski rabi pogosto bistveno ne samo, da model nekaj odgovori, ampak da do odgovora pride po dovolj premišljeni poti.

Četrta točka je multimodalnost. Besedilo danes ni več edini vhod. V praksi delamo s PDF-ji, skeni, tabelami, slikami, diagrami, grafi in zaslonskimi posnetki. Model, ki zna obdelovati več vrst vhodov, ima zato realno prednost. GPT-5.4 podpira tekst in slike, Gemini 2.5 Pro je zgrajen za besedilo, zvok, slike, video in repozitorije kode, Llama 4 je predstavljena kot nativno multimodalna družina, Cohere pa ima posebej Vision usmerjene modele. To je pomembno zlasti v računovodstvu, kjer vhod pogosto ni “čisto besedilo”, ampak dokumentni paket.

Peta točka so orodja in agentnost. Današnji LLM ni več samo generator besedila. Pomembno je tudi, ali zna uporabljati orodja, iskati po virih, vračati strukturiran izhod, klicati funkcije, planirati korake in izvajati večstopenjske delovne tokove. OpenAI pri GPT-5.4 posebej poudarja agentne workflowe in computer use, Anthropic pri Claude 4.6 agent planning in computer use, xAI pri Grok 4.20 function calling, structured outputs in agentic tool calling, Cohere pa enterprise tool-use in agente. To je pomembno zato, ker v resni poslovni rabi ne kupujemo “uteži”, ampak delovni režim: model plus orodja plus način orkestracije.

Šesta točka je odprtost uteži in možnost nadzora. Zaprti modeli navadno ponujajo bolj gladko uporabniško izkušnjo in hitrejši dostop do frontier zmogljivosti, odprtotežni modeli pa omogočajo več suverenosti, večji nadzor, lastno gostovanje in pogosto boljšo strateško prilagoditev. To ni ideološka razlika, ampak upravljavska. V računovodstvu, davčnem pravu in pri delu z občutljivimi podatki je vprašanje, ali lahko model gostujemo v lastnem okolju, zelo pomembno. Meta Llama 4 in Mistral Large 3 sta na tej točki posebej relevantna, DeepSeek pa je pomemben tudi zaradi večje tehnične transparentnosti.

Najkrajši praktični sklep je zato ta: pri LLM-jih ni dovolj vprašanje, ali je model “pameten”. Pomembno je, kako je zgrajen, koliko gradiva lahko drži skupaj, kako dobro sklepa, ali zna delati z dokumenti in slikami, ali zna uporabljati orodja in koliko nadzora ima organizacija nad njegovo uporabo. Prav te razlike odločajo, ali je določen LLM uporaben samo za splošno komunikacijo ali pa tudi za resnejše računovodske in davčno-pravne naloge.

 

Kaj izbrati ?

 

Če vse to prevedemo v tri tipične naloge v računovodstvu, dobimo precej jasno sliko, vendar z enim zelo pomembnim opozorilom: noben LLM ni sam po sebi avtomatično skladen z AI EU Act ali z GDPR. Skladnost ni lastnost logotipa, ampak lastnost konkretne uvedbe. Odvisna je od tega, kako je model nameščen, katere podatke obdeluje, kje se ti podatki hranijo, kdo ima dostop, ali obstaja človek v zanki, kako je urejena dokumentacija, ali so sklenjene ustrezne pogodbe, kako so urejeni prenosi podatkov in ali je uporaba sploh pravilno razvrščena glede na tveganje.

Za branje večjih map listin, pripravo predlogov temeljnic in delo z daljšim kontekstom so posebej močni OpenAI GPT-5.4, Anthropic Claude Sonnet 4.6 oziroma Opus 4.6 ter Google Gemini 2.5 Pro, ker združujejo dolg kontekst, dobro sklepanje in dobro delo z dokumenti. Vendar tudi pri teh modelih velja, da morata biti tako AI EU Act kot GDPR obravnavana skozi enterprise uvedbo, pogodbe, nadzor in jasno notranjo metodologijo, ne pa skozi golo tehnično zmogljivost modela.

Za zajem in razumevanje heterogenih dokumentov, kjer so zraven tudi slike, skeni, PDF-ji in tabele, sta posebej zanimiva Gemini 2.5 Pro in GPT-5.4, pri odprtotežnih pristopih pa tudi Meta Llama 4 in Mistral Large 3. Prav pri tej skupini je vprašanje GDPR še posebej občutljivo, ker gre pogosto za osebne, poslovne ali računovodske podatke. Zato je pomembno, ali podatki ostajajo v nadzorovanem okolju, ali je možno lastno gostovanje, ali so prenosi omejeni in ali ima organizacija dejanski nadzor nad podatkovnim tokom. Tu sta lahko Llama 4 in Mistral Large 3 zanimiva prav zato, ker lahko pri določenih arhitekturah omogočata večjo suverenost in lažje obvladovanje zahtev po varstvu podatkov.

Za notranje kontrole, nelogičnosti, opozarjanje na tveganja in agentske workflowe pa so posebej relevantni GPT-5.4, Claude 4.6, xAI Grok 4.20 in Cohere Command, ker močno poudarjajo reasoning, tool-use, strukturirane izhode in agentnost. Toda prav tu je treba biti z vidika AI EU Act še posebej previden, saj takšni sistemi lahko posegajo v procese z večjim vplivom na posameznike, odločitve in nadzor. Zato mora organizacija vnaprej jasno določiti, da LLM ne sprejema dokončnih odločitev, temveč pripravlja analize, opozorila in predloge, končno presojo pa vedno opravi človek.

DeepSeek je v tej sliki zanimiv predvsem tam, kjer je organizaciji pomembna večja tehnična transparentnost arhitekture, vendar zahteva z vidika GDPR in širšega governance okvira posebno previdnost. Llama 4 in Mistral Large 3 pa sta posebej pomembna tam, kjer je ključno lastno gostovanje, večji strateški nadzor nad modelnim slojem in lažje obvladovanje vprašanj podatkovne suverenosti. Najkrajši pravilen sklep je zato ta: pri izbiri LLM-ja za računovodstvo ni dovolj vprašanje, kateri model je najbolj zmogljiv. Pravo vprašanje je, kateri model je ob konkretni arhitekturi uvedbe hkrati dovolj uporaben, dovolj nadzorovan in dovolj pravno obvladljiv z vidika AI EU Act in GDPR.

 

 

 

TABELA: pregled ponudnikov LLM-jev na dan 15.4.2026

Ponudnik / LLM	Kratka poanta	AI EU Act	GDPR	Kje je lahko posebej dober v računovodstvu
OpenAI GPT-5.4	Zelo močan splošni frontier sistem; dolg kontekst, tool-calling, agentni workflowi	Pogojno dobro izhodišče pri enterprise uvedbi z dokumentacijo in nadzorom	Pogojno dobro izhodišče; enterprise/API imata podatkovne kontrole, brez treniranja na poslovnih podatkih privzeto, na voljo je tudi regionalna hramba za upravičene stranke	1) branje večjih map listin, 2) priprava predlogov temeljnic, 3) notranje kontrole in pojasnila izjem.
Anthropic Claude Sonnet 4.6 / Opus 4.6	Zelo močan pri dolgem kontekstu, agentih, codingu in zanesljivejšem planiranju korakov	Pogojno dobro izhodišče za enterprise, vendar je skladnost odvisna od implementacije	Pogojno dobro izhodišče; preveriti je treba konkretne pogoje, hrambo, DPA in tok podatkov	1) analiza obsežnih davčno-pravnih spisov, 2) primerjava več dokumentov hkrati, 3) priprava strukturiranih strokovnih osnutkov.
Google Gemini 2.5 Pro / Gemini Enterprise	Zelo močan pri multimodalnosti in delu nad heterogenimi viri	Pogojno dobro izhodišče; enterprise okolje ponuja kontrole in data residency možnosti	Pogojno dobro izhodišče; Google navaja enterprise-grade zaščite, podatkovno rezidentnost in da vsebina ni uporabljena za treniranje zunaj domene brez dovoljenja	1) obdelava PDF-jev, skenov, tabel in slik, 2) računovodski dokumentni paketi, 3) povezovanje več vrst vhodov v eno analizo.
Meta Llama 4	Open-weight, nativno multimodalen; poudarek na suverenosti in lastnem gostovanju	Pogosto ugodnejše izhodišče, če ga organizacija gosti sama in vzpostavi lasten governance	Pogosto ugodnejše izhodišče, če ostanejo podatki v lastnem okolju in so prenosi omejeni	1) lastno gostovanje za občutljive procese, 2) interni računovodski pomočnik, 3) delo tam, kjer je pomemben večji strateški nadzor.
Mistral Large 3	Evropski open-weight kandidat; MoE, multimodalen, enterprise usmerjen	Ugodno izhodišče, posebej pri lastnem gostovanju ali enterprise deploymentu v nadzorovanem okolju	Ugodno izhodišče, ker ponudnik poudarja enterprise privacy in ownership of data; še vedno pa je potrebna konkretna pravna ureditev	1) evropsko usmerjeni računovodski projekti, 2) priprava podatkov za temeljnice, 3) notranji AI-sistemi z večjim poudarkom na suverenosti.
xAI Grok 4.20 / xAI Business	Zelo dolg kontekst in močna agentnost	Nejasno do pogojno; potrebna je zelo previdna presoja dokumentacije, pogodb in tokov podatkov	Nejasno do pogojno; preveriti je treba enterprise pogoje, DPA, lokacijo in praktične kontrole	1) dolgi dokumentni tokovi, 2) agentni workflowi, 3) večstopenjska obdelava nalog, kjer je kontekst zelo velik.
Cohere Command / Reasoning / Vision	Enterprise poudarek, RAG, agenti, večjezičnost	Relativno dobro izhodišče, saj Cohere javno poudarja evropsko usmerjeno odgovorno AI in namero podpore EU AI pravilom	Pogojno dobro izhodišče, posebej v enterprise scenarijih; preveriti je treba konkretne pogodbe in način gostovanja	1) večjezični računovodski pomočnik, 2) RAG nad interno bazo znanja, 3) enterprise iskanje in pojasnjevanje dokumentov.
DeepSeek V3 / V3.2	Tehnično zanimiv in bolj transparenten pri arhitekturi; odprtejši ekosistem	Nejasno / zahtevna presoja	Nejasno / zahtevna presoja; uradna politika izrecno govori o obdelavi osebnih podatkov in foundation model training/optimization, zato je potrebna posebej stroga pravna presoja	1) raziskovalni ali tehnični projekti, 2) primeri, kjer je pomembna arhitekturna transparentnost, 3) manj za občutljive računovodske podatke brez dodatnih varovalk.