一项由Saturn开展的研究对当前主流AI聊天机器人的财务问答能力提出了警示。研究覆盖ChatGPT、Claude、Copilot、Grok和Gemini等模型，发现它们在回答财务相关问题时，平均有57%的答案存在错误。这一结果基于对逾百个财务问题的测试，每个问题最多重复提问五次，最终向18种AI模型提出了超过10,000个问题。

研究揭示的错误类型多样，包括计算错误、遗漏即将实施的税收政策变更，以及凭空捏造规则（即幻觉）。在最严重的情况下，依赖AI回答税务问题可能给用户带来严重的经济损失。这表明，尽管AI在通用对话中表现流畅，但在需要精确性和时效性的财务领域，其可靠性仍远未达标。

研究还对比了不同模型的表现差异。付费模型的回答准确率高于免费模型，较新的模型整体优于较旧的模型。在众多模型中，表现最好的是推理模式的Claude Opus 5，但其错误率仍高达39%，意味着即便最先进的系统，在财务问答上也有近四成的答案不可靠。

该研究提醒行业从业者，在将AI应用于财务、税务等高风险场景时，需保持审慎，并建立人工复核机制。当前AI模型在专业领域的知识更新与逻辑推理能力仍有明显短板，用户不应完全依赖其给出的财务建议。