Avanserte kunstig intelligens modeller er ikke alltid mest pålitelige for selvstendig næringsdrivende
2. november 2026 · 2 min lesing
Også publisert på Indonesia, Русский, हिन्दी, Türkçe, עברית, العربية, ไทย, Deutsch, Italiano, Nederlands, Svenska
En studie som Declarando har deltatt i, konkluderer med at de mest avanserte modellene for kunstig intelligens ikke alltid gir de mest pålitelige økonomiske og skattemessige forutsigelsene for selvstendig næringsdrivende.
Forskningen analyserte reelle data fra 395 selvstendig næringsdrivende for å sammenligne ulike statistiske systemer og transformer modeller fra Amazon. Studien, som er publisert i International Journal of Computational Intelligence Systems, undersøkte hvordan ulike teknologiske modeller kunne brukes til å forutse inntekter og beregne trygdeavgifter.
Arbeidet sammenlignet tre typer verktøy: et enkelt glidende gjennomsnitt, flere ensemble modeller, som kombinerer estimater fra ulike algoritmer, og to transformer modeller basert på Amazon Chronos-T5. Resultatene viser at ensemble modellene utviser en mer stabil og konsistent oppførsel med mindre skjevhet enn transformer modellene.
Studien analyserte forskjellen mellom betalte avgifter basert på prognoser og de faktiske beløpene som skulle betales basert på reelle inntekter. Enkelte ensemble modeller hadde avvik på under én euro, mens modellene fra Amazon hadde konstante avvik på nær 50 euro.
I tilfeller der profesjonelle doblet inntektene sine, viste studien at Declarando kunne forutsi avgiftene mer nøyaktig. Ved bruk av modellen fra Amazon ville den selvstendig næringsdrivende betalt nesten 200 euro for mye, hvor beløpet økte fra 376,04 til 562,83 euro.
Forskerne konkluderer med at økt teknologisk kompleksitet ikke nødvendigvis garanterer høyere pålitelighet. De understreker viktigheten av å tilpasse modellen til problemets egenskaper og kvaliteten på tilgjengelige data, fremfor å bare velge mellom kunstig intelligens eller tradisjonelle modeller.
Forskningen ble delvis finansiert av Declarando og Generalitat Valenciana. Den kombinerer akademisk forskning med forretningserfaring for å studere hvordan prediksjonsverktøy kan brukes i daglige økonomiske beslutninger. Forfatterne advarer om at teknologier bør valideres empirisk før de brukes til beslutninger med direkte økonomiske konsekvenser.