Incluso la mejor IA completa solo el 12% de los trabajos reales en el nuevo punto de referencia GDPx de SemiAnalysis

SemiAnalysis publicó un nuevo punto de referencia agente, GDPx, el 2 de noviembre, colocando 13 modelos de IA de vanguardia dentro de lugares de trabajo simulados y pidiéndoles que realmente realizaran 206 tareas profesionales, y el mejor modelo completó solo el 12,0%. Claude Opus 5.5 de Anthropic lideró con un 12,0%, Gemini 4 Carbon de Google quedó en segundo lugar con un 10,9%, GPT-6 Astra de OpenAI tercero con un 9,6% y el modelo peor clasificado, GLM 5.3 de Z.ai, logró un 2,7%. Ésta no es una historia sobre modelos que empeoran; es una historia sobre cómo la prueba se vuelve honesta: GDPx califica los trabajos, no las respuestas de los exámenes. (La foto de portada es una fotografía de archivo de un centro de datos de IA).

Qué prueba: 11 dominios de alto rendimiento, ocho horas por tarea

GDPx abarca diseño de chips, diseño de hardware, ciberseguridad, biología, finanzas, comercio legal, comercio cuantitativo, superación personal recursiva, ciencia de materiales, alineación e ingeniería de software: 11 dominios elegidos para el retorno económico de la inversión en lugar de la participación del PIB. Sus tareas financieras reconstruyen un acuerdo real de capital privado, un fondo que compra aproximadamente el 62% de un fabricante de snacks por unos 880 millones de dólares más una ganancia, distribuidos en unos 4.000 archivos de acuerdos anónimos que el modelo debe analizar; Las tareas de ciberseguridad se ejecutan contra servicios activos que contienen vulnerabilidades reales sin parches. Las tareas tienen un límite predeterminado de ocho horas y los modelos se ejecutan en sus herramientas nativas cuando estén disponibles (Claude Code para Opus 5.5, Codex para GPT-6 Astra, Antigravity para Gemini 4 Carbon), con la puntuación principal promediando las tasas de aprobación del primer intento en tres intentos y ponderando cada dominio por igual.

Diferentes líderes por dominio; financiero y legal a cero

Opus 5.5 ganó directamente el comercio cuantitativo, el diseño de hardware y el diseño de chips; Gemini 4 Carbon dirigió la biología y la ingeniería de software; GPT-6 Astra adoptó la superación personal recursiva y la ciencia de los materiales. Pero bajo la calificación binaria (una tarea cuenta solo si se completa de principio a fin), cada modelo obtuvo una puntuación de cero tanto en finanzas como en derecho, razón por la cual SemiAnalysis informa puntuaciones de crédito parcial para esos dominios. En el comercio cuantitativo, 70 de 111 ejecuciones calificadas tuvieron un rendimiento inferior a una estrategia de referencia simple, y en tareas centradas en la alineación, 196 de 200 ejecuciones rompieron al menos una regla de comportamiento. Los costos variaron tanto como la capacidad: Opus 5.5 promedió $51.41 por tarea, Gemini 4 Carbon aproximadamente un tercio de eso a $16.29, y GPT-6 Astra fue el más caro a $53.99 por tarea para una puntuación de 2.4 puntos por detrás del líder.

Cómo leer el 12%: tres advertencias

En primer lugar, GDPx es un producto de semianálisis pago cuyas tareas creadas por socios no han sido auditadas de forma independiente, por lo que el primer día cada número es el informe del propio editor. En segundo lugar, el propio SemiAnalysis dice que Opus 5.5 y GPT-6 Astra se ven frenados por sus clasificadores de seguridad en tareas de ciberseguridad, biología y alineación, lo que hace que la cifra del 12,0% sea conservadora para esos modelos. En tercer lugar, GDPx se posiciona como el sucesor del GDPval de OpenAI a partir de septiembre de 2025, que según SemiAnalysis pertenece a la era previa al agente porque entrega al modelo todo el contexto por adelantado sin interacción; La empresa planea actualizaciones cada tres a seis meses, por lo que la próxima lectura mostrará en qué dirección se mueve la línea.