SemiAnalysis a prezentat pe 2 noiembrie 2026 GDPx, un benchmark pentru agenți AI care trebuie să lucreze în medii complexe, nu doar să răspundă la întrebări. Testul reunește 206 sarcini din 11 domenii, construite cu 14 parteneri specializați. În clasamentul publicat de autorii evaluării, Claude Opus 5.5 obține 12%, urmat de Gemini 4 Carbon, cu 10,9%, și GPT-6 Astra, cu 9,6%.
Ce măsoară testul
GDPx include proiectarea cipurilor, securitate cibernetică, biologie, finanțe, drept și dezvoltare software. Agenții trebuie să găsească informații relevante și să folosească instrumente într-un mediu de lucru, în loc să primească toate datele într-o singură instrucțiune.
Potrivit metodologiei SemiAnalysis, limita implicită este de opt ore pentru o sarcină. Modelele rulează în propriul mediu de agent atunci când acesta există, iar în celelalte cazuri este folosit OpenCode. Rezultatele combină evaluări binare și punctaje parțiale, în funcție de domeniu.
Clasamentul GDPx acordă aceeași pondere fiecărui domeniu. Autorii folosesc media rezultatelor a trei rulări pentru fiecare sarcină; nu aleg doar încercarea care a reușit.
De ce contează regulile evaluării
Un scor de 12% nu înseamnă că modelul poate automatiza 12% din economie sau din locurile de muncă. Este rezultatul unei selecții de sarcini și al unei metode de notare. GDPx urmărește domenii pe care autorii le consideră importante pentru utilizarea AI, nu o reprezentare statistică a întregii economii.
SemiAnalysis arată și că filtrele de siguranță influențează rezultatele unor modele în securitate cibernetică, biologie și aliniere. Un refuz poate coborî punctajul fără să demonstreze, singur, lipsa unei capacități tehnice. În sens invers, un punctaj mai mare nu dovedește că un agent este mai sigur de folosit.
Pentru o companie care alege un agent AI, concluzia practică este să testeze sarcini apropiate de propria activitate. Contează atât corectitudinea rezultatului, cât și accesul permis la date, costul și necesitatea verificării umane. Un clasament agregat poate orienta selecția; nu înlocuiește evaluarea în condițiile concrete de lucru.
Ilustrație conceptuală generată cu AI pentru CyberJurnal.
