✨︎ Resumen (TL;DR):
- SemiAnalysis evaluó agentes de IA con 206 ejercicios distribuidos en 11 áreas especializadas.
- Claude Opus 5.5 obtuvo 12%, delante de Gemini 4 Carbon, con 10.9%, y GPT-6 Astra, con 9.6%.
- El resultado es un promedio compuesto, no la proporción de tareas profesionales que el modelo puede automatizar.
GDPx es una prueba de agentes de IA que mide cómo usan herramientas y ejecutan varios pasos para completar tareas especializadas. SemiAnalysis colocó a Claude Opus 5.5 en el primer lugar con 12%. La puntuación resume una batería de 206 ejercicios y no significa que el modelo haya terminado 12 de cada 100.
GDPx reúne 206 ejercicios creados con 14 colaboradores especializados. Sus áreas incluyen diseño de chips, ciberseguridad, biología, finanzas y programación.
El 12% es un promedio, no un conteo de tareas
En la vista inicial del tablero, Gemini 4 Carbon aparece detrás de Opus con 10.9%, mientras que GPT-6 Astra ocupa el siguiente lugar con 9.6%. Esa vista muestra 13 de los 20 modelos disponibles en el selector.
Las 11 áreas pesan lo mismo en la puntuación general, aunque no contienen el mismo número de ejercicios. Cuando participan varios proveedores en una misma área, SemiAnalysis también los pondera por igual dentro de ese dominio.
El tablero promedia tres intentos por tarea y combina evaluaciones binarias con otras que conceden puntuación parcial. Por eso, el 12% es una puntuación compuesta de la batería de GDPx. No indica que Opus haya completado 12 de cada 100 ejercicios ni mide qué porcentaje de todos los trabajos profesionales puede automatizar.
SemiAnalysis estableció un límite predeterminado de ocho horas por tarea, aunque algunas tuvieron menos tiempo. Cuando fue posible, ejecutó los modelos en sus entornos de agente habituales, como Claude Code para Opus y Codex para Astra. Los resultados describen esas configuraciones y las tareas elegidas para GDPx.
Los líderes cambian según la tarea
La clasificación general oculta diferencias entre especialidades:
- Claude Opus 5.5 lideró en operaciones bursátiles cuantitativas, diseño de hardware y diseño de chips.
- Gemini 4 Carbon encabezó biología e ingeniería de software.
- GPT-6 Astra destacó en ciencia de materiales y en la categoría de mejora recursiva de IA.
GDPx agrupa en esta última categoría trabajos de investigación, como diagnosticar fallas de entrenamiento. Resolver uno de esos ejercicios no demuestra por sí solo que un sistema pueda rediseñarse y mejorarse de manera autónoma e ilimitada.
Los filtros de seguridad también influyeron en la comparación. Según SemiAnalysis, en ocasiones intervinieron en ciberseguridad, biología y alineación, y redujeron las puntuaciones de modelos como Opus 5.5 y GPT-6 Astra.
La firma publicó una comparación alternativa sin esas tres áreas. Retirarlas cambia el alcance de lo que GDPx evalúa, por lo que las posiciones dependen también de las categorías incluidas.
En finanzas, todos quedaron en 0% binario
En las tareas financieras, todos los modelos obtuvieron 0% bajo la calificación binaria prevista en el informe. Para mostrar las diferencias dentro de esa categoría, SemiAnalysis publicó por separado puntuaciones parciales. Las tareas legales resultaron igualmente difíciles con ese criterio.
Un ejercicio financiero consistía en revisar una hoja de cálculo de calidad de ganancias con información de registros y acuerdos de una operación. En una selección de 25 intentos, ningún modelo resolvió por completo el ejercicio.
GPT-6.1 Sol cumplió una media de 5.6 de 11 comprobaciones. Opus 5.5 y GPT-6 Astra promediaron 5.4. Estas cifras parciales muestran avances dentro del ejercicio, pero no cuentan como una solución completa bajo la evaluación binaria.
El tablero muestra además un costo medio por tarea de 51.41 dólares estadounidenses para Opus, 16.29 dólares para Gemini 4 Carbon y 53.99 dólares para Astra. Son costos registrados en esta evaluación, no el precio de una suscripción ni una factura universal por usar cada modelo.
GDPx elige áreas, no toda la economía
SemiAnalysis eligió los campos que considera más propensos a beneficiarse de la IA avanzada en el corto plazo. El proyecto dejó fuera sectores como gobierno y bienes raíces, así que su selección responde a la tesis de la firma y no representa una muestra proporcional de toda la economía.
El enfoque también difiere del GDPval original de OpenAI. Esa evaluación seleccionó 44 ocupaciones de nueve sectores que contribuyen al producto interno bruto de Estados Unidos. OpenAI describió esa primera versión como una prueba de una sola entrega con archivos de referencia, mientras que GDPx plantea entornos de trabajo para agentes.
Los resultados de ambas pruebas no comparten una escala directamente comparable. Otras clasificaciones usan baterías distintas: en el Intelligence Index v5 de Artificial Analysis, Opus 5.5 obtuvo 58 puntos. Esa cifra y el 12% de GDPx proceden de pruebas y escalas diferentes.
SemiAnalysis prevé actualizar GDPx cada tres a seis meses. Cada nueva versión tendrá que leerse junto con las tareas y los criterios que use para producir sus resultados, porque el porcentaje por sí solo no describe la automatización de un trabajo completo.
