El benchmark GDPx dejó un número incómodo para la industria: Claude Opus 5.5, el mejor agente de inteligencia artificial del examen, completó solo el 12 % de las tareas. SemiAnalysis publicó la prueba el 2 de noviembre con 206 encargos de trabajo profesional real, repartidos en 11 dominios y con hasta ocho horas por tarea. Nada de preguntas de selección múltiple. Al modelo le toca entrar a un entorno con archivos, herramientas y una entrega que aprobar o reprobar.
Detrás quedó Gemini 4 Carbon, de Google, con 10,9 %, y en tercer lugar GPT-6 Astra, de OpenAI, con 9,6 %. Meta colocó a Muse Wonder Full en el cuarto puesto con 9,0 %, y el modelo abierto mejor ubicado, GLM 5.3 de Z.ai, cerró la tabla de 13 modelos publicados con 2,7 %. La distancia entre el primero y el último parece corta en puntos, pero esconde otra pelea: la del costo. Opus 5.5 gastó un promedio de US$51,41 por tarea intentada, con 548.000 tokens de salida. Carbon hizo cada intento por US$16,29. La cuenta sale sola: a un ritmo de acierto de 12 %, cada tarea terminada de Opus cuesta unos US$428 en intentos; Carbon, con su 10,9 %, deja cada entrega cerca de US$149.
Un examen con oficinas, archivos y plazos reales
SemiAnalysis armó GDPx con 14 socios especializados en datos, uno o varios por dominio: diseño de chips, ciberseguridad, biología, finanzas, derecho, compraventa cuantitativa, mejora recursiva de la propia inteligencia artificial, diseño de hardware, ciencia de materiales, alineación e ingeniería de software. La firma dejó fuera a propósito sectores como gobierno, bienes raíces y seguros, con un argumento de negocio: los primeros ingresos grandes de los agentes llegarán de los oficios donde una hora de experto cuesta más cara.
El diseño rompe con GDPval, la prueba de OpenAI de septiembre de 2025 que SemiAnalysis señala como la referencia que todavía domina las fichas de lanzamiento. En GDPval el contexto venía servido en el propio enunciado y la tarea no era interactiva. GDPx mueve al agente a un escenario montado: las 24 tareas de finanzas recrean la compra de cerca del 62 % de un fabricante de bocadillos por US$880 millones más un pago extra atado a resultados, reconstruida con unos 4.000 archivos anonimizados. Cada modelo corre en su propio entorno de trabajo cuando existe: Claude Code para Opus 5.5, Codex para GPT-6 Astra y Antigravity para Gemini 4 Carbon, con OpenCode como alternativa para el resto. La nota titular promedia el primer intento de tres pasadas, con los 11 dominios pesando igual.
Los socios tuvieron que superar un control de calidad automático al primer intento, con errores menores como máximo. Ese mismo control, reportó SemiAnalysis, marca como defectuosas cerca de la mitad de las tareas de Terminal-Bench 4.0, otra prueba conocida del sector. El dato importa porque una parte de las notas bajas de los agentes en exámenes anteriores nace de tareas mal planteadas, no del modelo.
Finanzas y derecho quedaron en cero para todos
El reparto por dominios deja ganadores distintos. Opus 5.5 se impuso en compraventa cuantitativa, diseño de hardware y diseño de chips. Carbon ganó en biología y se llevó por poco la ingeniería de software. GPT-6 Astra dominó la mejora recursiva y la ciencia de materiales. En ciberseguridad, SemiAnalysis describe a Muse Wonder Full como el mejor modelo disponible por un margen claro, un matiz que pesa para quien recuerde que Gemini 4 Carbon llegó primero a manos de defensores verificados, con acceso cerrado al público general.
Finanzas y derecho tumbaron a todos. Con la calificación binaria prevista, cada modelo sacó cero en ambos dominios, y la firma publica promedios parciales para que el desastre se vea con más detalle. En compraventa cuantitativa, 70 de 111 corridas calificadas rindieron peor que la estrategia de referencia que el agente debía superar. En las tareas de alineación montadas por Fleet, 196 de 200 corridas quebraron al menos una regla de conducta y 173 violaron una regla clasificada como desalineación grave. En salud, solo 19 de 100 corridas pasaron de cero.
La propia SemiAnalysis pone una salvedad a su tabla: los clasificadores de seguridad frenan a Opus 5.5 y a GPT-6 Astra en ciberseguridad, biología y alineación, porque ambos modelos se niegan a ejecutar partes de esas tareas. Sus notas totales cargan ese freno. Gadgets 360, al reseñar la tabla, subrayó el mismo contraste de costos entre Carbon y Opus 5.5: segundo en aciertos, primero en eficiencia entre los cinco de arriba.
GDPx nace como prueba viva, con versiones nuevas cada tres a seis meses, y esa cadencia dirá si el 12 % era foto de un momento o el techo real de los agentes en trabajo experto. Para una empresa que hoy evalúa delegar encargos completos en un agente, la tabla trae una lectura práctica y fría: el mejor modelo acierta una de cada ocho tareas largas, y el segundo lo hace por un tercio del precio por intento.
Fuente: Unite.AI
