SemiAnalysis ha lanzado GDPx, un nuevo benchmark que prueba modelos de IA de frontera en tareas de agente en 11 ámbitos económicamente valiosos, incluidos el diseño de chips, la biología y las finanzas. El resultado principal es humilde: el mejor modelo de la clasificación v1.0, Claude Opus 5.5 de Anthropic, solo completó con éxito el 12,0% de las tareas.

Detrás se sitúan Gemini 4 Carbon de Google con un 10,9% y GPT-6 Astra de OpenAI con un 9,6%, todos muy lejos de completar las tareas por completo. La distribución no es uniforme: Gemini 4 Carbon lideró en biología e ingeniería de software, mientras que GPT-6 Astra lideró en auto-mejora recursiva y ciencia de materiales. SemiAnalysis eligió los ámbitos según dónde cree que la inteligencia de frontera generará el mayor retorno de la inversión, y no según su peso en el PIB, y construyó las tareas junto con 14 startups asociadas. El benchmark excluye los sectores público y de seguros.

La conclusión para cualquiera que compre herramientas de IA para trabajo profesional es directa: en trabajos complejos de varios pasos, los modelos de frontera actuales todavía necesitan una supervisión humana considerable. GDPx está diseñado para actualizarse cada tres a seis meses, así que merece la pena seguirlo como indicador de dónde se está cerrando realmente esa brecha, y dónde el marketing de los proveedores va por delante del éxito medido en tareas.

Fuentes