SemiAnalysis a lancé GDPx, un nouveau benchmark qui teste les modèles IA frontières sur des tâches d'agents dans 11 domaines à forte valeur économique, dont la conception de puces, la biologie et la finance. Le résultat phare est une leçon d'humilité : le meilleur modèle du classement v1.0, Claude Opus 5.5 d'Anthropic, n'a réussi que 12,0 % des tâches.

Derrière lui, Gemini 4 Carbon de Google atteint 10,9 % et GPT-6 Astra d'OpenAI 9,6 % — tous très loin d'une exécution complète des tâches. La répartition n'est pas uniforme : Gemini 4 Carbon domine en biologie et en génie logiciel, tandis que GPT-6 Astra mène en auto-amélioration récursive et en science des matériaux. SemiAnalysis a choisi les domaines selon les endroits où, d'après l'entreprise, l'intelligence frontière générera le meilleur retour sur investissement, plutôt que selon leur part du PIB, et a construit les tâches avec 14 startups partenaires. Le benchmark exclut les secteurs public et de l'assurance.

L'enseignement pour quiconque achète des outils IA pour un travail professionnel est sans détour : sur des tâches complexes en plusieurs étapes, les modèles frontières actuels ont encore besoin d'une supervision humaine importante. GDPx doit être mis à jour tous les trois à six mois, il vaut donc la peine de le suivre comme un indicateur de l'endroit où cet écart se referme réellement — et de celui où le marketing des fournisseurs devance le succès mesuré sur les tâches.

Sources