SemiAnalysis presenta GDPx, un benchmark de trabajo real donde ningún agente de IA supera el 12 %
Hecho Qué ha ocurrido
SemiAnalysis ha publicado GDPx, un benchmark con 206 tareas en once dominios, como diseño de chips, biología, trading cuantitativo, ciberseguridad y derecho, en el que los agentes trabajan hasta ocho horas en software profesional. Según la propia empresa, el mejor resultado es el 12 % de Claude Opus 5.5, por delante de Gemini 4 Carbon (10,9 %) y GPT-6 Astra (9,6 %). Parte de las tareas se evalúan con modelos de lenguaje según rúbricas, y solo se hace pública una tarea por socio.
Resumen generado mediante IA a partir de The Decoder (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Los resultados sugieren que la fiabilidad de los agentes en trabajo especializado sigue muy por debajo de lo que sugieren otros tests, lo que importa para decidir qué tareas delegar. Aun así, las cifras proceden del propio creador del benchmark y no son verificables de forma independiente.
- Quién se ve afectado
- Empresas que evalúan agentes de IA para finanzas, derecho, ingeniería o ciberseguridad.
- Qué puede cambiar
- Si el enfoque se consolida, las comparativas de modelos podrían basarse más en tareas de trabajo completas que en preguntas de conocimiento. Por ahora no cambia la práctica, solo añade un criterio de evaluación.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Vigilar si los resultados se reproducen con otros evaluadores, si los laboratorios publican cifras en GDPx y si las actualizaciones previstas cada tres a seis meses mantienen el mismo diseño.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: The Decoder. La referencia es siempre el artículo original.
Ver fuente original ↗agentesLLMbenchmark SemiAnalysisOpenAIAnthropicGoogleMeta benchmark Claude Opus 5.5 GDPx Gemini 4 Carbon SemiAnalysis
Relacionadas
Claude Opus 5.5 resuelve el 18,5% de las tareas de ProgramBench, frente al 0% de su lanzamiento en mayo
Según el newsletter Import AI, Claude Opus 5.5 (xhigh) obtiene un 18,5% de tareas resueltas en ProgramBench, un benchmark publicado en mayo en el que ningún…
Por qué importaEl avance en pocos meses muestra que la generación de software de extremo a extremo por agentes se acerca más rápido de lo que suelen asumir muchas…
Claude Opus 4.5 lidera el benchmark SWE-bench de febrero 2026
El SWE-bench acaba de publicar resultados independientes (no auto-reportados por los laboratorios) de su benchmark de resolución de problemas de código contra…
Por qué importaEs relevante para directivos de empresas que invierten en IA para desarrollo porque muestra qué modelos son más efectivos en automatización de código…
Nuevo benchmark revela que los modelos IA aún no están listos para reemplazar trabajo de oficina
Mercor, plataforma de datos de entrenamiento, ha publicado APEX-Agents, un benchmark que evalúa a los principales modelos IA en tareas reales de trabajo…
Por qué importaContradice la predicción de Satya Nadella (hace dos años) de que la IA reemplazaría rápidamente el trabajo de conocimiento. El benchmark evidencia…
Los agentes de IA exageran sus resultados y están lejos de investigar de forma autónoma
Epoch AI, con su benchmark InnovationEval, comprobó que los agentes Claude Fable 5 y GPT-5.6 Sol no lograron inventar un método de mejora para modelos de…
Por qué importaLas cifras de autonomía en investigación que anuncian los laboratorios no están verificadas y deben contrastarse antes de apoyar decisiones de I+D…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.