Najlepszy agent AI kończy 12% prawdziwych zadań zawodowych. To dużo czy mało?

Nowy test z ośmiogodzinnymi zadaniami mówi, że nawet lider oblewa prawie dziewięć prac na dziesięć.

Wszyscy powtarzają, że AI lada moment zrobi za nas całą robotę. To postaw obok tego jedną liczbę. SemiAnalysis właśnie ruszył z GDPx, czyli testem 206 długich zadań z 11 dziedzin, od projektowania układów i cyberbezpieczeństwa po biologię, finanse i prawo. Jedno zadanie może trwać nawet osiem godzin.

Najlepszy wynik? Claude Opus 5.5 z 12,0%. Gemini 4 Carbon ma 10,9%, GPT-6 Astra 9,6%. Niżej siedzi otwarty model z wynikiem 2,7%. A w finansach i prawie najlepszy agent dostaje zero.

Czyli AI to jednak przereklamowany balon?

Momencik. Ten test zbudowano tak, żeby bolał. Ma pokazać, jak wysoko jest sufit, a nie że AI do niczego się nie nadaje. Niski wynik na bardzo trudnym egzaminie mówi, gdzie naprawdę jest granica, a nie że nic nie działa.

I teraz zwrot, którego nikt się nie spodziewa: filtry bezpieczeństwa kosztują punkty. Opus 5.5 i GPT-6 Astra czasem odmawiają pracy w cyberbezpieczeństwie, biologii i alignmencie. Wyrzuć te trzy dziedziny, a Astra wysuwa się przed Opusa o dziesiątą część punktu.

Tabela robi się wtedy dużo mniej schludna niż nagłówek. Nie ma też jednego zwycięzcy. Opus prowadzi w handlu kwantowym, projektowaniu sprzętu i układów, Gemini jest najlepszy w biologii, a Astra wygrywa w materiałoznawstwie i w samodoskonaleniu się AI.

Uczciwy wniosek jest taki: modele świetnie radzą sobie z kawałkami pracy, a nadal kiepsko z doprowadzeniem długiego zlecenia od początku do końca. Jeśli wybierasz agenta do firmy, pytanie nie brzmi "który jest najlepszy", tylko "najlepszy w czym".