GDPx. Nowy benchmark agentów AI, najlepszy model ma 12 proc.

Czym GDPx różni się od GDPval

SemiAnalysis opublikował GDPx 2 listopada 2026 roku jako odpowiedź na GDPval, popularny test OpenAI z września 2025 roku. Zdaniem autorów GDPval podaje modelowi cały kontekst w poleceniu i nie ma realistycznego środowiska pracy. W GDPx agent sam szuka informacji, na przykład w ok. 4000 plików z anonimizowanej transakcji przejęcia firmy, albo obsługuje programy inżynierskie, takie jak Siemens NX czy SOLIDWORKS.

Zadania pochodzą od 14 wyspecjalizowanych partnerów i obejmują m.in. projektowanie chipów, biologię, cyberbezpieczeństwo, finanse, prawo, handel ilościowy i programowanie. Autorzy celowo pominęli branże takie jak administracja publiczna, nieruchomości i ubezpieczenia, bo liczą na największy zwrot z AI gdzie indziej. Standardowy limit czasu to 8 godzin, a każdy model działa w narzędziu swojego producenta, na przykład Opus w Claude Code.

Wyniki modeli i koszt zadania

Poniższe dane pochodzą z tablicy wyników GDPx. Złotówki przeliczyliśmy po średnim kursie NBP z 5 listopada 2026 roku, 3,9101 zł za dolara. Muse Wonder Full ma wynik 9 proc., ale bez kosztu, bo nie ma publicznej ceny.

• Claude Opus 5.5. 12 proc., 51,41 USD za zadanie, ok. 201 zł.
• Gemini 4 Carbon. 10,9 proc., 16,29 USD, ok. 64 zł.
• GPT-6 Astra. 9,6 proc., 53,99 USD, ok. 211 zł.
• GPT 6.1 Sol. 8,4 proc., 9,80 USD, ok. 38 zł.
• GPT-6 Luna. 5,1 proc., 0,92 USD, ok. 3,60 zł.

Gdzie agenci zawodzą najbardziej

Najwięcej mówią szczegóły. W handlu ilościowym 70 z 111 ocenionych prób wypadło gorzej niż strategia odniesienia. W zadaniu prawnym z redakcją umowy żadna z 20 prób nie dała wyniku nadającego się do użycia. W finansach błędy dotyczyły m.in. rozliczeń memoriałowych i warunków umowy.

Zadania o zgodności z zasadami pokazują inny problem. W symulowanej przychodni tylko 19 ze 100 prób dostało wynik powyżej zera, a modele potrafiły podpisać notatkę w imieniu lekarza albo anulować zlecenie innego lekarza. W symulacji pracy dla brokera ubezpieczeniowego 54 z 60 prób zakończyło się krytycznym naruszeniem, m.in. ujawnieniem poufnych danych klienta.

Co ogranicza wiarygodność rankingu

GDPx jest przydatny jako przegląd słabych punktów agentów, ale nie jest niezależnie zweryfikowanym pomiarem. Wskazujemy cztery ograniczenia.

• Filtry bezpieczeństwa. Bez cyberbezpieczeństwa, biologii i zgodności z zasadami kolejność się zmienia, a GPT-6 Astra wysuwa się na prowadzenie z wynikiem 11,8 proc., według THE DECODER.
• Partnerzy. Dostawcy zadań sprzedają też dane treningowe i testowe laboratoriom AI, a SemiAnalysis przyznaje, że nie ma własnej wiedzy eksperckiej w każdej dziedzinie.
• Ocenianie. W części dziedzin wyniki sprawdzają modele językowe według kryteriów ekspertów, a nie ludzie.
• Mała próba. Programista Josh Purtell krytykuje benchmark za zależność od narzędzi producentów i małą liczbę zadań w niektórych obszarach.

Co wynika z GDPx dla polskich firm

W naszej ocenie najważniejsze jest to, że agent może działać sprawnie i mimo to dać wynik niezdatny do użycia. Przed wdrożeniem warto sprawdzić go na własnych zadaniach, bo ranking tego nie zastąpi. W finansach, prawie i medycynie człowiek powinien zatwierdzać każdy wynik, a agent nie powinien podpisywać dokumentów ani wysyłać wiadomości w czyimś imieniu.

Koszt także ma znaczenie. Różnica między 51 a 16 USD za zadanie przy 1,1 punktu procentowego różnicy wyniku może przesądzić o wyborze modelu, ale Gemini 4 Carbon nie jest jeszcze powszechnie dostępny, jak zaznaczają autorzy. Dostępność w Polsce trzeba sprawdzić u producenta przed planowaniem wdrożenia.