GDPx testa gli agenti IA: Opus 5.5 è primo con il 12%

SemiAnalysis ha pubblicato GDPx, un benchmark per agenti di intelligenza artificiale che comprende 206 attività in 11 domini, dalla progettazione di chip alla biologia, dalla finanza alla sicurezza informatica. Nella classifica iniziale Claude Opus 5.5 è primo con il 12%, seguito da Gemini 4 Carbon al 10,9% e GPT-6 Astra al 9,6%. I risultati sono quelli del test progettato e coordinato da SemiAnalysis: non misurano la quota di lavoro professionale che un agente può svolgere né costituiscono una replica indipendente. La società ha presentato GDPx nel suo annuncio del 2 novembre 2026.

In sintesi: GDPx mette alla prova agenti che usano strumenti e operano in ambienti simulati, con compiti specialistici e tempi lunghi. Il punteggio aggregato permette di confrontare i modelli secondo le regole del benchmark, ma nasconde risultati diversi da un dominio all’altro e non dimostra come si comporterebbero nel lavoro quotidiano.

Che cosa significa il 12% di GDPx

La percentuale non va tradotta in «il modello sa fare il 12% del lavoro». Il punteggio riassume le prestazioni nelle attività incluse nel benchmark: SemiAnalysis dichiara che il risultato principale è espresso come pass@1 su tre tentativi, che tutti gli 11 domini hanno lo stesso peso e che, quando un dominio ha più partner, i contributi di ciascuno sono pesati in modo uguale. Le prove usano valutazioni binarie o parziali, a seconda del dominio. Il valore complessivo è quindi legato alla selezione dei compiti, ai criteri di correzione e all’aggregazione stabilita dagli autori.

GDPx valuta agenti che possono servirsi di strumenti e lavorare in ambienti operativi, non soltanto modelli chiamati a rispondere a una domanda. Il limite di tempo predefinito è di otto ore per attività, anche se alcuni compiti hanno un limite inferiore. Quando disponibile, ogni modello viene eseguito nel proprio ambiente operativo. SemiAnalysis riferisce di aver collaborato con 14 partner specializzati nella preparazione delle attività e di aver sottoposto i compiti a una procedura di controllo qualità.

Undici domini scelti per le capacità avanzate

GDPx copre progettazione di chip, cybersecurity, biologia, finanza, diritto, trading quantitativo, auto-miglioramento ricorsivo dei sistemi, progettazione hardware, scienza dei materiali, allineamento e ingegneria del software. La scelta riflette la tesi di SemiAnalysis su quali settori potrebbero beneficiare maggiormente dell’intelligenza artificiale avanzata; non è un campione rappresentativo di tutte le professioni o dell’intera economia.

La classifica generale, inoltre, riassume prestazioni che cambiano sensibilmente in base al compito. Secondo SemiAnalysis, Opus 5.5 è in testa nel trading quantitativo e nella progettazione hardware e di chip; Gemini 4 Carbon prevale nella biologia e ottiene un risultato leggermente migliore nell’ingegneria del software; GPT-6 Astra guida nelle prove di auto-miglioramento ricorsivo e scienza dei materiali. Nelle attività di finanza e diritto, riferiscono gli autori, quasi tutti i modelli ottengono zero con la valutazione binaria, pur potendo ricevere punteggi parziali. Il dato complessivo non descrive quindi una competenza uniforme.

Il confronto con GDPval: due disegni diversi

GDPx si distingue per compiti agentici più lunghi e ambienti in cui i modelli possono usare strumenti. Un punto di confronto è GDPval di OpenAI: la sua versione iniziale copre 44 professioni e centinaia di attività, ma è descritta dalla stessa OpenAI come una valutazione one-shot, senza iterazioni tra più fasi. Il confronto chiarisce la differenza tra le impostazioni dei due benchmark; non stabilisce quale dei due rappresenti meglio ogni possibile attività professionale, né rende direttamente comparabili i punteggi.

Che cosa resta da verificare fuori dal benchmark

La cautela principale riguarda la provenienza dei risultati: SemiAnalysis ha scelto i domini, coordinato i partner, definito la metodologia e pubblicato la classifica. La società sostiene inoltre che i classificatori di sicurezza abbiano ridotto i punteggi di Opus 5.5 e GPT-6 Astra in alcune prove di cybersecurity, biologia e allineamento. È una spiegazione fornita dagli autori, non una correzione verificata da una valutazione indipendente.

Per chi deve scegliere un modello o valutare un agente, GDPx offre un confronto entro un insieme dichiarato di prove specialistiche; non documenta da solo prestazioni, affidabilità o convenienza in un’organizzazione reale. Per misurare quelle caratteristiche servono anche prove condotte sui compiti, sugli strumenti e sui criteri del contesto in cui si intende usare il sistema. SemiAnalysis dichiara di voler aggiornare GDPx ogni tre-sei mesi: le versioni successive potranno mostrare come cambiano i risultati, ma il confronto nel tempo dipenderà anche dalla stabilità dei compiti e delle regole di valutazione.