El mejor modelo saca un 12% cuando le piden hacer un trabajo

La firma de análisis SemiAnalysis publicó el 2 de noviembre GDPx, un benchmark que no pregunta cosas de examen sino que encarga trabajos. Once áreas elegidas por su valor económico: diseño de chips, hardware, ciberseguridad, biología, trabajo legal, trading cuantitativo, ciencia de materiales, ingeniería de software y alguna más. El ganador fue Claude Opus 5.5, de Anthropic. Su nota: un 12%.

Por qué este número importa

Casi todos los benchmarks que ves en los anuncios miden preguntas con respuesta cerrada, y los modelos punteros ya rozan el 90% en muchos de ellos. GDPx intenta otra cosa: tareas largas, abiertas y con criterio profesional, del tipo que un banco o una empresa de semiconductores pagaría a un especialista. Ahí el techo actual está en el 12%.

Eso no significa que la IA sea inútil en esos trabajos. Significa que funciona como ayudante de un experto, no como sustituto. Es exactamente la diferencia entre "me ahorra horas" y "hace el trabajo solo", que es la que se difumina en casi todas las presentaciones comerciales.

La parte incómoda: medir la disposición a intentarlo

El detalle más interesante del informe no es el podio. SemiAnalysis reconoce que algunos modelos sacan notas bajas en ciertas áreas, como biología o ciberseguridad, porque sus clasificadores de seguridad bloquean la tarea antes de empezar. El benchmark acaba midiendo dos cosas mezcladas: lo que el modelo sabe hacer y lo que su fabricante le deja hacer.

Es el mismo dilema que vimos cuando OpenAI frenó a Astra por ser demasiado bueno hackeando, pero visto desde la tabla de resultados: un modelo con más frenos puede quedar peor clasificado sin ser peor herramienta.

La lectura sin humo

GDPx es un benchmark nuevo, hecho por una sola firma, con su propia selección de tareas y su propia forma de puntuar. Hay que tomarlo con la misma cautela que cualquier otro, y aplicar lo que contamos en cómo leer un benchmark sin que te la cuelen. Pero el orden de magnitud es la noticia: cuando la tarea es de verdad difícil y larga, los mejores modelos fallan casi siempre. Guárdate ese 12% para la próxima vez que alguien te venda un agente que "trabaja como un analista sénior".

Fuentes: BYOBot, resumen de GDPx · 3 de noviembre de 2026