GDPx, el nuevo banco de pruebas de SemiAnalysis: incluso Claude Opus 5.5, en primer lugar, solo logra el 12%
La consultora SemiAnalysis publicó el 2 de noviembre GDPx, un banco de pruebas de 206 tareas de agentes en 11 áreas de alto valor (diseño de chips, ciberseguridad, biología, finanzas, derecho…). Claude Opus 5.5 lidera con un 12,0, por delante de Gemini 4 Carbon (10,9) y GPT-6 Astra (9,6). Los filtros de seguridad de los modelos lastran la clasificación.
La consultora de análisis SemiAnalysis publicó el 2 de noviembre de 2026 GDPx, un banco de pruebas para agentes de IA que aspira a suceder a GDPval, el test de OpenAI lanzado en septiembre de 2025. El veredicto de la versión 1.0: ningún modelo supera el 12%. Claude Opus 5.5 se sitúa en primer lugar con un 12,0, por delante de Gemini 4 Carbon (10,9) y GPT-6 Astra (9,6).
206 tareas en los sectores donde la IA debe generar beneficios
GDPx incluye 206 tareas repartidas en 11 áreas seleccionadas porque, según SemiAnalysis, los primeros ingresos masivos de la IA procederán de los sectores capaces de emplear la IA más avanzada con un alto retorno de inversión: diseño de chips, ciberseguridad, biología, finanzas, derecho, trading cuantitativo, automejora recursiva, diseño de hardware, ciencia de materiales, alineamiento e ingeniería de software. La administración pública, el sector inmobiliario o los seguros han quedado deliberadamente fuera.
La diferencia respecto a GDPval radica en los entornos. En lugar de un enunciado detallado con un archivo adjunto, cada tarea sumerge al agente en un entorno simulado: una sala de datos de adquisición de empresas con unos 4.000 archivos en finanzas, servicios informáticos en funcionamiento estructurados en torno a vulnerabilidades inéditas en ciberseguridad o sesiones de software de CAD en diseño de hardware. Las tareas proceden de 14 empresas especializadas que desarrollan entornos de entrenamiento para los laboratorios. Cada modelo dispone de hasta 8 horas por tarea, en su entorno nativo cuando este existe (Claude Code, Codex, Antigravity), y la puntuación computada corresponde al acierto al primer intento, promediado en tres tentativas, con idéntico peso para cada disciplina.
Una clasificación muy dispar según el área
| Modelo | Puntuación GDPx |
|---|---|
| Claude Opus 5.5 | 12,0 |
| Gemini 4 Carbon | 10,9 |
| GPT-6 Astra | 9,6 |
| Muse Wonder Full | 9,0 |
| Claude Fable 5.1 | 8,5 |
| GPT 6.1 Sol | 8,4 |
| Claude Sonnet 5.5 | 8,2 |
| Gemini 4 Argon | 7,3 |
| Grok 4.7 | 3,9 |
| GLM 5.3 | 2,7 |
Extracto de la clasificación general publicada en el sitio web de GDPx, consultado el 2 de noviembre de 2026.
Tras el promedio, los perfiles resultan sumamente especializados. Según SemiAnalysis, Opus 5.5 lidera en trading cuantitativo, diseño de hardware y diseño de chips; Gemini 4 Carbon en biología y, por un estrecho margen, en ingeniería de software; GPT-6 Astra en automejora recursiva y ciencia de materiales. En finanzas y derecho, la dificultad de las tareas es tal que casi todos los modelos obtienen cero con la evaluación binaria inicial, por lo que la clasificación muestra allí una puntuación parcial.
Los filtros de seguridad alteran el resultado
SemiAnalysis destaca que las puntuaciones de Opus 5.5 y GPT-6 Astra se ven penalizadas por sus clasificadores de seguridad, que en ocasiones se activan en ciberseguridad, biología y alineamiento. Por ello, la consultora publica una segunda tabla que prescinde de estas tres áreas. Asimismo, considera que Muse Wonder Full es hoy el mejor modelo disponible en ciberseguridad y atribuye la victoria de Gemini 4 Carbon en biología, con gran probabilidad, a filtros menos rigurosos. Gemini 4 Carbon, anunciado a finales de octubre con un acceso restringido en un primer momento, aún no está al alcance de todos.
Nuestro análisis
GDPx tiene el mérito de evaluar aquello que las empresas realmente buscan adquirir: un agente que debe localizar primero la información en un entorno realista antes de generar un resultado útil. Unas puntuaciones en torno al 10% recuerdan que la autonomía en tareas especializadas de varias horas sigue estando lejos. Conviene mantener dos reservas: la mayoría de las tareas son privadas y proceden de proveedores de datos para laboratorios, y los resultados no han sido replicados. La conclusión más práctica para un comprador es otra: dado que los filtros de seguridad restan puntos en ciertas disciplinas, el «mejor modelo» depende tanto de las políticas de moderación de su desarrollador como de sus capacidades brutas.
Fuentes
- GDPx — sitio oficial y clasificación (SemiAnalysis) Fuente primaria
- SemiAnalysis — GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains (2 de noviembre de 2026) Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
