El mejor agente de IA resuelve 1 de cada 8 tareas de experto. Qué significa eso para los desarrolladores.
Un nuevo benchmark prueba agentes de IA en trabajo experto real — diseño de chips, finanzas, derecho, trading — y hasta el mejor modelo solo supera el 12%, dando a los desarrolladores el mapa más claro hasta ahora.
- 12.0%
- mejor puntuación total de agente
- ~0%
- puntuación en finanzas y derecho
- 11
- dominios de expertos evaluados
- 206
- tareas en el benchmark
La firma de investigación SemiAnalysis acaba de poner a los mejores modelos de IA del mundo ante 206 tareas reales de expertos — diseño de chips, finanzas, derecho, biología, trading cuantitativo y más. El mejor modelo, Claude Opus 5.5 de Anthropic, completó solo el 12%. No porque la IA sea mala, sino porque las tareas son genuinamente difíciles. Los agentes de IA aún fallan en el 88% del trabajo experto real, y ese número es en realidad un mapa útil para cualquiera que desarrolle con IA hoy.
El desglose importa más que la puntuación general. Claude lideró en trading cuantitativo y diseño de chips. Gemini 4 Carbon de Google destacó en biología e ingeniería de software. ¿Finanzas y derecho? Prácticamente todos los modelos obtuvieron cero — las tareas eran demasiado difíciles para que ninguno resolviera ni una sola. No es un fracaso general de la IA. Es una señal: esos campos no están listos para agentes autónomos que tomen decisiones complejas.
La mayoría de los tests de IA miden si un modelo conoce la respuesta correcta. GDPx preguntó si puede hacer el trabajo de verdad — escribir código real, ejecutar simulaciones reales, completar tareas de varios pasos donde especialistas comprueban el resultado. Cada dominio se desarrolló con una empresa asociada encargada de verificar el resultado. Eso es lo que hace estos números más fiables que benchmarks donde, según SemiAnalysis, el 50% de las tareas resultan defectuosas.
Para quien esté construyendo productos o automatizaciones con IA ahora mismo, este benchmark es un mapa, no un veredicto. El trading cuantitativo y el diseño de chips avanzan rápido. Las finanzas y el derecho no están listos para trabajo autónomo de agentes — al menos no para tareas que requieren juicio experto genuino. La conclusión práctica: centra el trabajo de agentes donde los modelos ya obtienen resultados reales, no donde puntúan cero. SemiAnalysis prevé actualizar GDPx cada tres a seis meses.