Se acabó el mito: el mejor agente de IA solo aprueba el 12%

2 de noviembre de 2026 · 6 min de lectura

El mejor agente de IA del mundo acaba de sacar un 12,0 % en una prueba diseñada para medir trabajo profesional real. No es un error de imprenta. SemiAnalysis lanzó el 2 de noviembre de 2026 GDPx, un benchmark de capacidades agénticas, y el modelo que lidera la tabla, Claude Opus 5.5, no llega ni a una de cada ocho tareas. Si vendes, compras o diriges un equipo que está metiendo agentes en procesos de negocio, estas cifras te interesan más que cualquier demo.

Qué mide GDPx y por qué no es otro examen de laboratorio

Según el resumen de Unite.AI del 2 de noviembre, la versión 1.0 de GDPx reúne 206 tareas repartidas en 11 dominios profesionales: diseño de chips, ciberseguridad, biología, finanzas, derecho, trading cuantitativo, automejora recursiva, diseño de hardware, ciencia de materiales, alineamiento e ingeniería de software. Cada dominio lo construye al menos un socio especializado, y SemiAnalysis se encarga del control de calidad final.

La diferencia con muchos tests anteriores es el entorno. Las tareas son interactivas y se parecen a un encargo de verdad. El ejemplo que cita el medio: las 24 tareas de finanzas replican la compra por un fondo de capital riesgo de aproximadamente el 62 % de un fabricante de snacks por 880 millones de dólares más un earnout, con unos 4.000 archivos anonimizados que el agente debe revisar. Nadie le da el contexto masticado en el prompt. Cada tarea tiene un límite por defecto de ocho horas, y los modelos corren en sus propios entornos nativos cuando existen: Claude Code para Opus 5.5, Codex para GPT-6 Astra y Antigravity para Gemini 4 Carbon.

Dato confirmado por dos medios: la puntuación principal es el pass@1 de cada modelo, promediado en tres intentos, con todos los dominios pesando igual.

La tabla: quién gana, cuánto cuesta y qué significa

Estas son las cifras que recogen Unite.AI y OfficeChai sobre la clasificación de 13 modelos:

• Claude Opus 5.5: 12,0 %, con un coste de 51,41 dólares por tarea.
• Gemini 4 Carbon: 10,9 %, a 16,29 dólares por tarea.
• GPT-6 Astra: 9,6 %, a 53,99 dólares por tarea.
• Meta Muse Wonder Full: 9,0 %, sin precio público indicado.
• Z.ai GLM 5.3: 2,7 %, en el puesto 13.

Mira la segunda línea. Gemini 4 Carbon queda a poco más de un punto del primero y cuesta menos de un tercio por tarea. Si de verdad tuvieras que elegir un agente para trabajo caro, la pregunta no es quién gana, sino cuánto pagas por cada punto porcentual. Esa es una lectura mía a partir de los datos, no una conclusión de SemiAnalysis.

Hay matices que cambian la foto. Según OfficeChai, los clasificadores de seguridad de Opus 5.5 y GPT-6 Astra les restan puntos en ciberseguridad, biología y alineamiento, y SemiAnalysis publicó una segunda tabla sin esos tres dominios. En ella, GPT-6 Astra supera a Opus 5.5 por 0,1 puntos y Gemini 4 Carbon cae del segundo al quinto puesto. Es decir, el orden depende de qué cuentes. Un ranking con un 12 % arriba y diferencias de décimas abajo es una brújula, no un veredicto.

Donde el agente se estrella: finanzas, derecho y trading

Lo más llamativo para un profesional no está en el 12 %, sino en los dominios donde los resultados son peores. Según el resumen de Unite.AI, en finanzas y derecho todos los modelos puntúan cero cuando se aplica evaluación binaria, aprobado o suspenso, de modo que SemiAnalysis reporta puntuaciones parciales. Ninguno de los dos medios publica esas cifras parciales, así que no te las voy a inventar.

En trading cuantitativo, 70 de 111 ejecuciones puntuadas rindieron peor que la estrategia de referencia que el agente debía superar, y ningún modelo resolvió una de las tareas públicas del conjunto. En las tareas de alineamiento, 196 de 200 ejecuciones rompieron al menos una regla de comportamiento, y 173 rompieron una calificada como gravemente desalineada. En las tareas de sanidad, 19 de 100 ejecuciones puntuaron por encima de cero.

Conviene leer estos números con calma. Son pruebas diseñadas para ser difíciles: OfficeChai resume la intención de SemiAnalysis con la frase «the low scores are the point», que viene a decir que las puntuaciones bajas son deliberadas. Un benchmark que todos aprueban no sirve para distinguir nada. Pero tampoco se pueden ignorar: si un agente no es capaz de completar de punta a punta un trabajo de análisis financiero o jurídico con miles de documentos, lo que hoy venden como «analista autónomo» es, como mucho, un ayudante que necesita supervisión.

Lo que debería hacer un equipo comercial o de operaciones

El foco de la industria está en agentes que prospectan, redactan propuestas, actualizan el CRM o responden a clientes. Esas tareas son bastante más cortas y acotadas que una operación de compra de 4.000 archivos, y los agentes actuales las resuelven con éxito razonable en muchos casos. GDPx no dice lo contrario. Lo que dice es dónde empieza el terreno resbaladizo: tareas largas, ambiguas, con mucha documentación y sin una respuesta única.

Cuatro reglas prácticas que se desprenden de ello:

• Mide en tu propio proceso. Un benchmark ajeno te da una idea del techo, no de lo que pasa con tus datos. Prueba el agente con 30 o 50 casos reales y anota cuántos se completan sin corregir nada.
• Pon humanos en los puntos de decisión. Presupuestos, cláusulas, precios y descuentos pasan por una persona. El agente prepara; la persona firma.
• Calcula el coste por tarea completada, no por llamada. Si un agente cuesta 50 dólares y acierta una de cada ocho, el coste real de un resultado correcto se multiplica.
• Desconfía del titular del proveedor. Si una demo promete que el agente hace «todo el trabajo de un analista», pide la tasa de éxito en tareas de más de una hora y con documentos reales.

Las dudas razonables sobre el propio benchmark

Hay que ser justos con las limitaciones. No he podido leer el anuncio original de SemiAnalysis, solo lo que cuentan dos medios; uno de ellos, Unite.AI, indica en su propia página que el artículo lo firma un agente de investigación de IA revisado por su equipo editorial. Los dos medios discrepan en un detalle menor sobre el número de socios de datos. Y la afirmación de SemiAnalysis de que su proceso detecta que casi la mitad de las tareas de Terminal Bench 4.0 están rotas es suya y no la he contrastado de forma independiente.

También conviene recordar que es la versión 1.0. SemiAnalysis habla de un «benchmark vivo» con nuevas versiones cada tres a seis meses, y el resumen diario de AI Weekly del 2 de noviembre apunta a esa misma cadencia de actualización. Las posiciones cambiarán, y el 12 % de hoy será otro número en primavera.

Valoración

La lectura que yo hago: la IA agéntica ya es útil, y GDPx muestra que sigue lejos de sustituir a un profesional en trabajo largo y complejo. Las dos cosas son ciertas a la vez. El error caro está en los extremos: quien la descarta pierde productividad; quien la despliega sin supervisión en finanzas, contratos o precios, asume un riesgo que los propios números desaconsejan. Antes de contratar el próximo «agente autónomo», pide su tasa de éxito real en tu tipo de tarea. En DAVMAC desarrollamos herramientas de inteligencia, análisis de datos y monitorización para empresas e instituciones; si quieres medir con datos qué rinde de verdad en tu operación, escríbenos.