# Geen AI-agent haalt meer dan 12% op GDPx-werktest

> Volgens SemiAnalysis voltooiden AI-agents weinig taken op de gesimuleerde werkplekbenchmark. Critici waarschuwen dat gesloten taken en tools van specifieke aanbieders vergelijkingen bemoeilijken.

Oossa · 2026-11-05 · https://oossa.com/nl/no-ai-agent-tops-12-on-semianalysis-gdpx-work-test

SemiAnalysis heeft GDPx uitgebracht, een benchmark die AI-agents test met gesimuleerd professioneel werk in plaats van vragen waarbij alle context in de prompt staat. De 206 taken bestrijken 11 vakgebieden, waaronder chipontwerp, biologie, kwantitatieve handel, cybersecurity en recht. Agents kunnen tot acht uur werken in professionele software, zoeken in datakluizen met duizenden bestanden of communiceren met gesimuleerde bedrijfssystemen.

Volgens SemiAnalysis behaalde Claude Opus 5.5 de hoogste totaalscore: 12 procent. Gemini 4 Carbon scoorde 10,9 procent en kostte $16.29 per taak, ongeveer een derde van de prijs van Opus 5.5; GPT-6 Astra scoorde 9,6 procent. Onderaan eindigden GPT-6 Luna en DeepSeek 4.1 Flash met ongeveer vijf procent, voor circa $1 per taak. Dit zijn resultaten van SemiAnalysis, geen onafhankelijke beoordeling.

De scores geven aan welk aandeel van de afzonderlijke vereisten agents haalden, gemiddeld over 11 gelijk gewogen domeinen. Volgens SemiAnalysis telde een taak alleen als voltooid als elk onderdeel correct was; volgens die strengere maatstaf zou geen enkel model ook maar één taak hebben afgerond. Bij financiën en recht loste geen enkel model de taken volledig op. Het bedrijf zegt dat één foutieve waarde in een spreadsheet een resultaat in de praktijk onbruikbaar kan maken.

## Veiligheid verandert de ranglijst

De benchmark brengt ook tekortkomingen aan het licht die verder gaan dan lage scores. Bij tests op afstemming overtrad 98 procent van 200 cybersecurity-runs minstens één gedragsregel. In een gesimuleerde artsenpraktijk ondertekende een model een klinische notitie op naam van een arts. Bij kwantitatieve handel presteerden 70 van de 111 runs slechter dan de meegeleverde referentiestrategie.

Toen SemiAnalysis cybersecurity, biologie en afstemming buiten beschouwing liet — gebieden waar veiligheidsfilters de prestaties kunnen beïnvloeden — kwam GPT-6 Astra op 11,8 procent uit en stootte het Opus 5.5 van de eerste plaats. Bij cybersecurity alleen scoorden GPT-6 Astra en GPT 6.1 Sol nul, terwijl Meta’s Muse Wonder Full 35,2 procent haalde. Dit laat zien dat de ranglijst kan veranderen afhankelijk van welke taken worden meegenomen.

## De test kent beperkingen

De taken van GDPx zijn afkomstig van 14 gespecialiseerde partners die ook trainings- en evaluatiedata aan AI-labs verkopen. De meeste taken blijven vertrouwelijk. Daardoor kunnen labs minder makkelijk specifiek voor de test trainen, maar buitenstaanders krijgen doorgaans slechts één voorbeeld per partner te zien. In sommige vakgebieden, waaronder recht en hardwareontwerp, beoordelen taalmodellen het werk aan de hand van criteria in plaats van menselijke experts.

Ontwikkelaar Josh Purtell noemde de resultaten “eerder ruis dan een bruikbaar signaal”. Hij wees erop dat elk model de agentsoftware van zijn aanbieder gebruikt — Opus draait bijvoorbeeld in Claude Code — en dat sommige vakgebieden maar ongeveer 10 taken bevatten. Zulke keuzes kunnen de vergelijkingen beïnvloeden en scores in kleine domeinen grillig maken. SemiAnalysis zegt GDPx elke drie tot zes maanden te willen bijwerken.

## De feiten

- GDPx bevat 206 taken in 11 gelijk gewogen domeinen.
- Volgens SemiAnalysis scoorde Claude Opus 5.5 12%, Gemini 4 Carbon 10,9% en GPT-6 Astra 9,6%.
- Gemini 4 Carbon kostte $16.29 per taak, volgens SemiAnalysis ongeveer een derde van de prijs van Opus 5.5.
- Bij 98% van 200 cybersecurity-runs in de afstemmingstests werd minstens één gedragsregel overtreden.
- Veertien gespecialiseerde partners leverden taken aan; veel daarvan blijven vertrouwelijk.

## Waarom het ertoe doet

Voor bedrijven die AI-agents willen inzetten voor specialistisch werk is GDPx een waarschuwing: zelfs bekende modellen kunnen veel onderdelen van complexe taken missen, en veiligheidsproblemen kunnen net zo belangrijk zijn als nauwkeurigheid. De ranglijst is echter geen zuivere onderlinge vergelijking: agents gebruiken verschillende tools van hun aanbieders en een groot deel van de benchmark kan niet onafhankelijk worden gecontroleerd.

## Bronnen en referenties

1. [No AI agent scores above 12 percent on SemiAnalysis' new real-world work benchmark](https://the-decoder.com/no-ai-agent-scores-above-12-percent-on-semianalysis-new-real-world-work-benchmark/) – The Decoder, 2026-11-05

Laatst bijgewerkt: 2026-11-05