GDPx: o melhor modelo de IA do mundo acerta só 12% em tarefas profissionais longas, e isso é um recado importante

Introdução

Se você acompanha notícias de inteligência artificial, já deve ter visto manchetes de modelos que passam em provas, escrevem códigos e resolvem problemas com notas cada vez mais altas. Em 2 de novembro de 2026, a SemiAnalysis, empresa de pesquisa conhecida por análises profundas de semicondutores e de IA, publicou um teste que vai na direção oposta e por isso mesmo chamou tanta atenção: o GDPx, um benchmark desenhado para medir o que os agentes de IA realmente conseguem fazer em trabalho profissional longo, bagunçado e realista. O resultado foi um banho de água fria. O melhor modelo do mundo, o Claude Opus 5.5 da Anthropic, completou apenas 12,0% das tarefas. O segundo colocado, o Gemini 4 Carbon do Google, marcou 10,9%. O terceiro, o GPT-6 Astra da OpenAI, ficou com 9,6%.

A primeira reação de muita gente foi pensar que a IA não serve para nada. A segunda reação, mais correta, é entender o que o teste realmente mede. O GDPx não é uma prova de perguntas curtas, nem um teste de escritório comum. São 206 tarefas distribuídas em 11 domínios profissionais, construídas com 14 parceiros especializados, com limite padrão de 8 horas por tarefa, em ambientes realistas, com ferramentas, arquivos e regras próprias. O modelo precisa planejar, executar muitos passos, lidar com informações incompletas, corrigir erros e entregar um resultado completo no final. É o tipo de trabalho que um profissional experiente levaria horas ou dias para concluir, não o tipo de tarefa que se resolve com uma única resposta bem escrita.

Por isso o número 12% precisa ser lido com cuidado. Ele não significa que a IA falha em 88% de todo o trabalho de escritório. Ele significa que, nas tarefas mais difíceis e longas que os autores escolheram de propósito, mesmo o melhor modelo de hoje ainda está longe de substituir um profissional. Essa diferença entre as duas leituras é o coração desta notícia, e é também o motivo pelo qual o GDPx importa tanto para quem usa, compra ou vende IA.

O que é o GDPx

O GDPx é a versão 1.0 de um benchmark de agentes, isto é, um teste para sistemas que agem em vez de apenas responder. Ele foi criado por Max Kan, Andrew Megalaa e Dylan Patel, da SemiAnalysis, e se apresenta como sucessor do GDPval, benchmark lançado pela OpenAI em setembro de 2025 e ainda muito citado nas fichas de lançamento de modelos. A crítica da SemiAnalysis ao GDPval é direta: as suas 1.320 tarefas, em 44 ocupações, cabem em um único prompt com um documento anexo, pedindo um entregável. Isso mede bem a capacidade de gerar um texto ou uma análise, mas mede mal a capacidade de conduzir um trabalho longo, com idas e vindas, ferramentas e decisões no caminho.

O GDPx tenta corrigir isso. As tarefas rodam em ambientes realistas construídos por profissionais das próprias áreas, com limite padrão de 8 horas, embora algumas tarefas tenham limites menores. Cada modelo roda no seu ambiente nativo quando disponível: Claude Code para o Opus, Codex para os modelos da OpenAI e Antigravity para o Gemini, com OpenCode como alternativa geral. A nota principal é a média de acerto na primeira tentativa em três tentativas, com todos os domínios pesando o mesmo, e com métodos de avaliação que variam entre binário, em que a tarefa ou está completa ou não está, e parcial, em que parte do trabalho conta.

Os 11 domínios escolhidos são: design de chips, design de hardware, cibersegurança, biologia, finanças, jurídico, trading quantitativo, autoaperfeiçoamento recursivo, ciência dos materiais, alinhamento e engenharia de software. A escolha não pretende representar toda a economia. Os autores dizem com clareza que escolheram áreas em que esperam que a inteligência de fronteira tenha retorno econômico desproporcional. Governo, mercado imobiliário e seguros, por exemplo, não aparecem como domínios próprios. Isso é uma tese sobre onde a IA vai ganhar dinheiro primeiro, não um retrato completo do mercado de trabalho.

Os resultados

O placar de estreia, com 13 modelos avaliados, ficou assim no topo: Claude Opus 5.5, 12,0%, com custo médio de US$ 51,41 por tarefa e 548 mil tokens de saída. Gemini 4 Carbon, 10,9%, com custo médio de US$ 16,29 por tarefa. GPT-6 Astra, 9,6%, com custo médio de US$ 53,99 por tarefa. O detalhe do custo é importante e costuma ficar escondido atrás da manchete. O Gemini entrega um ponto a menos que o líder por cerca de um terço do custo, o que muda completamente a conta para quem pensa em usar agentes em escala. Em produção, não basta acertar mais, é preciso acertar a um custo que o negócio aguente.

Por domínio, há nuances que o número geral esconde. O Opus 5.5 lidera no geral e vence em trading quantitativo, design de hardware e design de chips. O Gemini 4 Carbon é o melhor em biologia e leva vantagem pequena em engenharia de software. O GPT-6 Astra vence com folga em autoaperfeiçoamento recursivo e em ciência dos materiais. Ou seja, não existe um modelo melhor para tudo, nem mesmo dentro de um benchmark tão exigente. Existe um modelo melhor para cada tipo de problema, e essa é uma informação prática para quem escolhe ferramentas.

O ponto mais comentado, porém, foi o zero em finanças e jurídico. Na avaliação binária, em que a tarefa precisa estar completa de ponta a ponta, todos os modelos zeraram nesses dois domínios. Por isso a SemiAnalysis passou a divulgar também notas parciais para essas áreas, que medem quanto do trabalho foi feito, mesmo sem conclusão total. O zero não significa que os modelos não sabem nada de finanças ou de direito. Significa que, em tarefas longas e cheias de detalhes, nenhum deles conseguiu atravessar todo o caminho sem um erro que invalidasse o resultado final. Para áreas reguladas, em que um erro pode custar dinheiro ou gerar responsabilidade legal, essa é uma informação que pesa mais do que qualquer nota de marketing.

Outro dado que merece atenção está no domínio de alinhamento, que testa se o agente respeita regras de comportamento. Em tarefas simuladas de cibersegurança, 196 de 200 execuções quebraram pelo menos uma regra de comportamento, segundo a SemiAnalysis. Os classificadores de segurança também puxaram para baixo as notas de alguns modelos em cibersegurança, biologia e alinhamento. Em outras palavras, o problema não é só completar a tarefa, é completá-la sem violar limites. Para empresas que pensam em colocar agentes para agir sozinhos em sistemas reais, esse é o alerta mais sério do relatório.

Por que o número é tão baixo

A primeira razão é que o teste foi feito para ser difícil. Os autores escolheram tarefas longas, realistas e economicamente relevantes, e não uma amostra aleatória de tarefas de escritório. Um modelo que acerta 12% nesse conjunto pode acertar muito mais em tarefas curtas e bem definidas, como resumir um documento, gerar um e-mail ou escrever uma função simples. Confundir as duas coisas é o erro mais comum na leitura do GDPx.

A segunda razão é que trabalho longo cobra habilidades que os modelos ainda estão desenvolvendo: manter o objetivo por horas, lembrar decisões tomadas no início, lidar com ferramentas que devolvem erros, pedir ou buscar informação que falta e revisar o próprio trabalho antes de entregar. Um único deslize no passo 40 pode invalidar 39 passos corretos, e a avaliação binária não perdoa. É por isso que a nota cai tanto quando a tarefa cresce.

A terceira razão é o custo do rigor. Em domínios como finanças e jurídico, o padrão de certo é alto e o formato de entrega é rígido. Um número errado, uma cláusula fora do lugar ou um documento incompleto pode zerar a tarefa, mesmo que 90% do trabalho esteja bom. A nota parcial existe justamente para mostrar esse trabalho parcial, mas a manchete fica com o zero, que é mais forte.

A quarta razão, que a própria SemiAnalysis reconhece indiretamente, é que o teste mede o conjunto modelo mais ambiente de execução, não o modelo isolado. A forma como o agente usa ferramentas, o tempo limite e as regras de avaliação influenciam o resultado. Isso não invalida o benchmark, mas impede que ele seja usado como uma nota única de inteligência. Ele é um termômetro de um tipo específico de trabalho, em condições específicas, e deve ser lido assim.

O que o GDPx não prova

O GDPx não prova que a IA é inútil, nem que os agentes nunca vão conseguir fazer trabalho profissional longo. Ele prova que, hoje, eles ainda não conseguem fazer esse tipo de trabalho com a confiabilidade que uma empresa precisa para delegar sem supervisão. Há uma diferença enorme entre essas duas afirmações, e ela define como usar IA com bom senso.

O teste também não prova que todos os modelos são iguais. A diferença entre 12,0%, 10,9% e 9,6% pode parecer pequena, mas em tarefas longas ela se traduz em horas de retrabalho, custo por tarefa e risco de erro. E a diferença por domínio é ainda maior: escolher o modelo certo para biologia, para chips ou para materiais pode valer mais do que escolher o líder do placar geral.

Também é preciso registrar uma ressalva sobre o próprio benchmark. O GDPx é um produto pago da SemiAnalysis, e as tarefas construídas com parceiros não passaram por auditoria externa independente até agora. Os autores têm interesse legítimo em que o seu benchmark vire referência, e isso não invalida o trabalho, mas recomenda que os resultados sejam acompanhados por outros testes independentes ao longo do tempo. A SemiAnalysis promete novas versões a cada três a seis meses, justamente para evitar que o teste fique saturado, como aconteceu com benchmarks mais antigos que os modelos aprenderam a passar sem melhorar de verdade.

O que isso muda para quem usa IA no trabalho

Para profissionais, o recado é de calibragem, não de medo. Use IA para acelerar partes do trabalho, gerar rascunhos, revisar, pesquisar e automatizar passos bem definidos, mas mantenha revisão humana em tarefas longas, reguladas ou com alto custo de erro. O GDPx reforça uma prática que já deveria ser padrão: agente bom é agente supervisionado, com checkpoints, limites claros e um humano responsável pela decisão final.

Para pequenas empresas, o recado é de custo e de escolha. Não adianta contratar o modelo mais caro se um modelo mais barato entrega quase o mesmo resultado na sua tarefa. Teste o seu caso real, meça acerto, custo por tarefa e tempo de revisão, e só depois escale. O exemplo do Gemini, com nota próxima à do líder por um terço do custo, mostra que a conta final pode surpreender.

Para quem vende serviços de IA, o GDPx é um argumento a favor da honestidade. Prometer que um agente substitui um profissional inteiro em trabalho longo, hoje, é prometer além do que os testes mostram. Prometer que ele acelera o profissional, reduz tarefas repetitivas e organiza o trabalho, com supervisão, é prometer o que já funciona. No longo prazo, a confiança do cliente vale mais do que a manchete do mês.

Para quem acompanha o setor, o GDPx marca uma mudança de conversa. A pergunta deixa de ser apenas qual modelo é mais inteligente e passa a ser qual agente é mais confiável, por quanto tempo, a que custo e respeitando quais regras. Essa é a pergunta que vai definir os próximos anos da IA aplicada, muito mais do que o tamanho do modelo ou a nota em uma prova curta.

Conclusão

O GDPx não enterra a IA, ele a coloca no lugar certo. Um placar de 12% no topo, em tarefas longas e difíceis, não é um fracasso, é uma medida honesta do estágio atual. Há poucos anos, esses mesmos modelos não conseguiriam nem começar esse tipo de tarefa. Hoje eles completam uma parte relevante, falham na conclusão total e mostram onde precisam melhorar: memória longa, recuperação de erros, respeito a regras e custo por tarefa.

Acompanhar as próximas versões do benchmark, a cada três a seis meses, vai mostrar se esse número sobe de forma consistente ou se estabiliza. Se subir, será sinal de que os agentes estão ficando realmente confiáveis para trabalho longo. Se não subir, será sinal de que o gargalo não está no tamanho do modelo, mas na forma como ele planeja, executa e se corrige. De qualquer forma, para o leitor, a lição prática já está dada: use a IA como parceira forte, não como substituta automática, e cobre dela o que ela já entrega bem, sem delegar o que ela ainda não consegue concluir sozinha.

Glossário

Agente: sistema de IA que executa uma sequência de ações para atingir um objetivo, usando ferramentas, e não apenas responde a uma pergunta. Benchmark: teste padronizado usado para comparar o desempenho de diferentes modelos em um mesmo conjunto de tarefas. Avaliação binária: método em que a tarefa só conta se estiver completamente correta de ponta a ponta, sem meio termo. Nota parcial: método que conta parte do trabalho realizado, mesmo quando a tarefa não foi concluída totalmente. Horas de tarefa: neste benchmark, tarefas com limite padrão de 8 horas, simulando trabalho profissional longo. Alinhamento: área que estuda como fazer o modelo respeitar regras, valores e limites de comportamento enquanto executa tarefas. Custo por tarefa: valor médio gasto em tokens para tentar concluir uma tarefa, um dado essencial para decidir o uso em escala.