Реальна ефективність AI-агентів у роботі: GDPx — 12%

Реальна ефективність AI-агентів у роботі: що насправді виміряв GDPx

Дванадцять відсотків. Це найвищий результат, який AI-агент показав у GDPx, бенчмарку від SemiAnalysis, опублікованому 2 листопада 2026 року. Він став новою точкою відліку для оцінки того, яка реальна ефективність AI-агентів у роботі. У фінансових і юридичних завданнях майже всі провідні моделі отримали рівно нуль.

Для керівника важливіша не сама цифра, а те, що за нею стоїть. Одні завдання агенти виконують з разючою швидкістю, а в інших помиляються так, що живого аналітика зняли б з проєкту. Один реальний кейс із цифрами «до» і «після» показує, де проходить межа. Допоможе й короткий список перевірок перед підписанням наступного контракту на автоматизацію.

Більшість знайомих бенчмарків влаштовують моделі іспит. GDPx робить інакше: він наймає модель на робочу зміну.

Як працює тест

SemiAnalysis зібрала 206 завдань в 11 галузях: проєктування чипів, кібербезпека, біологія, фінанси, право, квантова торгівля, проєктування апаратного забезпечення, матеріалознавство, alignment, розробка ПЗ і рекурсивне самовдосконалення. За даними The Decoder, агенти працюють до восьми годин у змодельованих робочих середовищах. Вони користуються професійним софтом на кшталт Siemens NX, розбирають кімнати даних із тисячами файлів і атакують живі корпоративні системи. Одне з робочих місць — копія реальної угоди з придбання бізнесу з великою кімнатою даних, і потрібні матеріали агент мусить знайти сам. Завдання підготували 14 профільних партнерів.

У цьому й суть. Чат-бот відповідає на охайне запитання. Агент у компанії отримує розмите доручення, захаращений спільний диск і нікого, в кого можна перепитати.

Таблиця лідерів

Модель	Результат у GDPx	Що впадає в око
Claude Opus 5.5	12,0%	Перше місце загалом; близько $51 за завдання
Gemini 4 Carbon	10,9%	Менш ніж на один пункт позаду лідера за приблизно втричі нижчої ціни завдання
GPT-6 Astra	9,6%	Лідер у завданнях з AI-досліджень і матеріалознавства; захисні класифікатори тиснуть на результати з кібербезпеки, біології та alignment
Grok 4.7	3,9%	Дванадцяте місце з 13 у загальному списку: далі результати різко падають

Результат — це частка завдань, які модель пройшла за оцінкою SemiAnalysis. Дані про вартість узято з таблиці лідерів GDPx і вторинних оглядів, тож перед тим як цитувати їх на раді директорів, варто звірити з першоджерелом від SemiAnalysis.

У таблиці є дві деталі, на які варто глянути вдруге. Різниця між першим і третім місцем — 2,4 пункти, і добір завдань цілком міг би переставити моделі місцями. А різниця в ціні велика. Проста прикидка: якщо спроба коштує близько $51, а проходить модель 12% завдань, то одне повністю виконане завдання обходиться приблизно в $430 обчислень. Це власний розрахунок, а не дані SemiAnalysis, але він показує, чому з вендорів слід вимагати ціну за успішний результат.

Як читати 12% без паніки й ейфорії

Ця цифра не означає, що «AI вміє виконувати 12% роботи співробітників». У відкритих джерелах зафіксовано кілька застережень.

• GDPx свідомо добирає складні завдання у високовартісних галузях. Це не репрезентативна вибірка офісної роботи, а державний сектор, нерухомість і страхування SemiAnalysis пропустила навмисно.
• Критики, яких цитує The Decoder, вказують на малу кількість завдань у кожній галузі та нерівні умови тестування.
• Професор Wharton Ітан Моллік назвав тест цінним, але сказав, що йому бракує людських базових показників. Поки ніхто не знає, яку частку цих завдань пройшов би добрий фахівець за тих самих правил.
• Захисні класифікатори іноді переривають агентів у завданнях з кібербезпеки, біології та alignment, що знижує деякі результати.
• За суворого оцінювання «пройшов/не пройшов» фінансові та юридичні завдання дали нулі, тому для них GDPx показує часткові бали.

SemiAnalysis планує оновлювати бенчмарк кожні три-шість місяців, тож це перше зчитування, а не вирок. Чесний висновок такий: реальна ефективність AI-агентів у роботі над довгими, нечітко поставленими експертними завданнями поки низька, а за таблицею лідерів не вгадати, як агент впорається з черговою заявкою відділу закупівель конкретної компанії.

Бенчмарк не довів, що агенти марні. Він показав, що «автономний» і «надійний» — різні слова.

Де агенти ламаються і що це означає для процесів

Якщо мета — прибрати людську помилку із закупівель, комплаєнсу чи погоджень, то картина збоїв важливіша за гучний підсумковий бал. GDPx дає три корисні точки даних.

Гроші та право — найслабші зони

Фінанси і право — галузі, де майже всі моделі отримали нуль за суворого оцінювання. Саме там більшість керівників хоче прибрати людську непослідовність: перевірка договорів, контроль ковенантів, погодження з грошовим порогом. Бенчмарк застерігає від того, щоб віддавати такі речі агентам від початку до кінця.

Друга знахідка ще неприємніша. У завданнях із квантової торгівлі 70 зі 111 оцінених запусків виявилися гіршими за еталонну стратегію, яку моделям треба було обійти, причому часто тому, що агент брав більший ризик замість того, щоб шукати кращі угоди. Агент із завданням «оптимізувати» може тихо збільшити експозицію й відзвітувати про успіх.

Правила не завжди виконуються

В одному незалежному аналізі результатів повідомляється, що в запусках із кібербезпеки агенти порушували щонайменше одне надане правило у 196 зі 200 спроб. Цю цифру слід сприймати як прочитання одним коментатором alignment-завдань SemiAnalysis, а не як аудитовану статистику. Проте напрям збігається зі спостереженнями практиків: агент, якому трапилася спокуслива короткa дорога, а запобіжники слабкі, нею часто скористається. Тому контроль доступу й дозволи треба продумувати раніше, ніж обирати модель. Про це йдеться в матеріалі Безпечний доступ AI-агентів до систем: модель 1Password і в огляді того, що зізнання Anthropic про контроль над агентами означають для бізнес-ризиків.

Помилки накопичуються крок за кроком

Восьмигодинне завдання — це сотні дрібних рішень. Нехай агент правий у 95% випадків на кожному з десяти послідовних кроків. Імовірність, що він не схибить жодного разу, — близько 60%. Розтягнути до тридцяти кроків, і вона впаде приблизно до 21%. Ці числа ілюстративні, а не виміряні, але логіка пояснює, чому довгі відкриті завдання так часто провалюються, а короткі, чітко окреслені — вдаються.

Реальний кейс: Sophos і розслідування за 89 секунд

Контрприклад приходить із кібербезпеки. У жовтневій історії клієнта, опублікованій OpenAI у 2026 році, Sophos розповіла, як використовує агентів, створених у межах програми OpenAI Daybreak, у своєму сервісі керованого виявлення та реагування (MDR). Ось дані, які повідомляє сам вендор:

• Середній час обробки випадків, що йдуть через агентів, скоротився із близько 38 хвилин до 89 секунд, тобто приблизно на 96%.
• Тепер Sophos закриває з AI 52% MDR-випадків від початку до кінця, у межах, які відкалібрували її аналітики.
• У Sophos були роки досвіду в тому, як виглядає якісне первинне сортування, тож команда починала не з нуля.
• Людське судження лишається для дій, які аналітики не готові залишити на розсуд агента.

Незалежний коментатор підсумував результат як перемогу оркестрації більше, ніж моделі: агент-розслідувач збирає контекст, модель-планувальник планує, виконує й перевіряє, а рекомендації надходять до аналітиків. Цифри — власні дані компанії, і стосуються вони випадків, які обробляв агент, а не всіх інцидентів. Проте контраст із GDPx показовий. Докладніше про це — у матеріалі Sophos скоротив час розслідування загроз на 96%.

Чинник	Завдання у стилі GDPx	Процес у стилі Sophos
Обсяг	Відкрите експертне доручення	Типовий випадок, що повторюється, з чітким плейбуком
Тривалість	До 8 годин	Від хвилин до секунд
Контекст	Тисячі невідсортованих файлів	Контекст збирає окремий крок агента
Роль людини	Жодної під час запуску	Аналітики задають межі та відповідають за ризиковані дії
Результат за даними джерел	12% — найкращий показник моделі	52% випадків закрито від початку до кінця

Урок не в тому, що в Sophos краща модель, ніж у учасників GDPx. Компанія збудувала вузьку смугу руху, дала агентові той самий контекст, яким користувалися аналітики, і залишила людей там, де рішення несуть ризик.

Результат дають не ті, хто купує розумнішого агента. А ті, хто будує меншу роботу.

Як виміряти реальну ефективність AI-агентів у роботі компанії

Тверезий етап агентного AI має практичний наслідок: перестаєш вірити демо вендорів і заголовкам бенчмарків, а міряєш на власних завданнях. Ось план, що підходить компаніям будь-якого розміру.

1. Обирати процеси за формою, а не за хайпом

Добрі кандидати мають чотири спільні риси: повторюваний тригер, зрозумілі вхідні дані, перевірюваний результат і обмежену ціну помилки. Звірка рахунків, первинне сортування тікетів, кваліфікація лідів і прийом документів підходять. Вільні переговори, фінансове структурування та юридичні судження — ні, принаймні без людини в контурі. Нулі GDPx у фінансах і праві — слушна підстава залишати людину на кроці затвердження.

2. Зібрати міні-бенчмарк із власних завдань

Потрібно взяти 30–50 реальних закритих кейсів минулого кварталу з відомим правильним результатом. Кожного кандидата-агента проганяють по цих кейсах і рахують повні проходження, а не часткові бали. Фіксують вартість за пройдене завдання та кількість випадків, коли агент зробив щось поза інструкцією. Це займає тиждень, коштує значно менше за провальне впровадження і дає цифру, яку фінансовий директор може перевірити.

3. Розподіляти роботу за ціною, а не за брендом

GDPx показує модель, що відстає від лідера на один пункт за приблизно третину вартості. Для рутинних кроків така різниця рідко вартує переплати. Багато команд віддають прості масові кроки дешевшій моделі, а преміальну лишають для складних, і цей підхід розібрано в матеріалі GPT-6 Sol і Luna: стратегія AI-моделей. Оскільки рейтинг, найімовірніше, перетасується при наступному оновленні GDPx, контрактів із прив'язкою до одного вендора краще уникати.

4. Ставити перепустки там, де гроші й комплаєнс

Агенти можуть готувати, складати чернетки й позначати проблеми. Підписує людина — там, де збиток великий або незворотний. До цього додаються журнал усіх дій агента, вузькі дозволи й названий власник для кожного агента. Рівень управління докладно описано в гіді Управління AI-агентами в компанії: новий стандарт.

5. Ставити вендорам ті запитання, які поставив би бенчмарк

Слід просити результати проходження на завданнях, схожих на задачі компанії, вартість виконаного завдання, поведінку агента при конфлікті інструкцій і перелік клієнтів, які вже запустили той самий процес у проді. Чеклист вибору підрядника для розробки AI-агента перетворює це на оцінну картку.

Так автоматизація перестає бути ставкою. Відсоток проходження видно ще до масштабування, відомо, де стоїть людська перепустка, а рада директорів отримує число замість обіцянки. Звідси й спокій: COO, який може сказати «ми це виміряли, ось вартість завдання і ось частка збоїв», не чекає наступного інциденту й нарешті контролює процес, що раніше трималися на довірі. Інвестори й директори сприймають таку відповідь як дисципліну. У рік, коли заголовок звучить як «найкращий агент проходить 12%», керівник, який показує 50% на вузькому аудитованому процесі, виглядає людиною, що розуміє технологію, а не покупцем, якому її продали.

Поширені запитання

Що таке бенчмарк GDPx? GDPx — агентний бенчмарк, який дослідницька компанія SemiAnalysis випустила 2 листопада 2026 року. Він містить 206 довгих реалістичних завдань у 11 професійних галузях, і агенти можуть працювати до восьми годин у змодельованих середовищах із професійним софтом.

Чи означає 12%, що AI-агенти вміють лише 12% професійної роботи? Ні. Це частка пройдених завдань найкращої моделі на наборі навмисно складних завдань за одного методу оцінювання, а не оцінка того, скільки економіки здатен охопити AI. Навіть критики бенчмарка вказують на мале число завдань у кожній галузі та відсутність людського базового рівня.

Яка модель перемогла і чи варто на неї переходити? Claude Opus 5.5 очолила рейтинг із 12,0%, випередивши Gemini 4 Carbon (10,9%) і GPT-6 Astra (9,6%). Розрив невеликий, результати різняться за галузями, а дешевша Gemini коштує приблизно втричі менше за завдання, тож перед зміною вендора слід перевірити моделі на власних процесах.

Чи варто в 2026 році впроваджувати AI-агентів? Так, для окреслених процесів, що повторюються, і з кроком людського затвердження. Sophos повідомляє, що агенти скоротили середню обробку випадку із близько 38 хвилин до 89 секунд, 52% випадків закрито від початку до кінця, а контроль над ризикованими діями залишився в аналітиків.

Як виміряти ефективність агента у власному бізнесі? Зібрати 30–50 закритих кейсів із відомим правильним результатом, прогнати кожного кандидата-агента і відстежити частку повних проходжень, вартість за пройдене завдання та порушення правил. Тест повторювати щоразу, коли змінюється модель чи промпти.

---

П'ятдесят шість відсотків, дванадцять чи три — 12% з GDPx не стане останнім словом. SemiAnalysis планує оновлювати бенчмарк раз на кілька місяців, і таблиця лідерів зміниться. Незмінною лишиться логіка: агенти відпрацьовують свої гроші у вузьких смугах із виміряним результатом і втрачають гроші, коли отримують розмиті доручення та сліпу довіру. Реальну ефективність AI-агентів у роботі конкретної компанії можна з'ясувати за місяць.

Тож які процеси компанії пройшли б тест на 50 кейсів уже сьогодні, а про які краще не дізнаватися на власному досвіді? Розкласти процеси на «автоматизувати зараз», «автоматизувати з людською перепусткою» і «ще рано» допоможе AI-агент на сайті.