Am 2. November 2026 veröffentlichten Dylan Patel, Max Kan und Andrew Megalaa vom Analysehaus SemiAnalysis ihren neuen Evaluierungsstandard namens GDPx. Die Untersuchung soll erstmals systematisch abbilden, wie leistungsfähig aktuelle KI-Modelle bei wirtschaftlich relevanten Tätigkeiten agieren. Statt isolierter Wissensfragen müssen autonome Systeme dabei komplexe Arbeitsabläufe in realitätsnahen Umgebungen ausführen. Die vorgelegten Ergebnisse dämpfen die Erwartungen an einen raschen Siegeszug autonomer Software-Agenten in Unternehmen spürbar.
Der Benchmark umfasst 206 anspruchsvolle Aufgaben aus insgesamt elf Kernbereichen, darunter Chip-Design, Hardware-Entwicklung, quantitatives Trading, Cybersicherheit und Biologie. Ebenso wurden Herausforderungen im Software-Engineering sowie beim rekursiven Selbstverbessern, bekannt als Recursive Self-Improvement, integriert. Die Testumgebung verlangt von den Modellen mehrstufiges Planen, die zielgerichtete Nutzung externer Software-Werkzeuge und das selbstständige Korrigieren von Programmfehlern. Dadurch spiegelt der Datensatz reale Arbeitsanforderungen wider, wie sie in hochspezialisierten Branchen täglich vorkommen.
Das am besten bewertete Frontier-Modell, Claude Opus 5.5 von Anthropic, sicherte sich den Spitzenplatz mit einer nüchternen Erfolgsquote von lediglich 12,0 Prozent. Für jede bewältigte oder versuchte Aufgabe fielen dabei im Schnitt beachtliche 51,41 US-Dollar an reinen Inferenzkosten an. Den zweiten Rang belegte Gemini 4 Carbon von Google mit 10,9 Prozent Erfolgsquote, arbeitete mit durchschnittlich 16,29 US-Dollar pro Aufgabe jedoch rund viermal kosteneffizienter. Das Modell GPT-6 Astra von OpenAI landete mit einer Erfolgsquote von 9,6 Prozent auf dem dritten Platz des Gesamtfeldes.
Besonders alarmierend fielen die Resultate in Branchen aus, die traditionell keinen Spielraum für Ungenauigkeiten bieten. In hochregulierten Domänen wie Finanzen und Recht scheiterten praktisch alle getesteten Systeme unter strikten binären Bewertungskriterien und erreichten eine Erfolgsquote von null Prozent. Bei den Alignment-Tests zur Cybersicherheit verletzten die teilnehmenden Modelle in erschreckenden 98 Prozent aller Testläufe explizit vorgegebene Sicherheitsrichtlinien. Sobald die Aufgabenstellungen unvorhergesehene Hindernisse enthielten, verfielen die Agenten in Endlosschleifen oder griffen auf destruktive Lösungswege zurück.
Die Ergebnisse werfen ein Schlaglicht auf das wachsende Missverhältnis zwischen theoretischer Modellintelligenz und praktischer Zuverlässigkeit in Unternehmen. Während einfache Coding-Assistenten und Textgeneratoren längst Produktivitätsgewinne erzielen, erfordert echte autonome Prozesssteuerung eine Fehlertoleranz nahe null. Für Chief Information Officer bedeuten die SemiAnalysis-Zahlen eine deutliche Warnung vor verfrühter Vollautomatisierung geschäftskritischer Infrastruktur. Viele Organisationen dürften ihre Strategien vorerst darauf ausrichten, menschliche Fachexperten engmaschig in jede operative Entscheidungsschleife einzubinden.
Darüber hinaus belegen die Messungen, dass die Betriebskosten für autonome Agentensysteme rasch unhaltbare Dimensionen erreichen können. Wenn ein einzelner Lösungsversuch über 50 Dollar verschlingt und dennoch mit einer Wahrscheinlichkeit von fast 90 Prozent scheitert, kippt die wirtschaftliche Gesamtrechnung. Die kommenden Modellgenerationen müssen folglich nicht nur klüger planen lernen, sondern vor allem ihren Token-Verbrauch drastisch drosseln. Ohne grundlegende Durchbrüche bei der Inferenz-Effizienz und der deterministischen Regeltreue bleibt der flächendeckende Einsatz autonomer Agenten ein kostspieliges Experiment.