Skor Tertinggi Benchmark GDPx Hanya 12 Persen; Opus 5.5 Memimpin
SemiAnalysis meluncurkan GDPx pada 2 November 2026, benchmark kemampuan agen AI yang mencakup 11 bidang kerja bernilai tinggi dan 206 tugas. Claude Opus 5.5 dari Anthropic memuncaki papan peringkat dengan skor 12,0 persen, disusul Gemini 4 Carbon 10,9 persen dan GPT-6 Astra 9,6 persen. Angka yang rendah itu disengaja: para penyusun ingin tolok ukur yang belum jenuh, sebab banyak benchmark populer kini mudah ditaklukkan model terbaru.
GDPx dan Papan Peringkat Pertamanya
GDPx adalah benchmark agen AI buatan SemiAnalysis yang menguji model pada pekerjaan bernilai ekonomi tinggi, mulai dari desain chip sampai hukum. Versi 1.0 berisi 206 tugas dari 11 bidang, disusun bersama 14 mitra data, dan menilai 13 model. Skor tertinggi hanya 12,0 persen.
Claude Opus 5.5 memimpin dengan biaya rata-rata 51,41 dolar AS per tugas dan 548 ribu token keluaran. Gemini 4 Carbon dari Google berada di posisi kedua dengan 10,9 persen pada biaya 16,29 dolar AS per tugas. GPT-6 Astra dari OpenAI ketiga dengan 9,6 persen dan biaya 53,99 dolar AS, paling mahal di daftar.
Muse Wonder Full dari Meta menempati posisi keempat dengan 9,0 persen, sedangkan GLM 5.3 dari Z.ai ada di urutan ke-13 dengan 2,7 persen. Menurut unite.ai, Opus 5.5 menang di bidang quant trading, hardware design, dan chip design. Gemini 4 Carbon unggul di biologi, sementara GPT-6 Astra menang di recursive self-improvement dan ilmu material.
Sebaran tugasnya tidak seragam. Menurut FourWeekMBA yang mengutip data SemiAnalysis, desain chip memuat 34 tugas, keuangan 24 tugas, dan ilmu material 23 tugas. Tiap bidang digarap mitra spesialis, misalnya Arithmetic untuk keamanan siber, Latch Bio untuk biologi, dan Datacurve untuk rekayasa perangkat lunak.
Mengapa Skor Tertinggi Hanya 12 Persen?
Skornya rendah karena setiap tugas GDPx dirancang sulit secara jujur: model harus bekerja di lingkungan realistis, bukan menjawab soal tunggal. Waktu pengerjaan bawaan delapan jam per tugas, dan skor utama memakai pass@1 dari tiga percobaan dengan bobot sama untuk tiap bidang.
Salah satu contohnya tugas keuangan dari mitra Living Context. Dana ekuitas swasta fiktif Bannock Capital membeli sekitar 62 persen Haverly Snack Company seharga 880 juta dolar AS plus earnout. Model harus menelusuri sekitar 4.000 berkas anonim untuk menyelesaikan pekerjaan akuntansi yang dulu benar-benar diberikan kepada seorang associate.
Bidang lain memakai pola serupa. Tugas keamanan siber berbasis celah zero-day nyata dengan beberapa layanan yang berjalan. Tugas ilmu material menempatkan model di laboratorium simulasi lengkap dengan mikroskop elektron. Setiap model dijalankan lewat perangkat bawaannya, misalnya Claude Code untuk Opus 5.5 dan Codex untuk GPT-6 Astra. Bidang keuangan dan hukum begitu berat sehingga hampir semua model mendapat nol.
Kritik terhadap GDPval dan Bias Safety Classifier
SemiAnalysis menilai GDPval buatan OpenAI, yang dirilis 25 September 2025, sudah tidak memadai untuk mengukur agen modern. Alasannya, semua konteks tugas disuapkan langsung di prompt, tanpa lingkungan kerja yang kaya, sementara benchmark itu masih dipakai di banyak kartu rilis model.
Para penulis juga menyebut kesepakatan antarpenilai ahli pada subset emas GDPval hanya 71 persen. Menurut mereka, proses QA otomatis yang sama menandai hampir 50 persen tugas Terminal Bench 4.0 sebagai rusak. Mitra yang gagal lolos QA pada percobaan pertama dicoret, termasuk beberapa nama besar.
Faktor lain adalah safety classifier. "GDPx is a true frontier-level benchmark: even the best model scores just 12%," tulis Max Kan, Andrew Megalaa, dan Dylan Patel dari SemiAnalysis. Mereka juga mencatat Opus 5.5 dan GPT-6 Astra tertahan klasifikasi keamanan di bidang siber, biologi, dan alignment. Tanpa tiga bidang itu, GPT-6 Astra unggul 0,1 poin dari Opus 5.5, dan Gemini 4 Carbon turun dari peringkat kedua ke kelima.
Efeknya paling terasa di keamanan siber. SemiAnalysis menyebut Muse Wonder Full dari Meta sebagai model siber terbaik saat ini dengan selisih berarti, padahal di papan peringkat utama ia hanya keempat. Artinya, pemilihan model untuk kasus tertentu perlu melihat bidangnya, bukan hanya skor gabungan.
Dampaknya bagi Perusahaan yang Memilih Model AI
Bagi perusahaan pengguna, pelajaran utamanya adalah skor satu angka tidak menggambarkan model terbaik untuk setiap pekerjaan. Hasil GDPx menunjukkan kemampuan model tidak merata antarbidang, dan selisih biaya per tugas bisa jauh lebih besar daripada selisih skornya.
Contohnya Gemini 4 Carbon: skornya 10,9 persen dengan biaya sekitar sepertiga dari Opus 5.5, menurut tabel SemiAnalysis. Karena itu, perusahaan perlu menghitung biaya per tugas selesai, bukan hanya mengejar peringkat. Perlu diingat pula bahwa angka GDPx adalah klaim SemiAnalysis yang belum diverifikasi pihak independen.
Bagi perusahaan dan pengembang di Indonesia, GDPx lebih tepat dipakai sebagai pembanding awal, bukan keputusan akhir. Benchmark ini sengaja tidak mencakup pemerintahan, properti, dan asuransi, jadi organisasi di sektor itu perlu menguji model pada data dan alur kerjanya sendiri sebelum memilih vendor.
(Burung Hantu Infratek / Berbagai Sumber)
Foto sampul: ilustrasi dibuat dengan AI, bukan foto produk atau kejadian asli.
⚠️ Berita ini seluruhnya diriset, ditulis, dan dikembangkan dengan bantuan AI internal Burung Hantu Infratek.
🦉 Burung Hantu Infratek adalah software house dan system integrator yang sudah berpengalaman lebih dari 5 tahun dalam pengembangan dan implementasi generative AI pada berbagai perusahaan dan institusi.
Berita Terkait Benchmark AI
📊 Google Rilis Gemini 4 Carbon; Puncaki Indeks AI dan Benchmark Keamanan Siber
🧠 OpenAI Rilis GPT-Rosalind-6; Skor Kimia Obat Naik ke 49,6 Persen
🤖 DeepSeek Rilis Super-agent; Agen Coding Saingan Claude Code Pantau Chat Tim
💸 ChatGPT dan Codex Berbagi Satu Kuota Mulai Desember; Chat Instan Dikecualikan
Sumber dan Referensi
[1] GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains - SemiAnalysis
[2] SemiAnalysis Launches GDPx Benchmark Spanning 11 Agentic Domains - Unite.AI
[3] Claude Opus 5.5 Tops Semi Analysis' GDPx Benchmark, Gemini 4 Carbon Placed Second - OfficeChai
[4] Opus 5.5 Leads SemiAnalysis's GDPx Agent Benchmark at 12% - FourWeekMBA
[5] SemiAnalysis unveils GDPx benchmark, and the best AI model scores 12% - Crypto Briefing