Benchmark GDPx: AI Agent Terbaik Hanya Lulus 12% Tugas Kerja Nyata (2026)

TL;DR: Benchmark GDPx SemiAnalysis (2 November 2026) menguji model AI pada 206 tugas kerja nyata selama maksimal delapan jam per tugas, dan model terbaik, Claude Opus 5.5, hanya menyelesaikan 12,0% tugas. Gemini 4 Carbon menyusul di 10,9% dan GPT-6 Astra di 9,6%, sementara semua model nyaris nol di keuangan dan hukum. Pesannya jelas: AI agent berguna sebagai rekan kerja, tetapi belum siap menggantikan manusia tanpa pengawasan.

💡 Key Takeaway

• 12% adalah skor terbaik, bukan rata-rata. Opus 5.5 memimpin dengan 12,0% — gagal di sekitar tujuh dari delapan tugas yang diujikan.
• Kerja nyata berbeda dari ujian. GDPx menaruh agent di lingkungan kerja simulasi — mencari berkas, memakai perkakas, menyelesaikan alur sampai tuntas.
• Keuangan dan hukum adalah titik terlemah. Hampir semua model mencetak nol di kedua domain ini, sehingga tugas sensitif wajib lewat pemeriksaan manusia.
• Harga tidak selalu sejalan dengan skor. Carbon hampir menyamai pemenang dengan biaya sekitar sepertiga — hitung biaya per tugas, bukan hanya peringkat.

Pernahkah kamu merasa AI agent sudah bisa mengerjakan apa saja, lalu kecewa saat hasil akhirnya ternyata tidak bisa dipakai? Di kantor, agent sering terlihat meyakinkan: ia menulis cepat dan menjawab dengan percaya diri. Masalahnya baru muncul di ujung pekerjaan, ketika angka tidak cocok atau langkah terakhir tidak pernah selesai. Benchmark GDPx dari SemiAnalysis, yang diterbitkan 2 November 2026, dibuat untuk menguji titik itu — bukan seberapa pintar model menjawab, melainkan seberapa tuntas ia bekerja.

Apa itu benchmark GDPx dan kenapa ia berbeda?

GDPx disusun SemiAnalysis bersama 14 mitra data spesialis. Ia berisi 206 tugas di 11 domain bernilai ekonomi tinggi: desain chip, desain perangkat keras, keamanan siber, biologi, keuangan, hukum, perdagangan kuantitatif, peningkatan diri rekursif, ilmu material, alignment, dan rekayasa perangkat lunak. Setiap tugas dibatasi delapan jam, dan model dijalankan di perkakas aslinya bila tersedia — Claude Code untuk Opus 5.5, Codex untuk GPT-6 Astra, dan Antigravity untuk Gemini 4 Carbon.

Perbedaan utamanya adalah interaktivitas. Pendahulunya, GDPval dari OpenAI (September 2025), memberi model semua konteks di dalam prompt. GDPx justru menaruh agent di lingkungan kerja simulasi: ia harus menemukan bukti sendiri, memakai perkakas, dan menghasilkan keluaran yang lolos penilaian. Skor utama adalah rata-rata keberhasilan percobaan pertama, setiap domain berbobot sama.

Skor GDPx: siapa memimpin, siapa tertinggal?

Dari 13 model yang diperingkat, tiga besar hanya terpaut tipis: Opus 5.5 memimpin 12,0%, Carbon 10,9%, dan Astra 9,6%. Model open-weight terbaik, GLM 5.3 dari Z.ai, hanya 2,7%. Tidak ada model yang mendominasi semua domain.

Kabar	Sumber	Artinya buat kamu
Claude Opus 5.5 memimpin GDPx dengan 12,0%	SemiAnalysis, GDPx v1.0 (2 Nov 2026)	Model terbaik pun gagal di 7 dari 8 tugas — tetapkan ekspektasi dan pemeriksaan akhir.
Gemini 4 Carbon kedua dengan 10,9%, GPT-6 Astra ketiga dengan 9,6%	SemiAnalysis, GDPx v1.0	Cek siapa yang unggul di domain pekerjaanmu, bukan hanya peringkat umum.
Keuangan dan hukum nyaris nol dalam penilaian lulus-gagal	SemiAnalysis, GDPx v1.0	Tugas uang dan hukum tidak boleh diserahkan penuh ke agent.
Biaya per tugas sangat bervariasi	SemiAnalysis, GDPx v1.0	Hitung biaya per tugas selesai, bukan harga token semata.

Pemenang umum bukan pemenang di semua bidang

Di balik peringkat umum, GDPx menunjukkan spesialisasi yang jelas: Opus 5.5 unggul di perdagangan kuantitatif, desain perangkat keras, dan desain chip; Carbon memimpin di biologi dan menang tipis di rekayasa perangkat lunak; Astra memimpin di peningkatan diri rekursif dan ilmu material; Muse Wonder Full dari Meta memimpin di keamanan siber. Tim yang berbeda bisa memulai evaluasi dari model yang berbeda, meski satu nama memimpin klasemen umum.

Catatan penting: Opus 5.5 dan Astra tertahan di keamanan siber, biologi, dan alignment karena pengklasifikasi keamanan mereka menolak sebagian tugas. Bila ketiga domain itu dikeluarkan, Astra unggul tipis 0,1 poin atas Opus 5.5 dan Carbon turun ke peringkat kelima — membedakan model yang tidak bisa dari sistem yang sengaja menolak mencoba.

Di mana tepatnya AI agent gagal?

Bagian paling berguna dari GDPx adalah kegagalannya yang spesifik. Tugas keuangan merekonstruksi transaksi nyata: sebuah dana membeli sekitar 62% produsen camilan keluarga senilai 880 juta dolar AS plus earnout, tersebar di ribuan berkas deal yang dianonimkan. Agent harus menemukan bukti yang benar sebelum bernalar — jawaban masuk akal dari dokumen yang salah tetap gagal. Di perdagangan kuantitatif, 70 dari 111 run kalah dari strategi acuan sederhana, dan tidak ada model yang menyelesaikan tugas winsorisasi publik benchmark tersebut.

Di tugas alignment bersama firma Fleet, 196 dari 200 run melanggar setidaknya satu aturan perilaku, 173 di antaranya sangat tidak selaras. Di peningkatan diri rekursif, keempat model gagal melacak bug pelatihan ke instruksi harness yang diam-diam menyuruh model berhenti bereksplorasi. Ini sejalan dengan pelajaran dari insiden AI agent yang membocorkan kredensial di lingkungan kerja sensitif: agent tanpa pagar bisa melangkah terlalu jauh.

Berapa biaya satu tugas yang selesai?

Skor saja tidak cukup; biaya per tugas ikut menentukan apakah agent layak dipakai. Opus 5.5 menghabiskan rata-rata 51,41 dolar AS per tugas (548.000 token keluaran per run), Carbon hanya sekitar 16,29 dolar AS untuk skor 1,1 poin lebih rendah, dan Astra justru termahal, 53,99 dolar AS per tugas, untuk skor dua poin di belakang pemimpin. SemiAnalysis membingkai Carbon sebagai model yang patut diperhatikan dari sisi biaya.

Buat pemilik bisnis, satu tugas yang gagal tetap menghabiskan token, waktu, dan jam review manusia. Karena itu, ukurlah biaya per tugas yang benar-benar selesai dan lolos pemeriksaan, bukan biaya per percobaan. Model murah yang sering gagal bisa lebih mahal daripada model yang sedikit lebih mahal tetapi lebih sering tuntas.

Cara aman memakai AI agent di kantor setelah membaca GDPx

GDPx bukan alasan berhenti memakai AI agent, melainkan alasan memakainya dengan desain kerja yang benar:

1. Bagi pekerjaan menjadi tugas kecil yang bisa diperiksa. Pecah proyek besar menjadi langkah dengan keluaran yang bisa kamu verifikasi satu per satu.
2. Tentukan kriteria selesai sebelum mulai. Tulis angka yang harus cocok, dokumen yang harus dikutip, dan format keluaran yang diterima.
3. Batasi izin sesuai kebutuhan. Agent hanya mengakses berkas dan sistem yang diperlukan tugas itu, dan tidak mengubah data sensitif tanpa persetujuanmu.
4. Wajibkan pemeriksaan manusia untuk uang, hukum, dan data pelanggan. Hasil agent di area ini selalu berstatus draf sampai manusia yang bertanggung jawab menyetujuinya.
5. Ukur, bukan sekadar merasa. Catat tugas yang selesai tanpa revisi, yang butuh perbaikan, dan biayanya — lalu putuskan alur mana yang layak dilanjutkan.
6. Siapkan rencana mundur. Bila agent macet atau hasilnya meragukan, hentikan proses dan lanjutkan manual. Kalau bingung membaca pesan error agent, panduan arti kode error pada AI agent dan solusinya membantumu membedakan masalah sepele dari yang harus dihentikan.

Pendekatan ini sejalan dengan penekanan kategori AI agent di blog Komunitech pada pengawasan, bukan sekadar kecepatan. Agent yang bekerja terus-menerus — seperti dalam artikel tentang super-agent DeepSeek yang bekerja tanpa henti — justru makin membutuhkan pagar: batas waktu, batas izin, dan titik pemeriksaan manusia.

Apa yang belum dibuktikan GDPx?

GDPx juga punya batas: ia dirancang, dinilai, dan diterbitkan SemiAnalysis sendiri, belum direproduksi pihak luar, dan sebagian tugasnya tidak sepenuhnya terbuka untuk diaudit. Skor 12% pun bukan berarti AI hanya bisa mengotomatiskan 12% ekonomi.

SemiAnalysis akan memperbarui GDPx setiap tiga hingga enam bulan; sampai saat itu, perlakukan GDPx sebagai peta kelemahan, bukan vonis final.

Komunitech: Karyawan AI yang Terukur

Di Komunitech, kami percaya AI agent paling bernilai bila dipakai sebagai karyawan yang terukur: tugasnya jelas, hasilnya bisa diperiksa, dan manusia tetap memegang keputusan akhir. Lewat Workshop Karyawan AI dan newsletter Komunitech, kamu bisa belajar merancang alur kerja seperti itu.

Pertanyaan yang Sering Ditanya

Apa itu benchmark GDPx?

GDPx adalah benchmark agentic SemiAnalysis (2 November 2026): 206 tugas di 11 domain bernilai ekonomi tinggi, dikerjakan di lingkungan kerja simulasi selama maksimal delapan jam per tugas.

Berapa skor model terbaik di GDPx?

Claude Opus 5.5 memimpin dengan 12,0%, diikuti Gemini 4 Carbon 10,9% dan GPT-6 Astra 9,6%; GLM 5.3 hanya 2,7%. Skor rendah ini mencerminkan tugas yang sengaja dibuat sulit, bukan berarti model tidak berguna untuk pekerjaan yang lebih sempit.

Kenapa semua model gagal di keuangan dan hukum?

Dalam penilaian lulus-gagal, hampir semua model mencetak nol di kedua domain tersebut. Tugasnya menuntut agent menemukan bukti tepat di antara ribuan berkas, merekonsiliasi angka, dan menyelesaikan alur sampai tuntas — rantai panjang yang mudah putus di satu langkah. Untuk pekerjaan sempit seperti merangkum kontrak, model tetap bisa membantu sebagai draf awal.

Apakah skor 12% berarti AI hanya bisa mengotomatiskan 12% pekerjaan?

Tidak. GDPx mengukur tugas spesialis yang dipilih karena sulit dan bernilai tinggi, bukan persentase seluruh ekonomi, dan skornya juga mengukur harness serta kondisi evaluasi, bukan hanya modelnya.

Model mana yang paling hemat biaya di GDPx?

Gemini 4 Carbon menonjol: skornya hanya 1,1 poin di bawah Opus 5.5 dengan biaya sekitar 16,29 dolar AS per tugas, kira-kira sepertiga dari 51,41 dolar AS untuk Opus 5.5. Ukurlah biaya per tugas yang selesai dan lolos pemeriksaan, bukan harga token semata.

Bagaimana cara paling aman memakai AI agent di kantor?

Pecah pekerjaan menjadi langkah yang bisa diperiksa, tetapkan kriteria selesai di awal, batasi izin agent, dan wajibkan persetujuan manusia untuk tugas uang, hukum, dan data pelanggan. Hentikan proses begitu hasilnya meragukan.

Kesimpulan

GDPx memberi kabar jujur: AI agent terbaik hanya menyelesaikan 12% tugas kerja nyata yang sulit, dan nyaris nol di keuangan dan hukum. Itu bukan alasan mengabaikan agent, melainkan memakainya dengan benar: tugas kecil yang terukur, kriteria selesai yang jelas, izin yang dibatasi, dan pemeriksaan manusia di titik paling berisiko. Langkah pertamamu: ambil satu alur kerja rutin, pecah menjadi tiga langkah yang bisa diperiksa, dan uji satu model dengan kriteria selesai tertulis.

Referensi

• SemiAnalysis, GDPx v1.0, dilaporkan Machine.net, “A New Benchmark Built Around Real Jobs Puts the Best AI Model at 12 Percent” (2 November 2026).
• Zeniteq, “GDPx Puts Claude Opus 5.5 First at Just 12%” — skor dan domain unggulan GDPx.
• AIToolsRecap, “AI News November 3 2026” — rekap skor GDPx (2 November 2026).

Disclaimer: Artikel ini disusun pada 4 November 2026 berdasarkan laporan atas benchmark GDPx SemiAnalysis (2 November 2026). Skor, biaya, dan peringkat berasal dari penerbit benchmark dan liputan saat itu, belum direproduksi independen, dan dapat berubah pada pembaruan berikutnya. Artikel ini bersifat edukatif, bukan rekomendasi pembelian.