AIエージェント評価「GDPx」、難関課題で最高12%

SemiAnalysisは2026年11月2日、AIエージェントの総合的な作業能力を測る新ベンチマーク「GDPx」を公開しました。選ばれた11分野206課題で、首位のClaude Opus 5.5もスコアは12.0%。資料を探し、ツールを使って作業を進める難しい課題が用意されています。

約2,000ファイルから必要な資料を探す

課題づくりには14の専門パートナーが参加しました。対象は半導体設計、サイバーセキュリティー、生物学、金融、法務など、SemiAnalysisがAIの影響を大きく受けると見込む分野です。経済全体や、あらゆる職業を代表するように選んだものではありません。

金融の課題例では、エージェントは約2,000ファイルがある取引資料室から必要な情報を集めます。資料を自分で探して文脈をつかむ手間も、課題の一部です。課題の制限時間は原則8時間で、一部はそれより短く設定されています。

部分点と3回の試行を含むスコア

公式の総合順位では、Claude Opus 5.5が12.0%、Gemini 4 Carbonが10.9%、GPT-6 Astraが9.6%と続きます。

採点は課題によって異なり、成否の二択で評価するものと、部分点を付けるものを組み合わせています。各課題の採点方式に沿って3回の試行を平均し、11分野を同じ重みで集計します。同じ分野に複数のパートナーがいる場合は、パートナー間も均等です。

このため、12.0%をそのまま「AIが一般的な仕事に正解する割合」や「人間の仕事を代替できる割合」に置き換えることはできません。

モデルと実行ツールの組み合わせを比べる

評価では、利用できる場合は各モデル向けのエージェント実行ツールを使います。Claude Opus 5.5にはClaude Code、GPT-6 AstraにはCodex、Gemini 4 CarbonにはAntigravityを使用し、専用の実行ツールがないモデルにはOpenCodeを使う方式です。

つまり、点数にはモデルだけでなく、使うツールや実行環境、設定も関わります。また、ベンチマークへの掲載は、すべてのモデルが一般提供済みであることを意味しません。

安全上の拒否も順位に影響する

SemiAnalysisによると、サイバーセキュリティー、生物学、アラインメントでは、Claude Opus 5.5やGPT-6 Astraなどの安全判定がスコアに影響しています。この3分野を除いた集計も公開されていますが、先ほどの総合スコアとは別の比較です。安全上の拒否を、そのまま能力不足と判断することもできません。

分野ごとの得意不得意もあります。同社の分析では、総合2位のGemini 4 Carbonが生物学とソフトウェア開発で首位でした。用途が決まっているなら、総合順位とあわせて、その分野の結果を確認すると比較しやすくなります。