Nejlepší AI na světě zvládla jen 12 % práce. Nový test odhalil, kde umělá inteligence zatím propadá
Nezávislý benchmark GDPx postavil špičkové modely do role zaměstnanců. Nejlepší z nich, Claude Opus 5.5, vyřešil samostatně jen 12 % úkolů — a ve financích a právu neuspěl ani jeden model. Co z toho plyne pro vaši firmu.
Firmy po celém světě ládují miliardy do umělé inteligence s vidinou, že AI brzy převezme kus skutečné práce. Jenže nový nezávislý test ukazuje nepříjemnou realitu: i nejlepší model na trhu zvládl samostatně vyřešit jen 12 procent úkolů z reálných profesí. A ve financích a právu neuspěl ani jednou.
Nový měřicí nástroj, který hodnotí AI jako zaměstnance
V pondělí 2. listopadu 2026 představila analytická firma SemiAnalysis nový benchmark s názvem GDPx. Na rozdíl od běžných testů, které modelu předloží otázku a čekají odpověď, se GDPx snaží napodobit skutečné pracovní prostředí. Model dostane celý úkol z konkrétního oboru, přístup k nástrojům a dokumentům, a má na práci až osm hodin — tak jako lidský specialista.
SemiAnalysis popisuje svůj cíl ambiciózně: chce vytvořit „nejlepší měřítko obecných agentních schopností na světě" — tedy schopnosti AI samostatně plnit vícekrokové úkoly směřující k nějakému výsledku. Benchmark pokrývá 206 úkolů v jedenácti oborech, od návrhu čipů přes biologii, kybernetickou bezpečnost a materiálové inženýrství až po finance, právo a kvantitativní obchodování.
Místo suchých otázek staví GDPx modely do „interaktivních prostředí". Ve finanční části je například model vpuštěn do datové místnosti s přibližně 2 000 soubory z reálné private equity transakce a má se v nich vyznat jako analytik. Právě na takových úlohách se ukázalo, kde jsou dnešní hranice.
Výsledky: nejlepší model zvládl jen jeden úkol z deseti
Žebříček vedl model Claude Opus 5.5 od Anthropicu s celkovou úspěšností 12,0 procenta. Druhý skončil Gemini 4 Carbon od Googlu s 10,9 procenta a třetí GPT-6 Astra od OpenAI s 9,6 procenta. Žádný z testovaných modelů nedokázal spolehlivě uspět napříč všemi obory.
- Claude Opus 5.5 (Anthropic) — 12,0 %
- Gemini 4 Carbon (Google) — 10,9 %
- GPT-6 Astra (OpenAI) — 9,6 %
Nejvíc alarmující je ale rozpad podle oborů. V financích a právu neuspěl ani jeden z třinácti testovaných špičkových modelů — skóre nula procent. To jsou přitom obory, kde firmy od AI očekávají největší úsporu, protože jde o práci s dokumenty, smlouvami a čísly. Gemini 4 Carbon naopak vedl v biologii a vývoji softwaru, GPT-6 Astra v materiálovém inženýrství a v takzvaném rekurzivním sebezdokonalování.
Nejlepší modely zvládají zhruba jeden úkol z deseti. To naznačuje, že schopnosti rostou — ale před širokým uplatněním v náročné odborné práci stále stojí zásadní překážky.
Co to znamená pro vaši firmu
Pro českého podnikatele je GDPx užitečnou injekcí střízlivosti. Marketingová sdělení poskytovatelů AI tvrdí, že agent „zvládne práci celého oddělení". Nezávislý test říká něco jiného: na komplexní, vícehodinové úkoly s odpovědností za výsledek dnešní AI zdaleka nestačí sama. Pořád potřebuje člověka, který zadání rozseká na menší kroky, průběžně kontroluje a nese odpovědnost.
To ale neznamená, že se AI nevyplatí. Dvanáct procent plně samostatně vyřešených expertních úloh je na nástroj, který ještě před pár lety neexistoval, pozoruhodné číslo — a hlavně rychle roste. SemiAnalysis plánuje benchmark aktualizovat každé tři až šest měsíců, takže brzy uvidíme, jak rychle se laťka posouvá. Klíč je v tom, jak AI nasadíte: nejlépe funguje na dílčích, dobře ohraničených úkolech, kde člověk zůstává v roli dohledu.
Důležitý je i rozměr nákladů. U nejlepšího modelu vyšel jeden testovaný úkol v průměru na zhruba 51 dolarů a spotřeboval přes půl milionu výstupních tokenů. Levnější konkurenti přitom za stejné peníze zvládnou výrazně více práce. Pro firmu to znamená jasné zadání: neptejte se jen „který model je nejchytřejší", ale „který model mi vyřeší můj konkrétní úkol za rozumnou cenu".
Praktický takeaway
- Neočekávejte, že AI agent převezme celou agendu sám — zatím je to asistent, ne náhrada specialisty.
- Nasazujte AI na dílčí, jasně ohraničené úkoly a vždy mějte člověka, který výstup zkontroluje.
- Ve financích a právu buďte obzvlášť opatrní — právě tam dnešní modely selhávají nejvíc.
- Porovnávejte nejen kvalitu, ale i cenu za vyřešený úkol; nejdražší model nemusí být nejefektivnější.
- Sledujte vývoj — laťka se posouvá o desítky procent ročně a to, co neplatí dnes, může platit za rok.
GDPx navazuje na starší test GDPval od OpenAI z roku 2025 a posouvá měření o úroveň výš — od jednotlivých úkolů k celým pracovním scénářům. Pro podnikatele je to první skutečně nezávislé zrcadlo toho, kde AI reálně je. A odpověď zní: užitečná pomocnice, ale zatím ne samostatný kolega.