En bref : le 2 novembre 2026, SemiAnalysis a publié GDPx v1.0, un benchmark qui soumet les modèles d'IA frontière à 206 tâches de travail économiquement valorisables, réparties sur 11 domaines professionnels. Le meilleur score obtenu est de 12,0 %, par Claude Opus 5.5 d'Anthropic. Tous les modèles testés ont obtenu zéro sur les tâches de finance et de droit sous notation binaire stricte.
Ces résultats ne signifient pas que les agents IA sont inutiles. Ils signifient que leur périmètre de valeur en 2026 est encore concentré sur un sous-ensemble précis de tâches techniques et quantitatives, et que certains domaines à forts enjeux réglementaires restent hors de portée de l'autonomie complète.
Pour les équipes qui envisagent de déployer des agents IA dans des processus métier, GDPx apporte quelque chose que les benchmarks académiques classiques n'offrent pas : une évaluation sur du travail réel, prolongé jusqu'à huit heures par tâche, dans un environnement simulant un contexte d'entreprise avec des critères de réussite professionnels définis par des experts sectoriels. Ce n'est pas un test de QI ; c'est un test de rendement au travail.
Qu'est-ce que GDPx et comment fonctionne-t-il ?
GDPx est conçu pour mesurer ce qu'un agent IA peut réaliser seul, en autonomie complète, sur une vraie journée de travail professionnelle. Contrairement aux benchmarks de type MMLU ou GPQA qui évaluent des connaissances en mode question/réponse, GDPx confie à l'agent une tâche ouverte dans un environnement simulé et lui laisse jusqu'à huit heures de temps de calcul pour la mener à terme.
Les caractéristiques principales du benchmark v1.0 :
- 206 tâches construites avec 14 partenaires spécialisés issus du monde professionnel (trading quantitatif, cabinet de droit, design de puce, analyse de code, cybersécurité, biologie computationnelle, etc.).
- 11 domaines : chip design, hardware design, quant trading, software engineering, cybersecurity, materials science, logistics, biology, alignment research, finance et law.
- Notation binaire : chaque tâche est notée 0 (échec) ou 1 (succès) selon des critères définis avec les partenaires. SemiAnalysis publie aussi des scores partiels pour les domaines où le binaire est trop sévère, notamment finance et droit.
- Coût mesuré par tâche : contrairement à la plupart des benchmarks académiques, GDPx mesure également le coût moyen de chaque run, ce qui permet de comparer non seulement la performance mais le ratio valeur/prix de chaque modèle dans un contexte de déploiement réel.
SemiAnalysis positionne GDPx comme le successeur du GDPval d'OpenAI et comme un benchmark vivant : des mises à jour sont prévues tous les trois à six mois pour suivre la progression des modèles. Les 13 modèles évalués dans la version initiale couvrent les principaux fournisseurs d'IA frontière.
Résultats : Opus 5.5 à 12 %, zéro en finance et juridique
Résultat principal : Claude Opus 5.5 d'Anthropic mène le classement avec un score de 12,0 %, suivi de Gemini 4 Carbon de Google à 10,9 % et de GPT-6 Astra d'OpenAI à 9,6 %. Le meilleur modèle open weights disponible, GLM 5.3, obtient 2,7 %, révélant un écart encore important entre les modèles fermés frontière et les modèles ouverts sur ce type de tâches longues.
Quelques points détaillés sur ces résultats :
- Domaines forts pour Opus 5.5 : quant trading, hardware design et chip design. Ces résultats sont cohérents avec les forces documentées de Claude sur le raisonnement logique structuré et l'ingénierie.
- Finance et droit : zéro pour tous les modèles. Sous notation binaire stricte, tous les modèles du classement obtiennent 0 dans ces deux domaines. Les tâches financières et juridiques impliquent des décisions à forts enjeux réglementaires, une précision factuelle et une cohérence de raisonnement que les modèles actuels ne maîtrisent pas de manière fiable sur des tâches longues et ouvertes.
- L'effet des filtres de sécurité : SemiAnalysis a publié un classement ajusté qui monte GPT-6 Astra au-dessus de Claude Opus 5.5 dans les domaines affectés par les refus. Opus 5.5 refuse certaines tâches de cybersécurité, biologie et alignment research par activation de ses classifieurs de sécurité, ce qui pénalise mécaniquement son score brut sur ces domaines.
- Limites de représentativité : les scores publiés sont ceux de SemiAnalysis sur ses propres runs. Aucune réplication externe indépendante n'était disponible au moment de la publication.
Le coût par tâche : un critère aussi déterminant que le score
Le coût par tâche est un indicateur souvent ignoré dans les comparatifs de modèles, et GDPx le place en première ligne. Pour une organisation qui envisage de déployer des agents IA sur des centaines ou des milliers de tâches par mois, la différence entre 16 $ et 54 $ par tâche n'est pas anecdotique : c'est un facteur 3 sur le budget d'exploitation.
Les données publiées par SemiAnalysis sur les trois modèles du podium :
- Gemini 4 Carbon (10,9 %, 16,29 $/tâche) : c'est le modèle qui offre le meilleur ratio performance/coût sur ce benchmark. À performance quasi équivalente à Opus 5.5, son coût est trois fois inférieur. Pertinent pour les tâches semi-standardisées à volume élevé.
- Claude Opus 5.5 (12,0 %, 51,41 $/tâche, 548 000 tokens de sortie en moyenne) : le score le plus élevé, mais au coût le plus élevé hors GPT-6 Astra. Justifié pour les tâches à forte valeur ajoutée — analyse de code complexe, conception de système, raisonnement multi-étapes — où le coût est marginal par rapport à la valeur produite.
- GPT-6 Astra (9,6 %, 53,99 $/tâche) : troisième score pour le coût le plus élevé. Ce ratio interroge sur la compétitivité tarifaire actuelle pour les déploiements agentiques à grande échelle dans une logique de coût/performance.
Pour les PME et ETI qui construisent des flux d'automatisation métier, cette logique de coût par tâche est directement transposable à leurs propres calculs de ROI. Un agent qui résout 12 tâches sur 100 à un coût de 50 € l'unité génère 600 € de coût pour 12 résultats : la rentabilité dépend entièrement de la valeur unitaire de chaque résultat dans votre contexte opérationnel.
Limites et méthode : ce que GDPx ne mesure pas encore
Un benchmark est une mesure, pas une vérité. GDPx v1.0 présente plusieurs limites que SemiAnalysis reconnaît ouvertement et qui sont importantes pour contextualiser les résultats avant de les utiliser pour prendre des décisions d'architecture.
- Domaines exclus : le gouvernement et l'assurance sont hors périmètre dans cette première version. Ces secteurs représentent des cas d'usage significatifs pour les agents IA en France, notamment en contexte d'administration publique, de conformité réglementaire et de gestion de sinistres.
- 14 partenaires de données : les tâches sont construites avec des experts sectoriels, ce qui garantit un ancrage professionnel, mais aussi une possible variabilité dans la difficulté et le niveau de validation d'un domaine à l'autre. La comparaison inter-domaines est donc indicative.
- Non-reproductible indépendamment : les scores publiés sont ceux de SemiAnalysis, pas d'une réplication externe. Comme pour tout benchmark propriétaire, la confiance dans les résultats dépend de la réputation de l'émetteur et de la transparence méthodologique.
- Risque d'overfitting futur : avec une cadence de mise à jour tous les 3 à 6 mois, les modèles qui seront entraînés en sachant l'existence de GDPx pourraient optimiser sur ses tâches (benchmark contamination), ce qui diminuerait la valeur prédictive du score pour de vraies tâches de terrain.
Malgré ces limites, GDPx représente une avancée utile par rapport aux benchmarks de connaissances pures. Il fournit un point de calibrage honnête : non, les agents IA ne font pas « tout » de manière autonome en 2026 — mais ils font « certaines choses » avec un niveau de fiabilité qui commence à être économiquement pertinent dans des niches bien délimitées.
Agents IA en production : trois orientations pratiques
Pour les équipes qui déploient ou évaluent des agents IA, que change un score de 12 % dans la pratique ? Un score de 12 % sur 206 tâches très hétérogènes ne signifie pas que Claude Opus 5.5 réussit 12 % de toutes les tâches de bureau. Il signifie que parmi un ensemble de tâches difficiles, autonomes et prolongées, le meilleur modèle actuel en réussit environ une sur huit. Dans les domaines de prédilection — chip design, quant trading, hardware — le taux est nettement plus élevé. Dans d'autres — finance, droit — il est nul.
Pour un déploiement raisonné en entreprise, les résultats GDPx suggèrent trois orientations concrètes :
- Cibler les tâches structurées et techniques : les agents performent mieux sur des tâches avec des critères d'acceptation clairs, une surface d'outils définie et peu d'ambiguïté sur le résultat attendu. Les tâches d'ingénierie, de code review, d'analyse de données quantitatives ou de génération de rapports standardisés sont le terrain naturel de déploiement.
- Éviter l'autonomie complète sur les décisions à enjeux : finance et droit à zéro, c'est un message clair. Les agents peuvent assister, préparer, synthétiser, extraire — mais pas décider seuls sur des sujets réglementés ou à fort impact juridique et financier. L'humain dans la boucle reste non négociable sur ces domaines.
- Mesurer le coût réel de l'automatisation : à 50 $ par tâche complexe, les agents agentiques frontière ne sont pas gratuits. Ils sont rentables quand la valeur produite par la tâche dépasse largement ce coût. Pour les tâches à faible valeur unitaire ou les workflows à volume élevé, un modèle moins puissant mais moins coûteux — ou une solution hybride règles + IA — peut être plus pertinent.
Si vous construisez des workflows d'agents pour votre organisation, nos équipes peuvent vous aider à définir le périmètre où l'automatisation par agents IA est rentable dès aujourd'hui. Pour les projets plus structurants, consultez notre page sur les outils internes sur mesure ou contactez-nous directement.
FAQ — SemiAnalysis lance GDPx : 206 tâches économiques, 12 % pour le meilleur agent — à quel stade de maturité sont vraiment les agents IA en 2026 ?
Qu'est-ce que GDPx et en quoi est-il différent des autres benchmarks IA ?
GDPx est un benchmark d'IA agentique créé par SemiAnalysis qui évalue les modèles sur 206 tâches de travail professionnel réel réparties sur 11 domaines, avec jusqu'à huit heures de temps de calcul par tâche. Contrairement aux benchmarks de type MMLU qui testent les connaissances en question/réponse, GDPx mesure la capacité d'un agent à accomplir une tâche ouverte dans un environnement simulé d'entreprise, avec des critères de réussite définis par des experts sectoriels.
Pourquoi tous les modèles obtiennent-ils un score de 0 en finance et en droit sur GDPx ?
Sous la notation binaire stricte de GDPx, les tâches financières et juridiques exigent un niveau de précision factuelle, de cohérence réglementaire et de raisonnement sur des décisions à forts enjeux que les modèles actuels ne maîtrisent pas de manière fiable sur des tâches longues et non guidées. SemiAnalysis publie des scores partiels pour ces domaines, mais le résultat binaire de 0 reflète l'absence de résultat acceptable selon les critères professionnels des partenaires de données.
Le score de 12 % du meilleur modèle signifie-t-il que les agents IA ne sont pas utilisables en entreprise ?
Non. Ce score reflète la difficulté moyenne sur un ensemble très hétérogène de 206 tâches longues et autonomes. Sur les domaines qui correspondent aux points forts des modèles actuels — ingénierie, analyse quantitative, code — les taux de réussite sont nettement supérieurs. GDPx calibre les attentes : les agents sont productifs sur des niches bien délimitées, pas encore sur l'ensemble du spectre du travail de bureau.
Comment le coût par tâche mesuré par GDPx influence-t-il le choix du modèle pour un déploiement agentique ?
GDPx révèle des écarts de coût importants : Gemini 4 Carbon atteint 10,9 % pour 16,29 $ par tâche, contre 51,41 $ pour Claude Opus 5.5 à 12,0 %. À performance quasi équivalente, Gemini 4 Carbon offre un ratio valeur/prix nettement plus favorable pour les tâches à volume élevé. Le choix optimal dépend de la valeur unitaire de chaque tâche et du volume de déploiement dans votre contexte.
Quels domaines GDPx ne couvre-t-il pas encore dans sa version initiale ?
La version 1.0 de GDPx exclut explicitement le gouvernement et le secteur de l'assurance. Les futures versions prévues tous les trois à six mois pourront élargir la couverture sectorielle. SemiAnalysis prévoit également d'affiner la méthode de notation pour les domaines où le binaire strict pénalise les progrès partiels.