Yapay Zekâ Gerçek İşte Ne Kadar Başarılı? Yeni GDPx Testinde Zirve Yalnızca %12

Yapay zekâ modellerinin sınavlarda insanları geçtiği haberleri artık sıradan hâle geldi. Ancak araştırma şirketi SemiAnalysis'in 2 Kasım 2026'da tanıttığı GDPx testi farklı bir tablo çiziyor: Ekonomik değeri yüksek 11 alandaki gerçekçi görevlerde en başarılı model bile yalnızca yaklaşık yüzde 12 puan alabildi. Finans ve hukuk görevlerinde ise modellerin tamamı sıfırda kaldı.

GDPx neyi ölçüyor?

GDPx, Max Kan, Andrew Megalaa ve Dylan Patel imzalı bir çalışma. Test, yapay zekâ modellerinin genel "ajan" yeteneklerini, yani bir işi baştan sona kendi başına yürütme becerisini ölçüyor. Yazarlar, yapay zekâ gelirinin ilk büyük dalgasının, bu teknolojiyi yüksek getiriyle kullanabilecek sektörlerde yoğunlaşacağını savunuyor.

Testin kapsadığı 11 alan şunlar:

• Çip tasarımı ve donanım tasarımı
• Siber güvenlik
• Biyoloji ve malzeme bilimi
• Finans, hukuk ve kantitatif yatırım (quant)
• Yazılım mühendisliği
• Yapay zekânın kendini geliştirmesi (RSI) ve hizalama (alignment)

Diğer testlerden farkı ne?

GDPx, tek bir soruya yanıt istemek yerine modelleri gerçekçi çalışma ortamlarına yerleştiriyor. Örneğin finans bölümünde modeller, gerçek bir özel sermaye işleminden alınmış binlerce dosyalık bir veri odasında çalışıyor. Görevler her alanda uzman ortaklarla hazırlandı ve görev başına varsayılan süre 8 saat. Puan, üç denemenin ortalaması üzerinden hesaplanıyor; tüm alanlar eşit ağırlıkta. Yazarlar bu yaklaşımı, OpenAI'ın tek komutla çalışan GDPval testinden ayırıyor. Ayrıca kendi kalite kontrol süreçlerinin, popüler Terminal Bench 4.0 testindeki görevlerin yaklaşık yarısını hatalı olarak işaretlediğini öne sürüyorlar. Modeller mümkün olduğunda kendi araçlarıyla çalıştırıldı; örneğin Claude Opus 5.5, Claude Code ile test edildi.

Sonuçlar: Kim nerede önde?

Genel sıralamada Anthropic'in Claude Opus 5.5 modeli yaklaşık yüzde 12,0 ile ilk sırada. Google'ın Gemini 4 Carbon modeli yüzde 10,9 ile ikinci, OpenAI'ın GPT-6 Astra modeli yüzde 9,6 ile üçüncü oldu. Alan bazında tablo şöyle:

• Claude Opus 5.5: Kantitatif yatırım, donanım tasarımı ve çip tasarımında önde; en dengeli model olarak tanımlanıyor.
• Gemini 4 Carbon: Biyolojide en iyi model.
• GPT-6 Astra: Yapay zekânın kendini geliştirmesi ve malzeme bilimi alanlarında önde.
• Muse Wonder Full: Siber güvenlikte en iyi sonuç; yazarlar bunu kısmen modelin daha az görevi reddetmesine bağlıyor.

Yazarlara göre Opus 5.5 ve GPT-6 Astra'nın toplam puanı, güvenlik filtrelerinin siber güvenlik, biyoloji ve hizalama görevlerinde bazı işleri reddetmesi nedeniyle aşağı çekildi. Maliyet tarafında ise Opus 5.5'in görev başına yaklaşık 51,41 dolar tuttuğu, bunun Gemini 4 Carbon'un yaklaşık üç katı olduğu belirtiliyor.

Finans ve hukukta neden sıfır?

Yazarlar, finans ve hukuk görevlerinin o kadar zor olduğunu belirtiyor ki neredeyse tüm modeller tam olarak sıfır aldı. Hukuk görevlerinde, değerlendirme kriterine göre modellerin ürettiği düzeltme önerilerinin hiçbiri kullanılabilir bulunmadı. Bu sonuç, uzun belgeler ve birbirine bağlı kararlar içeren profesyonel işlerin yapay zekâ için hâlâ çok zor olduğunu gösteriyor.

Neden önemli?

GDPx, yapay zekânın iş dünyasındaki etkisine dair abartılı ya da karamsar beklentilere karşı ölçülebilir bir referans sunuyor. Testi hazırlayanların kendilerinin de belirttiği gibi, görevlerin bir kısmı iş ortakları tarafından tanımlandı; bu nedenle sonuçlar tek bir bakış açısı olarak okunmalı. Yine de mesaj net: Modeller hızla gelişiyor, ancak saatler süren uzman işlerini tek başına yapmaktan hâlâ uzaklar.