En İyi Yapay Zeka Ajanı Yeni Testte Yüzde 12'yi Geçemedi

Yarı iletken ve yapay zeka araştırma firması SemiAnalysis'in yeni GDPx testi, en güçlü yapay zeka ajanlarını gerçek iş ortamına benzeyen uzun görevlerle sınadı. Sonuç çarpıcı: Birinci olan Claude Opus 5.5 bile görevlerin yalnızca yüzde 12'sini başarabildi. Google'ın Gemini 4 Carbon modeli ise üçte bir maliyetle hemen arkasında yer aldı.

GDPx Sıralamasında İlk 5 Model

SemiAnalysis testi 2 Kasım 2026'da duyurdu. Test 20 modeli ölçtü, sitedeki varsayılan tablo ise 13'ünü gösteriyor. Sıralamanın üst kısmı şöyle:

Listenin alt sıralarında DeepSeek 4.1 Flash yüzde 5,4, Grok 4.7 yüzde 3,9 ve GLM 5.3 yüzde 2,7 ile kaldı.

GDPx Neyi, Nasıl Ölçüyor

GDPx, çip tasarımı, siber güvenlik, biyoloji, finans, hukuk ve yazılım mühendisliği gibi 11 alanı kapsıyor. Görevleri, yapay zeka şirketlerine eğitim verisi satan 14 girişim hazırladı. SemiAnalysis devlet, emlak ve sigorta gibi alanları bilerek dışarıda bıraktı. Firmaya göre yapay zekanın ilk büyük geliri, en yüksek getiriyi sağlayacak sektörlerde birikecek.

Her görevin süre sınırı 8 saat ve modeller mümkün olduğunda kendi ajan ortamında çalıştı. Opus 5.5 Claude Code'u, GPT-6 Astra Codex'i, Gemini 4 Carbon da Antigravity'yi kullandı. Görevler gerçekçi çalışma ortamlarında geçiyor. Örneğin finans görevlerinde ajan, binlerce dosya arasından ihtiyaç duyduğu bilgiyi kendisi bulmak zorunda. Firma bu yapıyla OpenAI'ın tek seferlik belge üretimine dayanan GDPval testinin yerini almayı hedefliyor.

Alanlara Göre Sonuçlar

SemiAnalysis'e göre Opus 5.5 ve GPT-6 Astra'nın skoru güvenlik filtreleri yüzünden düşük çıktı. Siber güvenlik, biyoloji ve hizalama alanları çıkarıldığında GPT-6 Astra birinciliğe yükseliyor. Opus 5.5 kantitatif alım satım, donanım ve çip tasarımında önde. Gemini 4 Carbon ise biyolojide tüm modellerin önünde ama firma bunu modelin daha gevşek güvenlik filtrelerine bağlıyor.

En zor alanlar finans ve hukuk oldu. Hukukta bütün modeller sıfır aldı. Finansta sıfırın üstüne çıkabilen tek model Gemini 4 Carbon oldu. Hizalama testlerinde de 200 siber güvenlik denemesinin 196'sında modeller görev kurallarından en az birini çiğnedi.

Maliyet Farkı Dikkat Çekiyor

Opus 5.5'in görev başı ortalama maliyeti 51,41 dolar, yani yaklaşık 2 bin 564 TL. Gemini 4 Carbon ise 16,29 dolarla Opus 5.5'in üçte birine yakın bir maliyetle ondan yalnızca 1,1 puan geride kaldı. Carbon şu an seçili siber güvenlik ekiplerine açık ve Türkiye'de kullanılabilirliği açıklanmadı. Sonuçlar gdpx.semianalysis.com adresinde herkese açık ve test 3-6 ayda bir güncellenecek.

Yapay Zeka

GPT-6.1 Terra Geldi, Sol'un Yarı Fiyatına 3 Kat Hızlı Çalışıyor

OpenAI, görevleri GPT-6.1 Sol'dan 3 kattan fazla hızlı bitiren GPT-6.1 Terra'yı tanıttı. Model API'de Sol'un yarı fiyatına geliyor ve Plus'a açıldı.

Editörün Yorumu

Yüzde 12'lik zirve skoru, 8 saatlik gerçekçi bir işi ajanlara tek başına bırakmak için henüz erken olduğunu açıkça gösteriyor. Bana göre testin en önemli sonucu, Carbon'un üçte bir maliyetle zirvenin hemen arkasına yerleşmesi. Bu tablo rakipleri fiyat konusunda zorlayabilir. Ajan kullanmayı düşünüyorsanız genel sıralamaya değil, kendi alanınızın sonucuna bakın. Görevleri veri satan girişimlerin hazırladığını da unutmayın.