OpenAI pokazal, kje umetna inteligenca že prehiteva človeške strokovnjake

Kaj je GDPval?

GDPval temelji na devetih panogah, ki največ prispevajo k ameriškemu BDP-ju, med njimi zdravstvo, finance, proizvodnja in javna uprava. Znotraj teh področij je test zajel 44 poklicev, od programerjev do medicinskih sester in novinarjev. Prva različica, GDPval-v0, deluje tako, da izkušeni strokovnjaki primerjajo UI poročila s poročili ljudi in izberejo boljše.

Rezultati testiranj

• GPT-5-high (nadgrajena različica GPT-5) je bil ocenjen kot boljši ali enakovreden industrijskim strokovnjakom v 40,6 % primerov.
• Claude Opus 4.1 (Anthropic) je bil ocenjen kot boljši ali enakovreden v 49 % primerov. OpenAI meni, da je k temu pripomogla sposobnost modela za ustvarjanje privlačnih grafik, ne nujno vsebina.
• Za primerjavo: GPT-4o, izdan pred približno 15 meseci, je dosegel le 13,7 %.

Omejitve testiranja

OpenAI priznava, da trenutna različica GDPval zajema le omejen nabor nalog – predvsem pripravo raziskovalnih poročil. Večina poklicev pa vključuje veliko več kot le pisanje poročil. Zato načrtujejo prihodnje različice, ki bodo bolj robustne, z več panogami in interaktivnimi delovnimi procesi.

Pomen za prihodnost dela

Kljub omejitvam je napredek očiten. Dr. Aaron Chatterji, glavni ekonomist pri OpenAI meni, da lahko strokovnjaki zdaj s pomočjo UI modelov nekatere naloge prepustijo tem  in se osredotočijo na opravila z večjo dodano vrednostjo. Tejal Patwardhan iz OpenAI dodaja, da je napredek v zadnjih 15 mesecih spodbuden in da pričakuje nadaljnjo rast zmogljivosti.

Silicijeva dolina ima že vrsto preizkusov (npr. AIME 2025 za matematične probleme in GPQA Diamond za znanstvena vprašanja na doktorski ravni). Toda številni modeli so na teh testih že blizu zgornje meje. GDPval se zato lahko razvije v pomembno orodje za merjenje dejanske uporabnosti umetna inteligence v gospodarstvu. Za zdaj pa bo moral OpenAI pripraviti še obsežnejše različice, preden bo lahko samozavestno trdil, da UI resnično presega človeške strokovnjake.