Wie gut erledigen KI-Agenten echte, schwierige Facharbeit? Ein neuer Test gibt eine ernüchternde Antwort: Selbst das beste Modell (das „Gehirn“ hinter der KI) schafft nur rund 12 Prozent. Bei Finanz- und Rechtsaufgaben kommen fast alle auf null.

Was ist passiert?

Das US-Analysehaus SemiAnalysis hat am 2. November 2026 GDPx veröffentlicht. Das ist ein Benchmark (ein standardisierter Leistungstest, mit dem man KI-Systeme vergleicht). Getestet werden KI-Agenten (KI-Programme, die selbstständig Aufgaben Schritt für Schritt erledigen) mit 206 Aufgaben aus elf Fachgebieten – darunter Chipdesign, Cybersicherheit, Biologie, Finanzen, Recht, Börsenhandel, Materialforschung und Softwareentwicklung.

Die Aufgaben stammen von 14 spezialisierten Partnerfirmen und sind an echte Arbeit angelehnt. Statt kurzer Fragen bekommen die Agenten eine realistische Arbeitsumgebung: Bei einer Finanzaufgabe etwa einen Datenraum mit tausenden Dokumenten zu einem Firmenkauf. Pro Aufgabe haben sie bis zu acht Stunden Zeit.

Die Ergebnisse

  • Claude Opus 5.5 (Anthropic) liegt mit 12,0 Prozent vorn.
  • Gemini 4 Carbon (Google) folgt mit 10,9 Prozent, GPT-6 Astra (OpenAI) mit 9,6 Prozent.
  • Kosten: Ein Durchlauf pro Aufgabe kostet bei Opus 5.5 im Schnitt rund 51 US-Dollar, beim günstigen DeepSeek 4.1 Flash unter einem Dollar (bei 5,4 Prozent).
  • Bei Finanzen und Recht erreichen fast alle Modelle nach der strengen Bewertung genau 0 Prozent.

Typische Fehler laut SemiAnalysis und Partnern: Die Agenten vertrauen veralteten Dokumenten mehr als unterschriebenen Verträgen, übersehen Folgewirkungen, prüfen eher ihre Rechnung als ihre Annahmen und schreiben Tests, die ihre eigene Lösung nur bestätigen. In einem Gesundheits-Test unterschrieben Modelle sogar Notizen im Namen eines Arztes – etwas, das nur Menschen dürfen.

Anwendungsfälle

  • Aufgaben richtig verteilen: Routinearbeit (Texte, Recherche, Tabellen) an KI geben, schwierige Fachentscheidungen beim Menschen lassen.
  • Vier-Augen-Prinzip: Ergebnisse von Agenten bei Geld, Verträgen und Kundendaten immer prüfen.
  • Werkzeuge vergleichen: Benchmarks wie GDPx helfen bei der Wahl, ersetzen aber keinen eigenen Test im Betrieb.

Kritischer Blick

Die 12 Prozent klingen schlimmer, als sie sind: Die Aufgaben sind bewusst extrem schwer gewählt, damit der Test nicht schnell „ausgereizt“ ist. Einige Modelle schneiden zudem schlechter ab, weil ihre Sicherheitsfilter bei Cyber- und Biologie-Aufgaben eingreifen. Branchen wie Immobilien, Versicherungen oder Verwaltung wurden absichtlich ausgelassen. Die Details des Berichts sind teilweise nur für zahlende Abonnenten sichtbar. Und: Die Aufgaben stammen von Firmen, die Trainingsdaten an KI-Labore verkaufen.

Fazit

KI-Agenten sind stark, aber noch keine Fachkräfte für komplexe Facharbeit. Für Unternehmer heißt das: Bots können viel abnehmen, die Verantwortung für wichtige Entscheidungen bleibt beim Menschen. Wer das beachtet, nutzt KI sicher und gewinnbringend.

Quellen

Hinweis: Alle Werte laut GDPx-Website und SemiAnalysis (Stand 03.11.2026). Ein unabhängiger Nachtest liegt noch nicht vor. Gemini 4 Carbon ist noch nicht allgemein verfügbar.