Zum Inhalt springen
AI Workshop

GDPval 2026: Kann KI echte Wissensarbeit? Claude Opus 5.5 führt, Kimi und Meta knapp dahinter

Die meisten KI-Benchmarks testen Prüfungsfragen: Matheaufgaben, Multiple-Choice-Wissen, kurze Programmierrätsel. Unternehmen bezahlen Menschen aber für fertige Arbeitsergebnisse: ein Finanzmodell, einen Pflegeplan, eine Vertriebspräsentation, ein juristisches Memo. Genau das soll GDPval messen. Der Benchmark verlangt von KI-Modellen echte Aufgaben aus 44 Berufen und vergleicht das Ergebnis mit der Arbeit von Fachleuten. Im November 2026 sieht das unabhängige GDPval-AA-Ranking Anthropics Claude Opus 5.5 an der Spitze (Elo 1866), statistisch gleichauf mit Kimi K3.1 Pro aus China und Metas Muse Wonder. OpenAIs bestes Modell liegt 247 Punkte zurück, Mistral 435. Dieser Leitfaden erklärt, wie GDPval funktioniert, was die neuesten Zahlen über Anthropic, OpenAI, Mistral und die chinesischen Labs aussagen, was eine Aufgabe kostet und was der Benchmark nicht zeigt.

1866
Elo von Claude Opus 5.5, Bestwert im GDPval-AA v2.1 (Artificial Analysis, Nov. 2026)
48→85 %
Anteil der Aufgaben, bei denen das beste Modell Fachleute schlug oder erreichte, Sep. 2025 bis Apr. 2026 (OpenAI, menschliche Bewerter)
3×
Kimi K3.1 Pro liegt gleichauf mit Opus 5.5 zu etwa einem Drittel der Kosten pro Aufgabe (3,02 $ vs. 8,92 $)

Was GDPval misst

OpenAI hat GDPval im September 2025 veröffentlicht (das Paper wurde später für die ICLR 2026 angenommen). Der Datensatz umfasst 1.320 Aufgaben aus 44 Berufen in neun Branchen, die jeweils mehr als 5 % des US-BIP ausmachen, von Finanzen und Gesundheit bis zu Industrie, Handel und Verwaltung. Die Aufgaben stammen von Fachleuten mit durchschnittlich 14 Jahren Berufserfahrung und enthalten Referenzdateien: Tabellen, PDFs, Bilder, Briefings. Das Modell muss ein fertiges Arbeitsergebnis liefern, etwa ein Word-Dokument, ein Excel-Modell, eine Präsentation, einen Schaltplan oder einen Bühnenplan. Ein öffentliches „Gold-Set" von 220 Aufgaben nutzen die meisten externen Auswertungen.

In der ursprünglichen Studie verglichen Fachleute aus demselben Beruf das KI-Ergebnis mit dem eines menschlichen Experten, ohne zu wissen, welches von wem stammte, und wählten das bessere. Die zentrale Kennzahl ist der Anteil der Aufgaben, bei denen das Modell gewinnt oder gleichzieht. 50 % bedeutet, dass das Modell im Schnitt so gut ist wie der Experte.

Weil Expertenbewertungen langsam und teuer sind, hat Artificial Analysis mit GDPval-AA eine unabhängige, laufend aktualisierte Version gebaut. Jedes Modell erhält dieselbe Agentenumgebung (Stirrup) mit Shell-Zugang und Webbrowser, bearbeitet die 220 Gold-Aufgaben und erzeugt Dateien. Ein KI-Richter vergleicht dann blind die Ergebnisse zweier Modelle, und daraus werden Elo-Werte berechnet, verankert so, dass DeepSeek V4.1 Flash auf höchster Stufe 1600 hat. Version 2.1 bewertet derzeit 319 Modellkonfigurationen.

So liest man Elo. Die Differenz zweier Werte ergibt den erwarteten Anteil an Siegen im direkten Vergleich. 0 Punkte sind 50/50, 100 Punkte etwa 64 %, 200 Punkte etwa 76 % und 400 Punkte etwa 91 %. Claude Opus 5.5 (1866) sollte also in rund 81 % der Vergleiche mit OpenAIs bestem Modell (1619) das bessere Ergebnis liefern und in etwa 92 % gegen Mistral Large 4 Preview (1431). Gegen Kimi K3.1 Pro (1861) ist es ein Münzwurf: Die 95-%-Konfidenzintervalle der ersten drei überschneiden sich.

Das Ranking: Anthropic führt, chinesische Labs gleichauf, OpenAI fällt zurück

Die Grafik zeigt die beste Konfiguration jedes Entwicklers im GDPval-AA v2.1. Anthropic hält nicht nur Platz eins: Neun der ersten 15 Einträge sind Claude-Modelle (Opus 5.5, Sonnet 5.5, Fable 5.2, Fable 5.1 und Opus 5 auf verschiedenen Denkstufen). Knapp dahinter folgen Kimi K3.1 Pro von Moonshot AI (1861), ein Open-Weight-Modell, und Metas Muse Wonder Full (1857), das keine öffentliche API hat. Alibabas Qwen4 Max (1809), diese Woche erschienen, ist Vierter unter den Entwicklern.

GDPval-AA v2.1: bestes Modell pro Entwickler (Elo, höher ist besser)

Quelle: Artificial Analysis, GDPval-AA-v2.1-Ranking, abgerufen am 19. November 2026. Beste Konfiguration pro Entwickler (Claude Opus 5.5, Muse Wonder Full, DeepSeek V4.1 Flash 1017 und GPT-5.6 Sol auf Maximalstufe; Gemini 4 Carbon und Grok 4.7 auf hoher Stufe). Die Konfidenzintervalle liegen bei etwa ±15 bis ±28 Punkten. Bernstein: Anthropic, Blau: OpenAI, Rot: Mistral, Dunkelgrau: chinesische Labs.

Die Überraschung ist OpenAI. GDPval ist OpenAIs eigener Benchmark, doch das beste OpenAI-Modell im unabhängigen Ranking ist GPT-5.6 Sol aus dem Juli (1619). Das neuere GPT-6.1 Sol erreicht 1607 (Platz 42), GPT-6 Sol 1514 (Platz 62). OpenAIs eigene Messungen sehen anders aus (siehe unten), was zeigt, wie stark der Testaufbau das Ergebnis beeinflusst: GDPval-AA lässt jedes Modell in derselben neutralen Umgebung laufen, nicht in ChatGPTs eigener Agentenumgebung. Das neueste GPT-6.2 Sol ist noch nicht bewertet.

Mistral, Europas führendes Labor, liegt weit zurück. Mistral Large 4 Preview (Oktober 2026) erreicht 1431, Platz 84, das frühere Mistral Medium 3.5 nur 769. Trotzdem ist das ein großer Sprung: mehr als 650 Punkte in sechs Monaten. Google liegt mit Gemini 4 Carbon (1733) im Mittelfeld. Manus taucht gar nicht auf: Es ist ein Agentenprodukt, das auf Basismodellen läuft, kein eigenes Modell, und wird in solchen Modell-Rankings daher nicht bewertet.

Von 48 auf 85 % in sieben Monaten: die von Menschen bewerteten Ergebnisse

Das ursprüngliche, von Menschen bewertete GDPval zeigt, wie schnell sich die Spitze bewegt. Im Paper vom September 2025 war das beste Modell, Claude Opus 4.1, bei 47,6 % der Aufgaben besser als oder gleich gut wie die Fachleute, knapp unter der Parität. GPT-5 erreichte 39,0 %, GPT-4o aus dem Jahr 2024 nur 12,5 %. Zum Start von GPT-5.5 im April 2026 meldete OpenAI 84,9 % für GPT-5.5, 83,0 % für GPT-5.4, 80,3 % für Claude Opus 4.7 und 67,3 % für Gemini 3.1 Pro.

Ursprüngliches GDPval: Anteil der Aufgaben, bei denen das Modell Fachleute schlägt oder erreicht

Quellen: Patwardhan et al., "GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks" (OpenAI, Sep. 2025; ICLR 2026), Gold-Set mit 220 Aufgaben, Blindbewertung durch Fachleute des jeweiligen Berufs; OpenAI, "Introducing GPT-5.5" (23. Apr. 2026), Herstellerangaben. OpenAIs ursprünglicher Blogbeitrag nannte für einige Modelle leicht abweichende Werte (z. B. 40,6 % für GPT-5 high).

Zwei Einschränkungen. Erstens hat OpenAI die Zahlen vom April 2026 selbst veröffentlicht, zum eigenen Produktstart und ohne unabhängige Prüfung. Zweitens ist es nicht dasselbe, einen Experten bei einer abgeschlossenen Aufgabe zu schlagen und seinen Job zu machen. Die GDPval-Autoren betonen, dass die Aufgaben präzise vorgegeben und einmalig sind; echte Arbeit heißt auch herauszufinden, was der Kunde wirklich will, sich mit Kollegen abzustimmen und Verantwortung für das Ergebnis zu übernehmen.

Wie schnell sich jedes Labor verbessert hat

Verbindet man Erscheinungsdaten mit den GDPval-AA-Werten, sieht man, wann welches Labor welches Niveau erreichte. Anthropic sprang von 1240 (Claude Sonnet 4.6, Februar) auf 1618 (Claude Fable 5, Juni) und 1866 (Claude Opus 5.5, September). Chinesische Labs schlossen die Lücke schrittweise: GLM-5.2 im Juni, MiMo-V2.6-Pro im September und Kimi K3.1 Pro im Oktober, das zum Spitzenreiter aufschloss. OpenAI hat sein Ergebnis vom Juli seither nicht übertroffen. Mistral machte den größten Sprung des Jahres, allerdings von niedrigem Niveau aus.

Bester verfügbarer GDPval-AA-Elo nach Datum (von Artificial Analysis bewertete Modelle)

Quelle: Auswertung von AI Workshop auf Basis des GDPval-AA-v2.1-Rankings von Artificial Analysis (19. Nov. 2026): höchster Wert unter den bis zum jeweiligen Monat erschienenen Modellen jeder Gruppe, nach heutigen Werten. „Bestes chinesisches Modell" umfasst Kimi, Alibaba, DeepSeek, Z AI, Xiaomi, MiniMax, StepFun und andere. Mistrals Wert für Dezember 2025 ist Devstral 2. Nur von Artificial Analysis ausgewertete Modelle.

Die Denkstufe zählt so viel wie das Modell

Moderne Modelle lassen einstellen, wie lange sie „nachdenken", bevor sie antworten. Bei Facharbeit verändert diese Einstellung das Ergebnis enorm. Claude Opus 5.5 erreicht 1239 auf niedriger und 1866 auf maximaler Stufe, ein Unterschied von 627 Punkten, größer als der gesamte Abstand zwischen Claude Opus 5.5 und Mistral Large 4 Preview (435). GPT-6.1 Sol gewinnt von niedrig bis maximal 285 Punkte. In der Praxis kann ein Spitzenmodell auf niedriger Stufe schlechtere Arbeit liefern als ein Mittelklassemodell auf hoher. Unser Leitfaden zu Reasoning-Modellen und Test-Time-Compute erklärt, warum.

GDPval-AA-Elo nach Denkstufe (Reasoning Effort)

Quelle: Artificial Analysis, GDPval-AA-v2.1-Ranking, 19. Nov. 2026. Claude-Modelle in der Konfiguration "Default Fallback". Die Stufen folgen den API-Bezeichnungen der Hersteller (low, medium, high, xhigh, max).

Was eine Aufgabe kostet: Qualität pro Dollar

Höhere Stufen bedeuten mehr Tokens und mehr Schritte. Artificial Analysis veröffentlicht auch die durchschnittlichen API-Kosten pro GDPval-Aufgabe. Claude Opus 5.5 kostet 8,92 $ pro Aufgabe auf höchster Stufe und braucht im Schnitt 86 Agentenschritte. Kimi K3.1 Pro erreicht einen statistisch gleichen Wert für 3,02 $. Claude Fable 5.2, Anthropics größtes Modell, ist mit 26,43 $ am teuersten und liegt trotzdem knapp unter Opus 5.5. Am günstigen Ende kostet DeepSeek V4.1 Flash (1746) 0,35 $, Xiaomis MiMo-V2.6-Pro (1692) 0,16 $ und Claude Haiku 5.5 (1629) rund 0,22 $.

GDPval-AA-Elo vs. durchschnittliche API-Kosten pro Aufgabe

Quelle: Artificial Analysis, GDPval-AA v2.1, Kosten pro Aufgabe zu API-Listenpreisen (Input-, Cache-, Reasoning- und Output-Tokens), 19. Nov. 2026. Modelle aus der Standardauswahl von Artificial Analysis mit öffentlicher API; die Kosten für Claude Haiku 5.5 sind laut Artificial Analysis geschätzt. Horizontale Achse logarithmisch.

Selbst der höchste Betrag ist klein im Vergleich zur menschlichen Alternative. Eine Aufgabe, für die eine erfahrene Fachkraft mehrere Stunden braucht, kostet einige hundert Euro Gehalt; das Modell kostet ein paar Dollar. Der API-Preis ist aber nicht die ganze Rechnung: Jemand muss das Ergebnis prüfen, Fehler korrigieren und die Verantwortung tragen. Das betonen auch die GDPval-Autoren: Ihr Vergleich von Zeit und Kosten umfasst nur Modellzeit und API-Preise, nicht die Prüfung. Unser Artikel zu Modell-Routing und Kostenoptimierung zeigt, wie man ein teures und ein günstiges Modell in einem Ablauf kombiniert.

Was GDPval nicht zeigt

  • Ein KI-Richter ist kein Kunde. GDPval-AA lässt ein Modell entscheiden, welches Ergebnis besser ist. Das skaliert, aber Richter haben Vorlieben, etwa für längere oder glattere Dokumente. Siehe unseren Leitfaden zu LLM als Richter.
  • Relativ, nicht absolut. Elo sagt, welches Modell besser ist als welches, nicht ob die Arbeit gut genug ist, um sie an einen Kunden zu schicken.
  • US-Berufe, englische Aufgaben. Die Aufgaben spiegeln die US-Wirtschaft und sind auf Englisch verfasst. Deutsche oder kroatische Dokumente, nationales Recht und lokale Rechnungslegung werden nicht getestet.
  • Eine neutrale Umgebung. Jedes Modell arbeitet in derselben Agentenumgebung. Die eigenen Produkte der Anbieter, etwa Claude mit Skills und Konnektoren oder der Agentenmodus von ChatGPT, können anders abschneiden, was den Abstand zwischen OpenAIs eigenen und unabhängigen Ergebnissen teilweise erklärt.
  • Abgeschlossene Aufgaben. Keine Meetings, keine unklaren Briefings, kein Unternehmenskontext. Genau das macht echte Projekte schwierig.

Was das für Unternehmen in Kroatien und im DACH-Raum bedeutet

  • GDPval für die Vorauswahl nutzen, nicht für die Entscheidung. Es ist das beste öffentliche Signal für dokumentenlastige Wissensarbeit, aber testen Sie die zwei oder drei führenden Modelle an 20 bis 30 eigenen Aufgaben, bevor Sie standardisieren. Unser Benchmark-Vergleich nennt weitere nützliche Tests.
  • Claude ist die sichere Wahl für hochwertige Arbeitsergebnisse. Anthropic hält Platz eins und neun der ersten 15 Plätze. Welches Claude-Modell zu welcher Aufgabe passt, steht in unserem Leitfaden zur Claude-Modellauswahl.
  • Die Denkstufe bewusst wählen. Für Verträge, Berichte und Finanzmodelle hohe oder maximale Stufe; für Routineentwürfe reicht eine niedrigere Einstellung oder ein kleineres Modell.
  • Chinesische Open-Weight-Modelle ernst nehmen, aber Datenregeln prüfen. Kimi K3.1 Pro und DeepSeek liefern Spitzenergebnisse zu einem Bruchteil des Preises. Selbst gehostet in der EU können sie eine Option sein; über chinesische APIs schließen DSGVO und Vertraulichkeit sie meist aus. Siehe unsere Analyse chinesischer KI-Modelle.
  • Mistral für Souveränität, nicht für Spitzenqualität. Mistral Large 4 verbessert sich schnell und kann in Europa laufen, liegt bei Facharbeit aber klar zurück. Unser Mistral-Leitfaden zeigt, wo es passt.
  • Prüfung einplanen, nicht Ersatz. Realistisch ist: Die KI liefert die ersten 80 %, eine Fachkraft stellt fertig und zeichnet ab. Unser Artikel über KI und den Arbeitsmarkt zeigt, was das für Rollen bedeutet.

Fazit

GDPval kommt einem Test echter Facharbeit so nahe wie kein anderer Benchmark, und Ende 2026 zeigt er ein klares Bild. Die besten Modelle sind bei den meisten klar definierten Aufgaben inzwischen so gut wie Fachleute oder besser. Anthropic führt das unabhängige Ranking, chinesische Labs haben zu deutlich niedrigeren Preisen aufgeschlossen, OpenAIs unabhängige Ergebnisse bleiben hinter den eigenen Angaben zurück, und Mistral holt von weit hinten auf. Für Unternehmen ist die Lehre praktisch: ein Spitzenmodell wählen, es bei wichtiger Arbeit lange genug nachdenken lassen, es an eigenen Aufgaben testen und eine qualifizierte Person für alles verantwortlich lassen, was das Haus verlässt.

Welches Modell passt zu Ihrer Arbeit?

AI Workshop testet Claude, GPT, Mistral und Open-Weight-Modelle an Ihren eigenen Dokumenten und Prozessen, stellt die richtigen Denkstufen und Prüfschritte ein und baut den Ablauf darum herum. Unsere Claude Certified Architects starten mit einem echten Arbeitsergebnis und einem messbaren Ziel.

Mit einem KI-Berater sprechen

Boris Agatić

Gründer von AI Workshop und Claude Certified Architect. Über 10 Jahre Erfahrung in der Softwareentwicklung; begleitet Unternehmen vom ersten Strategiegespräch bis zu produktiven KI-Agenten.

LinkedIn (öffnet in neuem Tab)