Većina AI benchmarka testira ispitna pitanja: matematičke zadatke, pitanja s ponuđenim odgovorima, kratke programerske zagonetke. Tvrtke, međutim, ljude plaćaju za gotove radne proizvode: financijski model, plan njege, prodajnu prezentaciju, pravni dopis. GDPval je napravljen upravo da to izmjeri. Od AI modela traži stvarne zadatke iz 44 zanimanja i uspoređuje rezultat s onim što izrade stručnjaci. U studenom 2026. neovisna GDPval-AA ljestvica stavlja Anthropicov Claude Opus 5.5 na vrh (Elo 1866), statistički izjednačen s kineskim Kimi K3.1 Pro i Metinim Muse Wonder. Najbolji OpenAI model zaostaje 247 bodova, Mistralov 435. Ovaj vodič objašnjava kako GDPval radi, što najnoviji brojevi govore o Anthropicu, OpenAI-ju, Mistralu i kineskim laboratorijima, koliko košta jedan zadatak i što benchmark ne govori.
Što GDPval mjeri
OpenAI je GDPval objavio u rujnu 2025. (rad je kasnije prihvaćen na konferenciji ICLR 2026). Skup podataka ima 1.320 zadataka iz 44 zanimanja u devet sektora od kojih svaki čini više od 5% BDP-a SAD-a, od financija i zdravstva do proizvodnje, trgovine i javne uprave. Zadatke su napisali stručnjaci s prosječno 14 godina iskustva, a uz njih dolaze referentne datoteke: tablice, PDF-ovi, slike, upute. Model mora vratiti gotov radni proizvod, primjerice Word dokument, Excel model, prezentaciju, shemu ili tlocrt pozornice. Javni "zlatni skup" od 220 zadataka koristi većina vanjskih evaluacija.
U izvornom istraživanju stručnjaci iz istog zanimanja uspoređivali su rad AI-ja s radom ljudskog stručnjaka, ne znajući koji je čiji, i birali bolji. Glavni pokazatelj je udio zadataka u kojima model pobijedi ili izjednači. 50% znači da je model u prosjeku jednako dobar kao stručnjak.
Budući da je ocjenjivanje stručnjaka sporo i skupo, Artificial Analysis je razvio GDPval-AA, neovisnu verziju koja radi kontinuirano. Svaki model dobiva isto agentsko okruženje (Stirrup) s pristupom ljusci i pregledniku, rješava 220 zlatnih zadataka i izrađuje datoteke. AI sudac zatim naslijepo uspoređuje radove dvaju modela, a rezultati se pretvaraju u Elo ocjene, usidrene tako da DeepSeek V4.1 Flash na maksimalnoj razini ima 1600. Verzija 2.1 trenutačno ocjenjuje 319 konfiguracija modela.
Kako čitati Elo. Razlika između dviju ocjena daje očekivani udio pobjeda u izravnoj usporedbi. 0 bodova je 50/50, 100 bodova oko 64%, 200 bodova oko 76%, a 400 bodova oko 91%. Claude Opus 5.5 (1866) bi tako trebao izraditi bolji rad u otprilike 81% usporedbi s najboljim OpenAI modelom (1619) i u oko 92% s modelom Mistral Large 4 Preview (1431). Protiv Kimi K3.1 Pro (1861) to je bacanje novčića: 95-postotni intervali pouzdanosti prva tri modela se preklapaju.
Ljestvica: Anthropic vodi, kineski laboratoriji su izjednačeni, OpenAI zaostaje
Graf prikazuje najbolju konfiguraciju svakog razvijatelja na GDPval-AA v2.1. Anthropic ne drži samo prvo mjesto: devet od prvih 15 mjesta zauzimaju Claude modeli (Opus 5.5, Sonnet 5.5, Fable 5.2, Fable 5.1 i Opus 5 na različitim razinama razmišljanja). Odmah iza su Kimi K3.1 Pro tvrtke Moonshot AI (1861), model otvorenih težina, i Metin Muse Wonder Full (1857), koji nema javni API. Alibabin Qwen4 Max (1809), objavljen ovaj tjedan, četvrti je među razvijateljima.
Izvor: Artificial Analysis, GDPval-AA v2.1 ljestvica, pristupljeno 19. studenoga 2026. Najbolja konfiguracija po razvijatelju (Claude Opus 5.5, Muse Wonder Full, DeepSeek V4.1 Flash 1017 i GPT-5.6 Sol na maksimalnoj razini; Gemini 4 Carbon i Grok 4.7 na visokoj). Intervali pouzdanosti su oko ±15 do ±28 bodova. Narančasto: Anthropic, plavo: OpenAI, crveno: Mistral, tamnosivo: kineski laboratoriji.
Iznenađenje je OpenAI. GDPval je OpenAI-jev vlastiti benchmark, a njegov najbolji model na neovisnoj ljestvici je srpanjski GPT-5.6 Sol (1619). Noviji GPT-6.1 Sol ima 1607 (42. mjesto), a GPT-6 Sol 1514 (62.). OpenAI-jeva vlastita mjerenja izgledaju drukčije (vidi niže), što pokazuje koliko postav evaluacije utječe na rezultat: GDPval-AA pokreće svaki model u istom neutralnom okruženju, a ne u ChatGPT-ovom agentskom okruženju. Najnoviji GPT-6.2 Sol još nije ocijenjen.
Mistral, vodeći europski laboratorij, daleko zaostaje. Mistral Large 4 Preview (listopad 2026.) postiže 1431, 84. mjesto, a raniji Mistral Medium 3.5 samo 769. Ipak je riječ o velikom skoku: više od 650 bodova u šest mjeseci. Google je u sredini s modelom Gemini 4 Carbon (1733). Manus se uopće ne pojavljuje: to je agentski proizvod koji radi na temeljnim modelima, a ne vlastiti model, pa ga ovakve ljestvice ne ocjenjuju.
S 48% na 85% u sedam mjeseci: rezultati koje ocjenjuju ljudi
Izvorni GDPval, koji ocjenjuju ljudi, pokazuje koliko se brzo granica pomiče. U radu iz rujna 2025. najbolji model, Claude Opus 4.1, bio je bolji ili jednak stručnjacima u 47,6% zadataka, tik ispod pariteta. GPT-5 je postigao 39,0%, a GPT-4o iz 2024. samo 12,5%. Kad je u travnju 2026. predstavio GPT-5.5, OpenAI je objavio 84,9% za GPT-5.5, 83,0% za GPT-5.4, 80,3% za Claude Opus 4.7 i 67,3% za Gemini 3.1 Pro.
Izvori: Patwardhan i sur., "GDPval: Evaluating AI Model Performance on Real-World Economically Valuable Tasks" (OpenAI, ruj. 2025.; ICLR 2026), zlatni skup od 220 zadataka, slijepo ocjenjivanje stručnjaka iz zanimanja; OpenAI, "Introducing GPT-5.5" (23. tra. 2026.), podaci proizvođača. OpenAI-jev izvorni blog za neke je modele naveo nešto drukčije vrijednosti (npr. 40,6% za GPT-5 high).
Dvije napomene. Prvo, brojke iz travnja 2026. objavio je OpenAI uz vlastito predstavljanje, bez neovisne provjere. Drugo, nadmašiti stručnjaka na zatvorenom zadatku nije isto što i raditi njegov posao. Autori GDPvala naglašavaju da su zadaci precizno zadani i jednokratni; stvarni posao znači i otkriti što klijent zapravo želi, usklađivati se s kolegama i preuzeti odgovornost za rezultat.
Koliko je brzo napredovao svaki laboratorij
Spajanjem datuma objave s GDPval-AA ocjenama vidi se kada je koji laboratorij dosegnuo koju razinu. Anthropic je skočio s 1240 (Claude Sonnet 4.6, veljača) na 1618 (Claude Fable 5, lipanj) i 1866 (Claude Opus 5.5, rujan). Kineski laboratoriji smanjivali su zaostatak u koracima: GLM-5.2 u lipnju, MiMo-V2.6-Pro u rujnu i Kimi K3.1 Pro u listopadu, koji je sustigao vodećeg. OpenAI od srpnja nije nadmašio svoj rezultat. Mistral je napravio najveći skok godine, ali s niske osnovice.
Izvor: analiza AI Workshopa na temelju GDPval-AA v2.1 ljestvice tvrtke Artificial Analysis (19. stu. 2026.): najviša ocjena među modelima svake skupine objavljenima do navedenog mjeseca, prema današnjim ocjenama. "Najbolji kineski model" obuhvaća Kimi, Alibabu, DeepSeek, Z AI, Xiaomi, MiniMax, StepFun i druge. Mistralova vrijednost za prosinac 2025. je Devstral 2. Uključeni su samo modeli koje je Artificial Analysis evaluirao.
Razina razmišljanja jednako je važna kao i model
Moderni modeli omogućuju izbor koliko dugo "razmišljaju" prije odgovora. Na profesionalnim zadacima ta postavka golemo mijenja rezultat. Claude Opus 5.5 postiže 1239 na niskoj i 1866 na maksimalnoj razini, razliku od 627 bodova, veću od cijelog jaza između Claude Opusa 5.5 i modela Mistral Large 4 Preview (435). GPT-6.1 Sol dobiva 285 bodova od niske do maksimalne razine. U praksi vrhunski model na niskoj postavci može isporučiti lošiji rad od modela srednje klase na visokoj. Naš vodič o modelima zaključivanja i test-time computeu objašnjava zašto.
Izvor: Artificial Analysis, GDPval-AA v2.1 ljestvica, 19. stu. 2026. Claude modeli koriste konfiguraciju "Default Fallback". Razine prate nazive iz API-ja proizvođača (low, medium, high, xhigh, max).
Koliko košta jedan zadatak: kvaliteta po dolaru
Viša razina znači više tokena i više koraka. Artificial Analysis objavljuje i prosječni API trošak rješavanja jednog GDPval zadatka. Claude Opus 5.5 stoji 8,92 $ po zadatku na najvišoj postavci i u prosjeku treba 86 agentskih koraka. Kimi K3.1 Pro postiže statistički jednaku ocjenu za 3,02 $. Claude Fable 5.2, Anthropicov najveći model, najskuplji je s 26,43 $ i ipak je malo ispod Opusa 5.5. Na jeftinom kraju DeepSeek V4.1 Flash (1746) stoji 0,35 $, Xiaomijev MiMo-V2.6-Pro (1692) 0,16 $, a Claude Haiku 5.5 (1629) oko 0,22 $.
Izvor: Artificial Analysis, GDPval-AA v2.1, trošak po zadatku po cjenovniku API-ja (ulazni, cache, tokeni razmišljanja i izlazni tokeni), 19. stu. 2026. Modeli iz zadanog odabira tvrtke Artificial Analysis s javnim API-jem; trošak za Claude Haiku 5.5 Artificial Analysis označava kao procjenu. Vodoravna os u logaritamskoj skali.
Čak je i najviši iznos malen u usporedbi s ljudskom alternativom. Zadatak za koji iskusnom stručnjaku treba nekoliko sati stoji nekoliko stotina eura plaće; model stoji nekoliko dolara. No cijena API-ja nije ukupni trošak: netko mora provjeriti rezultat, ispraviti pogreške i preuzeti odgovornost. To naglašavaju i autori GDPvala: njihova usporedba brzine i troška obuhvaća samo vrijeme modela i cijene API-ja, ne i pregled. Naš članak o usmjeravanju modela i optimizaciji troškova pokazuje kako u jednom procesu kombinirati skupi i jeftini model.
Što GDPval ne govori
- AI sudac nije klijent. GDPval-AA koristi model da odluči koji je rad bolji. To se skalira, ali suci imaju pristranosti, primjerice prema duljim ili uglađenijim dokumentima. Vidi naš vodič o LLM-u kao sucu.
- Relativno, ne apsolutno. Elo govori koji je model bolji od kojeg, a ne je li rad dovoljno dobar da ga pošaljete klijentu.
- Američka zanimanja, zadaci na engleskom. Zadaci odražavaju američko gospodarstvo i napisani su na engleskom. Hrvatski ili njemački dokumenti, domaće pravo i domaća računovodstvena pravila nisu testirani.
- Neutralno okruženje. Svaki model radi u istom agentskom okruženju. Vlastiti proizvodi proizvođača, poput Claudea s vještinama i konektorima ili ChatGPT-ovog agentskog načina, mogu raditi drukčije, što dijelom objašnjava razliku između OpenAI-jevih i neovisnih rezultata.
- Zatvoreni zadaci. Nema sastanaka, nejasnih uputa ni konteksta tvrtke. Upravo je to dio koji stvarne projekte čini teškima.
Što to znači za tvrtke u Hrvatskoj i regiji DACH
- Koristite GDPval za uži izbor, ne za odluku. To je najbolji javni signal za uredski rad s puno dokumenata, ali prije standardizacije testirajte dva ili tri vodeća modela na 20 do 30 vlastitih zadataka. Naša usporedba benchmarka navodi i druge korisne testove.
- Claude je siguran izbor za dokumente visoke vrijednosti. Anthropic drži prvo mjesto i devet od prvih 15. Koji Claude model odgovara kojem poslu, opisano je u našem vodiču za odabir Claude modela.
- Razinu razmišljanja birajte namjerno. Za ugovore, izvještaje i financijske modele koristite visoku ili maksimalnu razinu; za rutinske nacrte dovoljna je niža postavka ili manji model.
- Kineske modele otvorenih težina shvatite ozbiljno, ali provjerite pravila o podacima. Kimi K3.1 Pro i DeepSeek daju vrhunske rezultate za djelić cijene. Pokrenuti na vlastitim poslužiteljima u EU-u mogu biti opcija; preko kineskih API-ja GDPR i povjerljivost ih obično isključuju. Vidi našu analizu kineskih AI modela.
- Mistral za suverenost, ne za vrhunsku kvalitetu. Mistral Large 4 brzo napreduje i može raditi u Europi, ali na profesionalnim zadacima jasno zaostaje. Naš vodič za Mistral opisuje gdje se uklapa.
- Planirajte pregled, a ne zamjenu. Realan model je da AI izradi prvih 80%, a stručnjak dovrši i potpiše. Naš članak o AI-ju i tržištu rada razmatra što to znači za radna mjesta.
Zaključak
GDPval je najbliže što industrija ima testu stvarnog profesionalnog rada, a krajem 2026. pokazuje jasnu sliku. Najbolji modeli sada su jednaki ili bolji od stručnjaka na većini jasno zadanih zadataka. Anthropic vodi neovisnu ljestvicu, kineski laboratoriji sustigli su ga uz znatno niže cijene, OpenAI-jevi neovisni rezultati zaostaju za njegovim tvrdnjama, a Mistral napreduje iz velikog zaostatka. Za tvrtke je pouka praktična: odaberite vrhunski model, pustite ga da dovoljno dugo razmišlja na važnim poslovima, testirajte ga na vlastitim zadacima i neka kvalificirana osoba ostane odgovorna za ono što izlazi iz tvrtke.
Koji je model najbolji za vaš posao?
AI Workshop testira Claude, GPT, Mistral i modele otvorenih težina na vašim dokumentima i procesima, postavlja prave razine razmišljanja i korake pregleda te gradi proces oko njih. Naši Claude Certified Architecti kreću od jednog stvarnog radnog proizvoda i mjerljivog rezultata.
Razgovarajte s AI konzultantom