ИИ издържа изпитите за икономист: GPT-5 отнема работни места на хората във всяка втора задача

OpenAI представи нов тест, наречен GDPval, който измерва колко добре се справя изкуственият интелект със задачите от реалната икономика в сравнение с хората. За разлика от обичайните академични еталони, той разчита на девет основни индустрии, които формират по-голямата част от БВП на САЩ: включени са здравеопазването, финансите, производството и публичният сектор. В рамките на всеки сектор са избрани 44 професии, вариращи от компютърни програмисти и журналисти до медицински специалисти и анализатори. Идеята е да се възложат на моделите същите задачи, които обикновено получават професионалистите, и след това експертите да сравнят резултатите.

Задачите в GDPval-v0 са възможно най-близки до ежедневната работа. Така например от инвестиционните банкери беше поискано да изготвят преглед на конкурентите в сегмента на доставките от последната миля, след което сравниха резултата с доклад, написан от изкуствен интелект. Във всеки случай участниците избраха по-добрия вариант, а след това резултатите бяха осреднени, за да се формира оценка на победите и равенствата на модела спрямо професионалните материали.

Резултатите се оказаха поразителни. Установено бе, че разширената конфигурация GPT-5 с увеличена изчислителна мощност, обозначена като GPT-5-high, е равна или по-добра от докладите на експертите в бранша в 40,6% от случаите. За сравнение, мултимодалната конфигурация GPT-4o, пусната на пазара преди година и половина, се представи добре само в 13,7% от случаите. Разликата демонстрира значително повишаване способността на невронните мрежи да генерират структурирани и убедителни документи. Anthropic Claude Opus 4.1 се представи още по-добре, постигайки 49%. От OpenAI отбелязват, че този висок резултат може да е свързан не само с дълбочината на анализа, но и с визуалното представяне – Claude има склонността да разработва материали със схеми и диаграми, което повишава възприемането на готовия доклад.

В същото време OpenAI открито говори за слабостите на настоящия тест. В реалната работа служителите изпълняват много повече задачи, отколкото просто да пишат доклади. Има взаимодействие с колеги, многократно усъвършенстване, проверка на хипотези, бързо адаптиране към променящите се условия. GDPval все още не отразява това и компанията планира да създаде по-сложни сценарии, в които ИИ ще трябва да работи интерактивно с междинни стъпки и обратна връзка.

Въпреки ограниченията, вътре в компанията се подчертава значението на вече постигнатото. Главният икономист на OpenAI Аарон Чатърджи смята, че моделите вече са в състояние да затворят някои от рутинните задачи, което позволява на специалистите да се съсредоточат върху по-сложните и значими аспекти на работата си. Ръководителят на отдела за оценки Теджал Патуордхан също отбелязва темпото на напредъка: само за петнадесет месеца GPT-5 почти утрои резултата на GPT-4o и тенденцията изглежда устойчива.

Досега браншът разчиташе в голяма степен на други тестове: AIME 2025 проверява способността за решаване на сложни математически задачи, а GPQA Diamond оценява научните познания на следдипломно ниво. Най-добрите модели обаче вече са достигнали тавана си в тази област. На този фон експерименти като GDPval стават все по-важни, тъй като дават възможност да се прецени доколко изкуственият интелект е готов за практически приложения. В същото време за окончателните заключения ще е необходима следващата версия на теста, която ще вземе предвид повече професии и ще отразява самия работен процес, а не само крайния документ.

Днешните резултати не показват превъзходството на машините над хората, а появата на инструмент, който вече може да се впише в ежедневните процеси. Част от работата – събирането и съпоставянето на информация – може да бъде делегирана на ИИ, а хората да бъдат оставени да поставят задачите, да проверяват фактите и да вземат окончателните решения. Тази промяна превръща моделите не в конкуренти, а в асистенти, като ускорява и опростява задачите в редица области.