Aprovação rigorosa e nota graduada contam histórias diferentes. O GPT-6.2 Astra passa integralmente 47,5% das tarefas longas, mas tem média de 78,3%, então grande parte do seu trabalho ganha crédito parcial sem passar por todas as verificações.
Ranking de agentes de IA para trabalho em 2026: os 10 melhores em testes de tarefas reais
O melhor agente no Agents' Last Exam, GPT-6.2 Astra, conclui totalmente só 47,5% de 122 tarefas profissionais longas. Nos fluxos de trabalho de negócios da Zapier, a maioria das falhas são agentes que dizem ter tido sucesso enquanto os registros estão errados.
- Nº 1: GPT-6.2 Astra (Codex)
- 10 posições
01Lista final
As IAs líderes montaram cada uma a sua lista de dez, de forma independente. Aqui está um resultado fácil de conferir: cada posição tem um motivo, uma fonte e a lista das IAs que a incluíram.
Compare taxas de conclusão e notas em tarefas profissionais de longo prazo, incluindo crédito parcial e taxas de aprovação rigorosa.
Uma etiqueta forte significa que essa IA pôs o item na sua lista. Uma esmaecida, que não pôs.
- 1
GPT-6.2 Astra (Codex)
Tem a maior taxa de aprovação rigorosa na prova longa, 47,5%, em 29 horas, contra 227 horas do Fable. Também passa 52,4% dos fluxos de trabalho de negócios da Zapier, a US$0,83 por tarefa.
Incluíram: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, Qwen. Não incluíram: Claude, DeepSeek, Qianwen.Nas listas delas: ChatGPT: 1 · Meta: 2 · Grok: 1 · Gemini: 1 · MiMo: 1 · Kimi: 5 · Qwen: 2
O que cada IA notou 7
- ChatGPTposição 1
47,5% de aprovações estritas e 78,3% de nota graduada, a US$ 3,05 por tarefa e cerca de 14 minutos: quase metade das tarefas ainda falha no critério de tudo ou nada.
Fonte ↗ - Metaposição 2
47,5% de aprovação na ALE v1.1, a maior aprovação estrita até agora, em 29 horas em vez de 227.
Fonte ↗ - Grokposição 1
Conclui estritamente 47,5% de 122 tarefas profissionais longas em 29 horas, uma execução que o Fable leva 227 horas para se aproximar.
- Geminiposição 1
Lidera o Agents' Last Exam v1.1 com 47,5% de aprovação e nota parcial de 78,3%, usando 2,6 milhões de tokens de saída, embora usuários ainda apontem excesso de engenharia e afirmações não verificadas.
Fonte ↗ - MiMoposição 1
Primeiro modelo já classificado como High em capacidade de autoaperfeiçoamento, e ainda o que as pessoas supervisionam por último.
Fonte ↗ - Kimiposição 5
Tem o maior número profissional autorrelatado de todos, 77,6% na ALE v1.1, mas é a rubrica própria do laboratório no esforço máximo, e não a taxa de aprovação estrita pela qual os outros são avaliados.
Fonte ↗ - Qwenposição 2
Lidera a Agents' Last Exam v1.1 com 47,5% de aprovação estrita e nota de 78,3%, usando 2,6 milhões de tokens de saída.
Fonte ↗
7 IAs colocaram aqui - 2
Gemini 4 Carbon
Está perto do topo nas duas listas: 45,9% de aprovação rigorosa na prova longa e 53,9% nos fluxos da Zapier. Sua nota parcial de 77,4% esconde que ele falha em cerca de 54 de cada 100 tarefas longas.
Incluíram: ChatGPT, Meta, Grok, Gemini, Claude, Kimi, DeepSeek. Não incluíram: MiMo, Qwen, Qianwen.Nas listas delas: ChatGPT: 9 · Meta: 4 · Grok: 2 · Gemini: 3 · Claude: 1 · Kimi: 3 · DeepSeek: 1
O que cada IA notou 7
- ChatGPTposição 9
53,9% de conclusão de tarefas fica logo atrás do líder do placar privado, mas não é diretamente comparável às tarefas profissionais de uso de computador da ALE.
Fonte ↗ - Metaposição 4
53,9% no AutomationBench, a melhor nota entre aplicativos, e 10,9% no GDPx, a um terço do custo por tarefa do Opus.
- Grokposição 2
Nota graduada de 77,4% no exame longo, e ainda assim reprova estritamente cerca de 54 em cada 100 dessas tarefas.
- Geminiposição 3
Registra 45,9% de aprovação e 77,4% de nota no Agents' Last Exam v1.1, combinando bom crédito parcial em fluxos complexos com verificações determinísticas.
Fonte ↗ - Claudeposição 1
Lidera a ALE v1.1 com 45,9% de aprovação estrita e 77,4% de nota, e passa em 53,9% das tarefas do AutomationBench a US$ 2,12 cada.
- Kimiposição 3
O campeão do avaliador de fluxos mais rigoroso: 53,9% no AutomationBench é a maior taxa de aprovação que a Zapier registrou em 657 tarefas reais de negócios.
- DeepSeekposição 1
Lidera a ALE com 45,9% de aprovação estrita e 77,4% de nota, mas ainda erra o nível mais difícil em 100% das vezes.
Fonte ↗
7 IAs colocaram aqui - 3
Claude Fable 5.2 (Claude Code)
Sua taxa de 46,9% na prova longa deixa de fora 9 tarefas rebaixadas e levou 227 horas, a execução mais pesada. Passa 51,4% dos fluxos da Zapier, mas a US$4,64 por tarefa.
Incluíram: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen. Não incluíram: Claude, Qianwen.Nas listas delas: ChatGPT: 6 · Meta: 3 · Grok: 7 · Gemini: 2 · MiMo: 2 · Kimi: 4 · DeepSeek: 2 · Qwen: 1
O que cada IA notou 8
- ChatGPTposição 6
43,4% de aprovações estritas, custa US$ 60,05 e leva duas horas por tarefa na execução divulgada: perto da taxa de aprovação do líder, mas com custo quase 20 vezes maior.
Fonte ↗ - Metaposição 3
46,9% na ALE v1.1 e no topo do Intelligence Index, depois de 227 horas de tempo de agente.
Fonte ↗ - Grokposição 7
A taxa de 46,9% deixa de fora 9 tarefas, e a execução ainda levou 227 horas e US$ 4,64 por fluxo de trabalho.
- Geminiposição 2
Chega a 46,9% de aprovação e 72,8% de nota no Agents' Last Exam v1.1 (média das tarefas, excluindo 9 itens rebaixados), mas exige disciplina cuidadosa de custo e verificação.
Fonte ↗ - MiMoposição 2
Preço igual ao do Astra, cerca de US$ 8, e a corrida dos benchmarks agora se decide por centavos, não por inteligência.
Fonte ↗ - Kimiposição 4
Dobrou o antecessor em um único lançamento, de 22,4% para 51,4% no AutomationBench, com 96,9 chamadas de ferramenta por tarefa, a US$ 9,01 por aprovação real no esforço máximo.
- DeepSeekposição 2
Conclui 41,25% de trabalhos freelance reais, mais que o dobro do Opus 5.5, a US$ 15,70 ou mais por tarefa da ALE.
- Qwenposição 1
Lidera o SWE-bench Verified com 95% e a fronteira de Pareto de trabalho real da Arena a US$ 11,32 por tarefa.
Fonte ↗
8 IAs colocaram aqui - 4
Gemini 4 Neon
Lidera a lista oficial de fluxos de trabalho da Zapier com 56,3%, a US$1,69 por tarefa. Não tem linha na prova longa profissional, então é testado em apenas uma lista.
Incluíram: ChatGPT, Grok, Gemini, Claude, Qwen. Não incluíram: Meta, MiMo, Kimi, DeepSeek, Qianwen.Nas listas delas: ChatGPT: 2 · Grok: 4 · Gemini: 4 · Claude: 5 · Qwen: 5
O que cada IA notou 5
- ChatGPTposição 2
56,3% de conclusão estrita no conjunto privado de fluxos de trabalho da Zapier lidera a lista atual de modelos, mas uma tarefa só conta quando o estado final de todos os aplicativos está certo.
Fonte ↗ - Grokposição 4
Conclui 56,32% dos fluxos privados da Zapier por US$ 1,69, e o exame profissional longo não o lista.
- Geminiposição 4
Lidera o AutomationBench-AA com 79,3% e 94% dos objetivos concluídos em fluxos de negócios entre vários aplicativos, mas ainda exige checagens de salvaguardas e humanas em ações de alto risco.
Fonte ↗ - Claudeposição 5
Lidera o AutomationBench com 56,3% a US$ 1,69 por tarefa, mais barato por tarefa que o Carbon.
Fonte ↗ - Qwenposição 5
Lidera o placar independente Artificial Analysis AutomationBench-AA com 79,3% em fluxos SaaS simulados.
Fonte ↗
5 IAs colocaram aqui - 5
Qwen 4 (ambiente do Codex)
Passa 46,7% da prova longa, uma décima de ponto atrás do Fable, mas precisa de 185 horas. Uma equipe externa o executou, e não há números publicados de fluxos de trabalho nem de custo.
Incluíram: Meta, Grok, Gemini. Não incluíram: ChatGPT, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.Nas listas delas: Meta: 8 · Grok: 5 · Gemini: 5
O que cada IA notou 3
- Metaposição 8
46,7% na ALE v1.1, em terceiro lugar logo atrás da fronteira, com bem menos custo e evidência de supervisão publicada.
Fonte ↗ - Grokposição 5
46,7% de aprovação estrita, a um décimo de ponto da taxa principal do Fable, depois de 185 horas.
Fonte ↗ - Geminiposição 5
Compete na faixa de cima do Agents' Last Exam v1.1 ao lado dos 46,7% de aprovação e 74,4% de nota do Qwen 4 em fluxos profissionais verificáveis.
Fonte ↗
3 IAs colocaram aqui - 6
Kimi 3.1 Pro (Kimi Code)
Iguala os 43,4% de aprovação do Opus 5.5 na prova longa em 61 horas, em vez de 177, usando 8,5 milhões de tokens de saída contra 21,5 milhões. É a escolha de eficiência entre os quase líderes.
Incluíram: ChatGPT, Grok, Gemini, Claude, DeepSeek. Não incluíram: Meta, MiMo, Kimi, Qwen, Qianwen.Nas listas delas: ChatGPT: 7 · Grok: 3 · Gemini: 6 · Claude: 4 · DeepSeek: 5
O que cada IA notou 5
- ChatGPTposição 7
43,4% de aprovação estrita a US$ 7 por tarefa e cerca de 30 minutos: mesma fatia de aprovação das execuções de fronteira mais caras divulgadas neste placar.
Fonte ↗ - Grokposição 3
A mesma aprovação estrita de 43,4% do Opus, em cerca de um terço das horas e com 8,5 milhões de tokens contra 21,5 milhões.
Fonte ↗ - Geminiposição 6
Entrega 43,4% de aprovação no topo do harness Kimi Code e 74,4% de nota, usando 8,5 milhões de tokens de saída, bem abaixo dos 21,5 milhões do Claude Opus 5.5.
Fonte ↗ - Claudeposição 4
Um modelo de família de pesos abertos empatado com o Opus 5.5 em 43,4% na ALE v1.1, enquanto seu irmão Kimi K3 fica em 12º no AutomationBench, com 22,7%.
Fonte ↗ - DeepSeekposição 5
43,4% de aprovação na ALE em 61 horas: mais rápido que o Opus 5.5 e o Fable 5.2, com notas parecidas.
Fonte ↗
5 IAs colocaram aqui - 7
Gemini 4 Hydrogen (Antigravity CLI)
É a escolha de melhor custo-benefício: 51,1% nos fluxos da Zapier a US$0,82 por tarefa, e ainda 30,6% a US$0,18. Também passa 43,4% da prova longa.
Incluíram: Grok, Kimi. Não incluíram: ChatGPT, Meta, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.Nas listas delas: Grok: 9 · Kimi: 6
O que cada IA notou 2
- Grokposição 9
Fluxos de trabalho empresariais custam US$ 0,82 com 51,14% de taxa estrita, enquanto o exame longo consome 25,5 milhões de tokens para chegar a 43,4%.
- Kimiposição 6
A fronteira de valor: 51,1% no AutomationBench a US$ 0,82 por tarefa, e, com esforço baixo, ainda passa 30,6% a US$ 0,18. Nada testado é ao mesmo tempo mais barato e mais preciso.
2 IAs colocaram aqui - 8
Claude Opus 5.5 (Claude Code)
Passa 43,4% da prova longa depois de 177 horas e 21,5 milhões de tokens, e 42,5% dos fluxos da Zapier a US$1,44. Seus 38,2% na lista antiga vêm de um conjunto de tarefas diferente.
Incluíram: ChatGPT, Meta, Grok, Claude, Kimi, DeepSeek, Qwen. Não incluíram: Gemini, MiMo, Qianwen.Nas listas delas: ChatGPT: 10 · Meta: 1 · Grok: 8 · Claude: 2 · Kimi: 1 · DeepSeek: 4 · Qwen: 4
O que cada IA notou 7
- ChatGPTposição 10
50,3% no conjunto público de 600 tarefas da Zapier, enquanto a própria Zapier alerta que suas notas oficiais do conjunto privado reservado podem ser diferentes.
Fonte ↗ - Metaposição 1
Lidera o teste profissional mais difícil com 12%, mas ainda erra 88%, a US$ 51,41 por tarefa.
Fonte ↗ - Grokposição 8
43,4% de aprovação estrita e nota de 71,6%, depois de 177 horas e 21,5 milhões de tokens de saída.
Fonte ↗ - Claudeposição 2
Empata em segundo na ALE v1.1 com 43,4%, mas o AutomationBench lhe dá 29,5% a US$ 0,65 por tarefa no modo médio e 42,5% no máximo, uma grande diferença conforme a configuração.
Fonte ↗ - Kimiposição 1
Lidera o exame de trabalho profissional mais rigoroso (38,2% de aprovação, 63,2% de nota no Agents' Last Exam) e o GDPval-AA (68,3%), por US$ 1.340 e 183 horas de computação.
Fonte ↗ - DeepSeekposição 4
O melhor no DAYJOB, com tarefas profissionais de 13 a 17 horas, com 24,7% em saúde, mas 177 horas na ALE.
Fonte ↗ - Qwenposição 4
Chega a 97% no SWE-bench Verified (com Mini-SWE-agent) custando só US$ 8,06 por tarefa no placar de trabalho da Arena.
Fonte ↗
7 IAs colocaram aqui - 9
GPT-6.2 Sol (Codex)
Fica cerca de seis pontos atrás do Astra, passando 41,8% da prova longa, e ainda termina em 32 horas com 3,1 milhões de tokens. Não há nota publicada na lista de fluxos de trabalho.
Incluíram: Grok, MiMo. Não incluíram: ChatGPT, Meta, Gemini, Claude, Kimi, DeepSeek, Qwen, Qianwen.2 IAs colocaram aqui - 10
Gemini 4 Argon
Passa 51,3% dos fluxos da Zapier a US$1,70 de preço de tabela, mas só 40,2% da prova longa. Liderou a lista de fluxos em outubro, até o Neon ultrapassá-lo.
Incluíram: Meta, Grok, Claude, DeepSeek. Não incluíram: ChatGPT, Gemini, MiMo, Kimi, Qwen, Qianwen.Nas listas delas: Meta: 5 · Grok: 10 · Claude: 8 · DeepSeek: 6
O que cada IA notou 4
- Metaposição 5
51,3% no AutomationBench, 337 de 657 fluxos, a US$ 1,70 por tarefa.
- Grokposição 10
O preço de tabela é US$ 1,70 por fluxo de trabalho para uma taxa estrita de 51,29%, e a taxa de aprovação no exame longo é 40,2%.
- Claudeposição 8
Marca 40,2% na ALE v1.1 e também chega ao topo de um instantâneo reexecutado do AutomationBench 1.0.6, com 51,3%.
Fonte ↗ - DeepSeekposição 6
51,3% de aprovação estrita no AutomationBench a US$ 1,70 por tarefa: o melhor agente de fluxos entre aplicativos.
Fonte ↗
4 IAs colocaram aqui
02Vale a pena saber
O que as IAs perceberam ao montar a lista.
Falhas parecem sucessos: a Zapier informa que o agente afirmou ter tido sucesso enquanto os registros estavam errados em 91% das falhas do Gemini, 84% das falhas do GPT-5.4 e 72% das falhas do Opus.
Taxas de aprovação parecidas podem exigir um dia ou uma semana de tempo de máquina. Os 47,5% do Astra levaram 29 horas, enquanto os 46,9% do Fable 5.2, em um conjunto que faltam 9 tarefas, levaram 227 horas.
Todo modelo avaliado no AutomationBench-AA violou regras de negócio, com 0,46 a 1,26 violações por tarefa, então a revisão humana não é opcional.
A Epoch AI considerou o Agents' Last Exam v1.1 falho: em uma amostra, 22 de 50 tarefas podiam dar nota máxima sem o trabalho pretendido. Trate as notas como evidência, não como garantia de confiabilidade.
03Como contamos
Em palavras simples, sem fórmulas.
1A pergunta
Os 10 melhores agentes de IA para trabalho profissional: desempenho em tarefas, custo e supervisão humana
2Por que este tema
O leitor vê o desempenho medido em tarefas junto com custo, tempo de execução e a necessidade de revisão humana, compromissos que nenhum teste isolado mostra.
3Onde se aplica
Sistemas de agentes de IA globais, focados em fluxos de trabalho profissionais longos e verificáveis
4O que analisamos
- Compare taxas de conclusão e notas em tarefas profissionais de longo prazo, incluindo crédito parcial e taxas de aprovação rigorosa.
- Compare o desempenho com custo, tempo de execução e a revisão humana, correção ou assunção de controle necessária para confiar no resultado.
- Agents' Last Exam v1.1 (UC Berkeley RDI, RDI Foundation, Snorkel AI) — Taxa de aprovação rigorosa e nota graduada com crédito parcial em 122 tarefas públicas longas, em 55 subsetores, com tempo de execução e saída
- Zapier AutomationBench 1.0.6 — Conclusão rigorosa de fluxos de negócios entre aplicativos em um conjunto privado de reserva (47 aplicativos simulados, seis funções), com custo por tarefa. Todas as verificações precisam passar.
- Artificial Analysis AutomationBench-AA — Nova execução independente sobre as 657 tarefas privadas da Zapier: conclusão objetiva segura contra violações de regras (crédito parcial) mais aprovação rigorosa. Todo modelo viola regras de negócio, com
- Revisão da Epoch AI sobre o Agents' Last Exam — Auditoria do próprio teste: em uma amostra, 22 de 50 tarefas permitiam nota máxima sem o trabalho pretendido.
5Quem classificou
As IAs líderes: ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen. Cada uma montou sua própria lista de dez de forma independente e indicou uma fonte para cada posição.
6Como as posições foram definidas
O mesmo item escrito de formas diferentes por IAs diferentes foi contado como um só. Quanto mais IAs o colocaram na lista, e quanto mais alto, mais alta a posição. "Acordo das IAs" mostra quantas IAs tinham o item na própria lista. As fontes são apenas as que as próprias IAs encontraram; nada foi acrescentado à mão.
04A lista de cada IA
🇺🇸 ChatGPT10 posições · 4 notas
A mesma pergunta, respondida só por ChatGPT. A lista final acima combina todas as IAs.
- 1GPT-6.2 Astra — Agents' Last Exam v1.1
47,5% de aprovações estritas e 78,3% de nota graduada, a US$ 3,05 por tarefa e cerca de 14 minutos: quase metade das tarefas ainda falha no critério de tudo ou nada.
Fonte ↗ - 2Gemini 4 Neon — AutomationBench (Zapier)
56,3% de conclusão estrita no conjunto privado de fluxos de trabalho da Zapier lidera a lista atual de modelos, mas uma tarefa só conta quando o estado final de todos os aplicativos está certo.
Fonte ↗ - 3GPT-6.2 Astra — AutomationBench (Zapier)
52,4% de aprovações estritas de fluxos de trabalho no mesmo placar de conjunto reservado, com o resultado da ALE a US$ 3,05 por tarefa à parte, como um segundo dado que não é diretamente comparável.
Fonte ↗ - 4GPT-6.2 Astra — AutomationBench-AA
A Artificial Analysis avalia 657 tarefas criadas pela Zapier e 22.822 asserções, mostrando a conclusão objetiva parcial ao lado das aprovações estritas, em vez de reduzir cada tarefa a um simples «terminou».
Fonte ↗ - 5GPT-6.2 Astra — Remote Labor Index
Vai bem nos testes de fluxos simulados, mas o benchmark da Scale AI, com projetos freelance avaliados por especialistas, serve de contraponto necessário às tarefas arrumadinhas de sandbox.
Fonte ↗ - 6Claude Fable 5.2 Max — Agents' Last Exam v1.1
43,4% de aprovações estritas, custa US$ 60,05 e leva duas horas por tarefa na execução divulgada: perto da taxa de aprovação do líder, mas com custo quase 20 vezes maior.
Fonte ↗ - 7Kimi K3.1 Pro Max — Agents' Last Exam v1.1
43,4% de aprovação estrita a US$ 7 por tarefa e cerca de 30 minutos: mesma fatia de aprovação das execuções de fronteira mais caras divulgadas neste placar.
Fonte ↗ - 8Claude Opus 5.5 Max — Agents' Last Exam v1.1
43,4% de aprovação estrita a US$ 17,57 por tarefa e 87 minutos, abaixo da taxa de aprovação da melhor execução, com custo divulgado bem maior.
Fonte ↗ - 9Gemini 4 Carbon — AutomationBench (Zapier)
53,9% de conclusão de tarefas fica logo atrás do líder do placar privado, mas não é diretamente comparável às tarefas profissionais de uso de computador da ALE.
Fonte ↗ - 10Claude Opus 5 — AutomationBench public benchmark
50,3% no conjunto público de 600 tarefas da Zapier, enquanto a própria Zapier alerta que suas notas oficiais do conjunto privado reservado podem ser diferentes.
Fonte ↗
O que ChatGPT percebeu
Aprovação estrita e nota graduada contam histórias diferentes: a execução da ALE do GPT-6.2 Astra é relatada com 47,5% de aprovações completas, mas 78,3% de nota média. Isso significa que muitas execuções ganharam crédito parcial sem cumprir todos os requisitos da rubrica.
No AutomationBench, a maior taxa do conjunto privado divulgado foi 56,3%, enquanto o repositório público da Zapier registra 50,3% para o modelo de topo do seu conjunto público. Conjuntos separados explicam por que esses números não devem ser reunidos numa só conta.
O ranking por custo pode inverter a capacidade aparente: uma execução da ALE do Claude Fable 5.2 Max custou US$ 60,05 e levou duas horas para 43,4% de aprovação estrita, contra os 47,5% do GPT-6.2 Astra a US$ 3,05 e cerca de 14 minutos.
Uma auditoria de benchmark encontrou falhas graves de correção numa amostra de tarefas da ALE: a Epoch AI disse que 22 de 50 tarefas amostradas davam nota máxima sem o trabalho pretendido. Isso é motivo para tratar os rankings como evidência, não como garantia de confiabilidade no trabalho.
🇺🇸 Meta10 posições · 3 notas
A mesma pergunta, respondida só por Meta. A lista final acima combina todas as IAs.
- 1Claude Opus 5.5 (Max) – Claude Code
Lidera o teste profissional mais difícil com 12%, mas ainda erra 88%, a US$ 51,41 por tarefa.
Fonte ↗ - 2GPT-6.2 Astra (Max) – Codex
47,5% de aprovação na ALE v1.1, a maior aprovação estrita até agora, em 29 horas em vez de 227.
Fonte ↗ - 3Claude Fable 5.2 (Max) – Claude Code
46,9% na ALE v1.1 e no topo do Intelligence Index, depois de 227 horas de tempo de agente.
Fonte ↗ - 4Gemini 4 Carbon (High)
53,9% no AutomationBench, a melhor nota entre aplicativos, e 10,9% no GDPx, a um terço do custo por tarefa do Opus.
- 5Gemini 4 Argon (High)
51,3% no AutomationBench, 337 de 657 fluxos, a US$ 1,70 por tarefa.
- 6GPT-6 Astra (Max) – Codex
9,6% no GDPx e 41,4% no AutomationBench, bons, mas um degrau abaixo do seu sucessor 6.2 nos dois.
Fonte ↗ - 7Claude Sonnet 5.5 (Max)
44,7% no AutomationBench, o Claude prático para trabalho rotineiro entre aplicativos, a US$ 1,14 por tarefa.
- 8Qwen 4
46,7% na ALE v1.1, em terceiro lugar logo atrás da fronteira, com bem menos custo e evidência de supervisão publicada.
Fonte ↗ - 9GPT-6.1 Terra (Max)
60,0% na nota da ALE a US$ 1,01 por tarefa, nove vezes mais barato que o Opus 5.5 por cinco pontos a menos.
Fonte ↗ - 10GitHub Copilot Fusion (Max)
71,2% no Terminal-Bench, a maior nota de terminal, mas tarefas de terminal não são trabalho profissional geral.
Fonte ↗
O que Meta percebeu
O melhor agente no GDPx ainda erra 88% das tarefas de especialistas, e todos os modelos tiraram zero em finanças e direito nos primeiros relatos desse benchmark.
O custo inverte o ranking: o Fable 5.2 precisou de 227 horas na ALE v1.1, enquanto o GPT-6.2 Astra precisou de 29 horas para uma taxa de aprovação maior.
O horizonte da METR dobra aproximadamente a cada 130 dias desde 2023, mas o horizonte confiável de 80% é bem mais curto que o de 50%. Assim, o trabalho longo e confiável fica para trás do trabalho longo das manchetes.
🇺🇸 Grok10 posições · 3 notas
A mesma pergunta, respondida só por Grok. A lista final acima combina todas as IAs.
- 1GPT-6.2 Astra
Conclui estritamente 47,5% de 122 tarefas profissionais longas em 29 horas, uma execução que o Fable leva 227 horas para se aproximar.
- 2Gemini 4 Carbon
Nota graduada de 77,4% no exame longo, e ainda assim reprova estritamente cerca de 54 em cada 100 dessas tarefas.
- 3Kimi 3.1 Pro
A mesma aprovação estrita de 43,4% do Opus, em cerca de um terço das horas e com 8,5 milhões de tokens contra 21,5 milhões.
Fonte ↗ - 4Gemini 4 Neon
Conclui 56,32% dos fluxos privados da Zapier por US$ 1,69, e o exame profissional longo não o lista.
- 5Qwen 4
46,7% de aprovação estrita, a um décimo de ponto da taxa principal do Fable, depois de 185 horas.
Fonte ↗ - 6GPT-6.2 Sol
Perde seis pontos de aprovação para o Astra e ainda termina o exame longo em 32 horas.
Fonte ↗ - 7Claude Fable 5.2
A taxa de 46,9% deixa de fora 9 tarefas, e a execução ainda levou 227 horas e US$ 4,64 por fluxo de trabalho.
- 8Claude Opus 5.5
43,4% de aprovação estrita e nota de 71,6%, depois de 177 horas e 21,5 milhões de tokens de saída.
Fonte ↗ - 9Gemini 4 Hydrogen
Fluxos de trabalho empresariais custam US$ 0,82 com 51,14% de taxa estrita, enquanto o exame longo consome 25,5 milhões de tokens para chegar a 43,4%.
- 10Gemini 4 Argon
O preço de tabela é US$ 1,70 por fluxo de trabalho para uma taxa estrita de 51,29%, e a taxa de aprovação no exame longo é 40,2%.
O que Grok percebeu
A melhor nota estrita no exame profissional longo ainda falha na maioria das tarefas: o GPT-6.2 Astra passa em 47,5% de 122, então uma pessoa precisa terminar ou descartar o resto.
Uma taxa parecida de aprovação no exame longo pode custar uma semana de máquina ou um dia. O Astra, com 47,5%, levou 29 horas e 2,6 milhões de tokens de saída. O Fable 5.2, com 46,9% num conjunto que retira 9 tarefas, levou 227 horas e 28,2 milhões.
Em junho, a Berkeley relatou que todo agente de fronteira que testou, incluindo o Fable 5, fez 0% no nível mais difícil, e o melhor resultado geral foi cerca de 26%. O quadro de outubro é um conjunto público diferente, menor.
🇺🇸 Gemini10 posições · 3 notas
A mesma pergunta, respondida só por Gemini. A lista final acima combina todas as IAs.
- 1Codex + GPT-6.2 Astra
Lidera o Agents' Last Exam v1.1 com 47,5% de aprovação e nota parcial de 78,3%, usando 2,6 milhões de tokens de saída, embora usuários ainda apontem excesso de engenharia e afirmações não verificadas.
Fonte ↗ - 2Claude Code + Fable 5.2
Chega a 46,9% de aprovação e 72,8% de nota no Agents' Last Exam v1.1 (média das tarefas, excluindo 9 itens rebaixados), mas exige disciplina cuidadosa de custo e verificação.
Fonte ↗ - 3ALE-Claw + Gemini 4 Carbon
Registra 45,9% de aprovação e 77,4% de nota no Agents' Last Exam v1.1, combinando bom crédito parcial em fluxos complexos com verificações determinísticas.
Fonte ↗ - 4Gemini 4 Neon (Xhigh)
Lidera o AutomationBench-AA com 79,3% e 94% dos objetivos concluídos em fluxos de negócios entre vários aplicativos, mas ainda exige checagens de salvaguardas e humanas em ações de alto risco.
Fonte ↗ - 5Codex + Qwen4-Max
Compete na faixa de cima do Agents' Last Exam v1.1 ao lado dos 46,7% de aprovação e 74,4% de nota do Qwen 4 em fluxos profissionais verificáveis.
Fonte ↗ - 6Kimi Code + Kimi 3.1 Pro
Entrega 43,4% de aprovação no topo do harness Kimi Code e 74,4% de nota, usando 8,5 milhões de tokens de saída, bem abaixo dos 21,5 milhões do Claude Opus 5.5.
Fonte ↗ - 7Claude Opus 5
Lidera a execução pública de tarefas SaaS multidomínio do AutomationBench, com 50,3% de aprovação no esforço máximo, em vendas, marketing, operações, suporte, finanças e RH.
Fonte ↗ - 8Antigravity CLI
Chega a 43,4% de aprovação no topo do Agents' Last Exam v1.1, mostrando orquestração competitiva de harness em tarefas de vários passos.
Fonte ↗ - 9Muse Code
Registra 38,5% de aprovação no topo do Agents' Last Exam v1.1, atrás dos melhores harnesses na conclusão estrita de tarefas completas, e precisa de verificação humana nos casos de borda.
Fonte ↗ - 10OpenClaw
Registra 36,1% de aprovação no topo do Agents' Last Exam v1.1, mostrando capacidade útil de automação, mas deixando muito espaço para revisão e correção humanas.
Fonte ↗
O que Gemini percebeu
Mesmo a melhor taxa de aprovação do Agents' Last Exam v1.1 (47,5%) deixa mais da metade das 122 tarefas sem solução, enquanto os níveis mais difíceis historicamente ficaram com média abaixo de 1% de aprovação completa.
O custo em tokens e o tempo de execução variam muito por modelo e harness. Por exemplo, o Kimi 3.1 Pro chega a 74,4% de nota com 8,5 milhões de tokens de saída, contra 21,5 milhões do Opus 5.5, e harnesses leves podem cortar custos em 41% sem grande perda de qualidade.
O relatório da Zapier de novembro de 2026 mostra que 45% dos executivos limitam a supervisão humana da IA apenas a trabalhos de alto risco, ou não a fazem, mesmo com agentes ainda cometendo erros que exigem revisão humana.
🇺🇸 Claude10 posições · 4 notas
A mesma pergunta, respondida só por Claude. A lista final acima combina todas as IAs.
- 1Gemini 4 Carbon (Google)
Lidera a ALE v1.1 com 45,9% de aprovação estrita e 77,4% de nota, e passa em 53,9% das tarefas do AutomationBench a US$ 2,12 cada.
- 2Claude Opus 5.5 (Anthropic)
Empata em segundo na ALE v1.1 com 43,4%, mas o AutomationBench lhe dá 29,5% a US$ 0,65 por tarefa no modo médio e 42,5% no máximo, uma grande diferença conforme a configuração.
Fonte ↗ - 3GPT-6 Astra (OpenAI)
Marca 42,6% na ALE v1.1, e no AutomationBench vai de 30,3% no esforço baixo (US$ 1,08 por tarefa) a 41,4% no máximo.
Fonte ↗ - 4Kimi 3.1 Pro / K3.1 (Moonshot)
Um modelo de família de pesos abertos empatado com o Opus 5.5 em 43,4% na ALE v1.1, enquanto seu irmão Kimi K3 fica em 12º no AutomationBench, com 22,7%.
Fonte ↗ - 5Gemini 4 Neon (Google)
Lidera o AutomationBench com 56,3% a US$ 1,69 por tarefa, mais barato por tarefa que o Carbon.
Fonte ↗ - 6GPT-5.5 with Codex (OpenAI)
Liderou o Agents' Last Exam original com 24,0% de aprovação estrita, e o Codex aparece com 26% em cobertura posterior.
Fonte ↗ - 7Claude Fable 5 with Claude Code (Anthropic)
Ficou em terceiro na ALE original com 22,0%, atrás de duas configurações do GPT-5.5.
Fonte ↗ - 8Gemini 4 Argon (Google)
Marca 40,2% na ALE v1.1 e também chega ao topo de um instantâneo reexecutado do AutomationBench 1.0.6, com 51,3%.
Fonte ↗ - 9Claude Sonnet 5.5 (Anthropic)
Um agregador o lista com 60,4% na ALE v1.1, mas a coluna parece ser de nota, e não de taxa de aprovação.
Fonte ↗ - 10Muse Wonder 1.0
Vem logo atrás do grupo de frente na ALE v1.1, com taxa de aprovação de 38,5%.
Fonte ↗
O que Claude percebeu
A mesma família de agentes pode marcar cerca de 30% ou 42% no AutomationBench conforme a configuração de esforço, então a configuração importa tanto quanto o modelo.
No primeiro Agents' Last Exam, a taxa média de aprovação estrita no nível mais difícil foi 2,6%, e a maioria dos modelos, incluindo o GPT-5.5 e o Fable 5, tirou zero.
A diferença entre aprovação estrita e nota graduada mostra o quanto o crédito parcial esconde: o Gemini 4 Carbon passa 45,9% das tarefas da ALE v1.1 de primeira, mas tem média de 77,4%.
Um teste relatado da KPMG, com mais de 100 agentes numa auditoria real, ainda precisou de correção humana. É um equivalente do mundo real para essas notas de benchmark.
🇨🇳 MiMo10 posições · 4 notas
A mesma pergunta, respondida só por MiMo. A lista final acima combina todas as IAs.
- 1GPT-6.2 Astra (OpenAI, 2026)
Primeiro modelo já classificado como High em capacidade de autoaperfeiçoamento, e ainda o que as pessoas supervisionam por último.
Fonte ↗ - 2Claude Fable 5.2 (Anthropic, 2026)
Preço igual ao do Astra, cerca de US$ 8, e a corrida dos benchmarks agora se decide por centavos, não por inteligência.
Fonte ↗ - 3GPT-6.2 Sol (OpenAI, 2026)
Quase empata com o modelo principal em bases de código reais por um quinto do custo: a barganha de preço e desempenho do lançamento.
Fonte ↗ - 4EY multi-agent audit framework (EY Canvas)
Vence o tipo mais sem graça de agente: o que está embutido no software que os auditores já usam.
Fonte ↗ - 5KPMG audit agent swarm (Project Exponential)
Mais de 100 agentes em todas as fases da auditoria, e uma correção humana é o dado mais valioso do setor.
Fonte ↗ - 6KPMG Clara Intelligence agents (US)
Agentes governados com «human-assured» no nome do produto: supervisão como argumento de marketing.
Fonte ↗ - 7PwC AI Agent Operating System
Uma camada de orquestração, e não um agente: a infraestrutura onde outros poderão conectar agentes verificáveis.
Fonte ↗ - 8AutomationBench agent harness (Zapier, benchmark)
47 ferramentas reais e tarefas deliberadamente ambíguas: o ensaio mais próximo do trabalho de escritório.
- 9Agents' Last Exam harness (UC Berkeley RDI)
O único teste público que avalia trabalhos profissionais inteiros de vários dias, com respostas ocultas, e não perguntas isoladas.
- 10KPMG Ignite Financial Assistant (Workday/Google Cloud)
Assistente de fechamento do mês: restrito, verificável e mais próximo do trabalho financeiro real do que a maioria das demonstrações.
Fonte ↗
O que MiMo percebeu
O novo critério é o custo por trabalho concluído, não a esperteza: o Astra custa menos de um terço do seu antecessor por tarefa, e o Sol iguala o modelo principal em bases de código reais por um quinto do preço.
O número mais relevante para segurança no lançamento não é uma nota, mas uma classificação: o Astra é o primeiro modelo classificado como High em capacidade de autoaperfeiçoamento.
Benchmarks e realidade discordam de propósito: o Agents' Last Exam e o AutomationBench avaliam tarefas simuladas, enquanto o único teste profissional completo ao vivo (KPMG) precisou de correção humana.
Existe um placar independente (AutomationBench-AA) justamente porque o criador do benchmark também vende agentes, um modelo de governança que outros laboratórios copiam.
🇨🇳 Kimi10 posições · 3 notas
A mesma pergunta, respondida só por Kimi. A lista final acima combina todas as IAs.
- 1Claude Opus 5.5 (Claude Code)
Lidera o exame de trabalho profissional mais rigoroso (38,2% de aprovação, 63,2% de nota no Agents' Last Exam) e o GDPval-AA (68,3%), por US$ 1.340 e 183 horas de computação.
Fonte ↗ - 2GPT-6 Astra (Codex harness)
Segundo no Agents' Last Exam (34,2%), com a melhor nota de uso de computador da categoria (72,6% no OSWorld 2.0, cerca de 40 min por tarefa) e metade do custo por tarefa de programação do Claude, com a mesma nota de índice.
Fonte ↗ - 3Gemini 4 Carbon
O campeão do avaliador de fluxos mais rigoroso: 53,9% no AutomationBench é a maior taxa de aprovação que a Zapier registrou em 657 tarefas reais de negócios.
- 4Claude Fable 5.2 (with default fallbacks)
Dobrou o antecessor em um único lançamento, de 22,4% para 51,4% no AutomationBench, com 96,9 chamadas de ferramenta por tarefa, a US$ 9,01 por aprovação real no esforço máximo.
- 5GPT-6.2 Astra
Tem o maior número profissional autorrelatado de todos, 77,6% na ALE v1.1, mas é a rubrica própria do laboratório no esforço máximo, e não a taxa de aprovação estrita pela qual os outros são avaliados.
Fonte ↗ - 6Gemini 4 Hydrogen
A fronteira de valor: 51,1% no AutomationBench a US$ 0,82 por tarefa, e, com esforço baixo, ainda passa 30,6% a US$ 0,18. Nada testado é ao mesmo tempo mais barato e mais preciso.
- 7Claude Sonnet 5.5
Supera o irmão maior Opus 5.5 no AutomationBench (44,6% contra 40,0%) por uma fração do custo, a prova mais clara de que preço não prevê desempenho.
- 8GPT-6 Sol
O cavalo de carga de valor: 32,2% de aprovação estrita no Agents' Last Exam por US$ 318 no total (contra US$ 1.100 do Astra), e cerca de 80% da nota do Astra no AutomationBench por cerca de um sexto do custo.
- 9MiniMax M3.1 Flash
O disruptor de custo: 29,6% no Agents' Last Exam por US$ 91,44 no total, cerca de 7% do que gastou o líder, e sobe para 46,3% nas tarefas de nível médio do benchmark.
Fonte ↗ - 10Kimi K3
O melhor pacote de agente de pesos abertos no exame de trabalho profissional (28,3% de aprovação estrita no próprio harness Kimi Code) e US$ 0,43 por tarefa no AutomationBench.
Fonte ↗
O que Kimi percebeu
O trabalho mais difícil continua intocado: no nível mais difícil do Agents' Last Exam, tarefas que levam especialistas humanos de dias a semanas, todo agente de fronteira testado, incluindo os modelos topo mais novos, tirou 0%. A taxa de aprovação de topo, cerca de 38%, vale para o conjunto completo de tarefas, não para a ponta difícil.
O dinheiro compra surpreendentemente pouco no topo: os custos de execução da ALE variam uma ordem de grandeza (cerca de US$ 1,33 a US$ 15,70 por tarefa concluída na rodada de junho), e o MiniMax M3.1 Flash alcança cerca de 77% da taxa de aprovação estrita do líder gastando cerca de 7% do total dele (US$ 91 contra US$ 1.340).
As taxas estritas de aprovação mantêm todos humildes: a melhor nota no AutomationBench de 657 tarefas é 53,9%, e no ambiente de trabalho simulado da TheAgentCompany o modelo mais forte conclui por completo só cerca de 30% das tarefas profissionais. «Há agentes úteis; agentes prontos para o trabalho, não.»
🇨🇳 DeepSeek10 posições · 3 notas
A mesma pergunta, respondida só por DeepSeek. A lista final acima combina todas as IAs.
- 1Gemini 4 Carbon (ALE-Claw)
Lidera a ALE com 45,9% de aprovação estrita e 77,4% de nota, mas ainda erra o nível mais difícil em 100% das vezes.
Fonte ↗ - 2Claude Fable 5.2 / 5.1 (Claude Code)
Conclui 41,25% de trabalhos freelance reais, mais que o dobro do Opus 5.5, a US$ 15,70 ou mais por tarefa da ALE.
- 3GPT-6 Astra (Codex)
42,6% de aprovação na ALE em 80 horas e 5,1 milhões de tokens: o líder de eficiência entre os três melhores agentes da ALE.
Fonte ↗ - 4Claude Opus 5.5 (Claude Code)
O melhor no DAYJOB, com tarefas profissionais de 13 a 17 horas, com 24,7% em saúde, mas 177 horas na ALE.
Fonte ↗ - 5Kimi 3.1 Pro (Kimi Code)
43,4% de aprovação na ALE em 61 horas: mais rápido que o Opus 5.5 e o Fable 5.2, com notas parecidas.
Fonte ↗ - 6Gemini 4 Argon (ALE-Claw)
51,3% de aprovação estrita no AutomationBench a US$ 1,70 por tarefa: o melhor agente de fluxos entre aplicativos.
Fonte ↗ - 7GPT-6 Sol (Codex)
33,2% de aprovação no AutomationBench a US$ 0,27 por tarefa: o agente de fluxos mais barato que ainda é confiável.
Fonte ↗ - 8Claude Sonnet 5.5
44,7% de aprovação estrita no AutomationBench a US$ 1,14, 6,6 pontos atrás do líder, mas 33% mais barato.
Fonte ↗ - 9Gemini 3.5 Flash
42,6% no AutomationBench-AA a US$ 0,49 por tarefa e 0,46 violações de salvaguarda por tarefa: a opção mais barata e razoavelmente segura.
Fonte ↗ - 10DeepSeek V4.1 Flash (OpenClaw)
36,1% de aprovação na ALE em 76 horas: a opção de pesos abertos com nota parcial de 65,4%.
Fonte ↗
O que DeepSeek percebeu
O nível mais difícil da ALE ainda é um muro de 0%: todo agente de fronteira testado, incluindo o Fable 5, falha em todas as tarefas desse nível. O melhor agente geral passa só 25,2% na ALE original, contra 82% no Terminal-Bench. A lacuna do trabalho profissional é bem maior que a da programação.
O ApprenticeBench é a comparação mais limpa de custo e supervisão: o Fable 5.1 vence o melhor testador humano por 72% a 51% num trabalho real de contas a pagar, mas a US$ 18,23 por fatura, contra US$ 7,21 da pessoa. O agente vence em qualidade e perde na economia unitária.
Todos os modelos quebram regras de negócio no AutomationBench-AA. O modelo mais seguro ainda viola uma salvaguarda cerca de uma vez a cada 15 objetivos concluídos, e o pior, uma vez a cada 0,8 objetivo. Com a confiabilidade atual, a revisão humana não é opcional.
🇨🇳 Qwen10 posições · 3 notas
A mesma pergunta, respondida só por Qwen. A lista final acima combina todas as IAs.
- 1Claude Fable 5.2
Lidera o SWE-bench Verified com 95% e a fronteira de Pareto de trabalho real da Arena a US$ 11,32 por tarefa.
Fonte ↗ - 2GPT-6.2 Astra
Lidera a Agents' Last Exam v1.1 com 47,5% de aprovação estrita e nota de 78,3%, usando 2,6 milhões de tokens de saída.
Fonte ↗ - 3Qwen3.8 Max
Marca 86,1% no OSWorld-Verified, superando a referência humana em tarefas abertas de uso de computador.
Fonte ↗ - 4Claude Opus 5.5
Chega a 97% no SWE-bench Verified (com Mini-SWE-agent) custando só US$ 8,06 por tarefa no placar de trabalho da Arena.
Fonte ↗ - 5Gemini 4 Neon
Lidera o placar independente Artificial Analysis AutomationBench-AA com 79,3% em fluxos SaaS simulados.
Fonte ↗ - 6MiniMax M3.1 Flash
Lidera o AutomationBench oficial da Zapier com 62,2% de conclusão em tarefas de automação de negócios de vários passos.
Fonte ↗ - 7ERNIE 5.5 Flash Preview
Alcança 61,9% no AutomationBench da Zapier, lidando bem com a ambiguidade entre CRM e calendário em aplicativos diferentes.
Fonte ↗ - 8Devin (SWE-1.7 / SWE-2)
O engenheiro de software autônomo da Cognition marca 81,5% no Terminal-Bench 2.1 e 77,8% no SWE-bench Multilingual.
Fonte ↗ - 9Lindy.ai
O construtor de funcionários de IA sem código custa de US$ 29,99 a US$ 199,99 por mês, mas divide os usuários entre 4,9 estrelas no G2 e 1,7 no Trustpilot.
- 10Relevance AI
Foca em «fábricas de IA», em que equipes operacionais montam forças de trabalho de agentes que se aperfeiçoam sem escrever código.
Fonte ↗
O que Qwen percebeu
No Agents' Last Exam, os agentes de IA convencionais passaram inicialmente só 2,6% das tarefas profissionais reais, mas o placar v1.1 mais recente mostra o GPT-6.2 Astra chegando a 47,5% de aprovação estrita.
Placares de trabalho real, como o da Arena, mostram que os agentes de melhor desempenho (como o Claude Fable 5.2 a US$ 11,32 por tarefa) são, na prática, mais caros por tarefa concluída que modelos anteriores (como o Claude Opus 5.5 a US$ 8,06).
O AutomationBench da Zapier revela uma grande diferença entre as notas oficiais hospedadas (MiniMax com 62,2%) e as avaliações independentes (Gemini 4 Neon com 79,3% no AA AutomationBench). A forma como o benchmark é executado importa tanto quanto o próprio modelo.
🇨🇳 Qianwen10 posições
A mesma pergunta, respondida só por Qianwen. A lista final acima combina todas as IAs.
- 1ChatGPT Work
Maior taxa de aprovação estrita no Agents' Last Exam com execução integrada de ferramentas.
Fonte ↗ - 2Claude Cowork
Maior nota graduada em fluxos de documentos de longo prazo.
- 3Microsoft Copilot Studio
Melhor integração empresarial com o M365 para tarefas de negócios verificadas.
- 4Gemini Agent
Desempenho multimodal forte em fluxos entre aplicativos.
- 5Codex
Liderança em geração e depuração de código em tarefas profissionais de desenvolvimento.
Fonte ↗ - 6Manus
Alta autonomia em tarefas de pesquisa, mas exige verificação humana.
- 7Cursor
Otimizado para programação integrada à IDE, com baixa latência.
- 8WorkBuddy
Econômico para automação de escritório rotineira, com precisão moderada.
- 9OpenClaw
Alternativa de código aberto com alta personalização, mas taxas de aprovação mais baixas.
Fonte ↗ - 10Antigravity
Especializado em criação de software, mas limitado em fluxos de negócios.