Στο διαρκώς μεταβαλλόμενο τοπίο της τεχνητής νοημοσύνης, ο Ιούνιος του 2026 θα μείνει στην ιστορία ως η στιγμή που η θεωρία έδωσε οριστικά τη θέση της στην πράξη. Ερευνητές από το Center for Responsible, Decentralized Intelligence (RDI) του Πανεπιστημίου της Καλιφόρνια στο Μπέρκλεϊ, σε συνεργασία με μια συμβουλευτική επιτροπή άνω των 300 ειδικών, παρουσίασαν το «Agents’ Last Exam» (ALE). Πρόκειται για το πιο εξαντλητικό benchmark που έχει δημιουργηθεί ποτέ, σχεδιασμένο όχι για να μετρά την ικανότητα ενός μοντέλου να απαντά σε ερωτήσεις, αλλά την ικανότητά του να δρα αυτόνομα ως «πράκτορας» (agent) σε σύνθετα περιβάλλοντα. Η μεγάλη έκπληξη ήρθε από το GPT-5.5 της OpenAI, το οποίο κατάφερε να ξεπεράσει το Claude Fable 5 της Anthropic, το οποίο θεωρούνταν μέχρι σήμερα το φαβορί για τέτοιου είδους εργασίες.

Η ανατομία του «Agents’ Last Exam»

Το ALE δεν είναι ένα τυπικό τεστ πολλαπλών επιλογών όπως το MMLU ή το HumanEval. Οι ερευνητές του Μπέρκλεϊ, υπό την καθοδήγηση κορυφαίων ακαδημαϊκών, δημιούργησαν ένα περιβάλλον που προσομοιώνει πραγματικές προκλήσεις: από τη συγγραφή και εκτέλεση κώδικα για την επίλυση επιστημονικών προβλημάτων, μέχρι τη διαχείριση νομικών εγγράφων και τον σχεδιασμό επιχειρηματικών στρατηγικών σε πραγματικό χρόνο. Το όνομα «Last Exam» (Τελευταία Εξέταση) υποδηλώνει ότι αν ένα μοντέλο περάσει αυτό το τεστ, η απόσταση που το χωρίζει από την Τεχνητή Γενική Νοημοσύνη (AGI) είναι πλέον αμελητέα.

Η δομή του benchmark περιλαμβάνει πάνω από 1.000 εργασίες μακράς διάρκειας (long-horizon tasks), όπου η AI πρέπει να χρησιμοποιήσει εργαλεία, να περιηγηθεί στο διαδίκτυο, να διορθώσει τα λάθη της και να λάβει αποφάσεις υπό συνθήκες αβεβαιότητας. Η συμμετοχή 300 ειδικών από διαφορετικούς κλάδους εξασφάλισε ότι οι δοκιμασίες δεν είναι απλώς «συνθετικά δεδομένα», αλλά προβλήματα που απαιτούν βαθιά κατανόηση του κόσμου.

Η επικράτηση του GPT-5.5 και η στρατηγική της OpenAI

Η νίκη του GPT-5.5 προκάλεσε αίσθηση στην κοινότητα, καθώς οι πρόσφατες αναβαθμίσεις της Anthropic με το Claude Fable 5 είχαν δείξει μια ανώτερη ικανότητα στη λογική και τη συγγραφή κώδικα. Ωστόσο, το GPT-5.5 επέδειξε αυτό που οι ερευνητές αποκαλούν «δυναμική προσαρμοστικότητα». Ενώ το μοντέλο της Anthropic ήταν εξαιρετικά ακριβές στις αρχικές φάσεις των εργασιών, το GPT-5.5 αποδείχθηκε πιο ανθεκτικό στην κόπωση του πλαισίου (context fatigue) και πιο ικανό να ανακάμπτει από λανθασμένες εκτιμήσεις κατά τη διάρκεια της εκτέλεσης.

  • Σχεδιασμός Πολλαπλών Βημάτων: Το GPT-5.5 κατάφερε να ολοκληρώσει εργασίες που απαιτούσαν πάνω από 50 διαδοχικές ενέργειες χωρίς ανθρώπινη παρέμβαση.
  • Χρήση Εργαλείων: Η ικανότητα του μοντέλου να επιλέγει το σωστό API ή εργαλείο λογισμικού για κάθε περίσταση ήταν κατά 15% ανώτερη από τον ανταγωνισμό.
  • Διορθωτική Λογική: Όταν ένα script κώδικα αποτύγχανε, το GPT-5.5 διέγνωθε το σφάλμα και δοκίμαζε εναλλακτικές λύσεις με ρυθμό επιτυχίας 88%.

Αναλυτές εκτιμούν ότι η OpenAI επένδυσε σε μια νέα αρχιτεκτονική «System 2 thinking», επιτρέποντας στο μοντέλο να «σκέφτεται» πριν ενεργήσει, αντί να παράγει απλώς το επόμενο πιθανότερο token. Αυτή η προσέγγιση φαίνεται πως απέδωσε καρπούς στο ALE, όπου η ταχύτητα είναι λιγότερο σημαντική από τη στρατηγική συνέπεια.

Από τα Chatbots στους Αυτόνομους Πράκτορες

Η σημασία αυτού του benchmark εκτείνεται πέρα από μια απλή κατάταξη εταιρειών. Σηματοδοτεί τη μετάβαση από την AI που «μιλάει» στην AI που «κάνει». Οι αυτόνομοι πράκτορες θεωρούνται το «ιερό δισκοπότηρο» της βιομηχανίας, καθώς μπορούν να αντικαταστήσουν ή να ενισχύσουν ολόκληρες ροές εργασίας σε τομείς όπως η κυβερνοασφάλεια, η επιστημονική έρευνα και η οικονομική ανάλυση.

«Το ALE δεν είναι απλώς ένα τεστ νοημοσύνης· είναι ένα τεστ ικανότητας επιβίωσης σε ένα ψηφιακό οικοσύστημα», δήλωσε ένας από τους επικεφαλής ερευνητές του Μπέρκλεϊ. «Το γεγονός ότι το GPT-5.5 κυριάρχησε δείχνει ότι έχουμε περάσει σε ένα επίπεδο όπου η AI μπορεί να διαχειριστεί την πολυπλοκότητα της πραγματικής ζωής με ελάχιστη καθοδήγηση».

Ωστόσο, αυτή η εξέλιξη φέρνει μαζί της και σοβαρά ερωτήματα ασφάλειας. Αν ένας πράκτορας μπορεί να λύσει σύνθετα προβλήματα στο ALE, μπορεί επίσης να χρησιμοποιηθεί για την ανάπτυξη κακόβουλου λογισμικού ή τη χειραγώγηση αγορών. Η ομάδα RDI τόνισε ότι το benchmark περιλαμβάνει και ενότητες «υπεύθυνης δράσης», όπου το GPT-5.5 έδειξε βελτιωμένη αλλά όχι τέλεια συμπεριφορά στην τήρηση ηθικών κανόνων.

Το Μέλλον του Ανταγωνισμού

Η Anthropic δεν αναμένεται να μείνει με σταυρωμένα τα χέρια. Οι πληροφορίες αναφέρουν ότι ετοιμάζει ήδη μια ενημέρωση του Fable 5, εστιάζοντας στην «επιμονή στόχου» (goal persistence), έναν τομέα όπου υστέρησε ελαφρώς έναντι της OpenAI. Παράλληλα, παίκτες όπως η Google DeepMind και η Meta παρακολουθούν στενά τα αποτελέσματα του ALE, προσαρμόζοντας τις δικές τους στρατηγικές εκπαίδευσης.

Συμπερασματικά, η επιτυχία του GPT-5.5 στο Agents’ Last Exam επανακαθορίζει τις προσδοκίες μας. Δεν αναζητούμε πλέον μια AI που να γράφει ποιήματα ή να συνοψίζει κείμενα, αλλά έναν ψηφιακό συνεργάτη που μπορεί να φέρει εις πέρας αποστολές που μέχρι πέρυσι θεωρούνταν αποκλειστικά ανθρώπινο προνόμιο. Ο δρόμος προς την AGI φαίνεται πλέον πιο ξεκάθαρος, αλλά και πιο επικίνδυνος από ποτέ.