Il benchmark di Epoch AI: sei LLM leader non raggiungono la qualità del lavoro dei suoi dipendenti
Punti chiave
- •Gli Epoch Automation Reports, pubblicati l'8 ottobre 2026, hanno rilevato che nessuno dei sei modelli linguistici testati ha raggiunto il 100% dello standard di qualità definito dal lavoro dei dipendenti umani di Epoch.
- •Claude Fable 5.1 e GPT-6 Astra hanno condiviso il punteggio migliore, circa il 65% della qualità del lavoro umano, mentre Gemini 3.8 Flash si è fermato al 42%, con un divario di oltre 20 punti percentuali.
- •La valutazione ha utilizzato attività aperte tratte dal lavoro interno reale di Epoch, tra cui graphic design e progettazione della ricerca, con valutatori umani che hanno assegnato punteggi in base agli standard interni dell'organizzazione.
- •Tutti i modelli testati hanno ottenuto risultati migliori su attività strutturate come coding e analisi dei dati, ma hanno faticato con lavori aperti che richiedevano giudizio o adattamento a un pubblico specifico.
- •Le classifiche non sono cambiate tra l'8 ottobre e il 17 novembre 2026, e nessuno sviluppatore si è distaccato in modo decisivo su questo tipo di lavoro aperto.

Epoch AI ha sottoposto sei dei modelli linguistici più capaci a una sorta di colloquio di lavoro — e nessun candidato ha ottenuto il posto. Secondo i nuovi rapporti di automazione del gruppo di ricerca, i modelli migliori hanno raggiunto in media circa il 65% della qualità del lavoro umano su attività interne reali.
Gli Epoch Automation Reports dell'organizzazione di ricerca, pubblicati l'8 ottobre 2026, hanno rilevato che nessun modello testato ha superato il livello di qualità che Epoch richiede ai propri dipendenti umani. I migliori si sono fermati a circa due terzi del traguardo. Poiché il 100% è definito dal personale e dalle attività interne di Epoch, i risultati misurano la soglia di accettazione di un datore di lavoro reale, non un tetto astratto di test.
Come è stato condotto la valutazione
La valutazione di Epoch ha utilizzato attività aperte tratte dal lavoro reale all'interno dell'organizzazione, tra cui graphic design e progettazione della ricerca. Valutatori umani hanno poi assegnato punteggi ai risultati in base agli standard interni di Epoch, con l'obiettivo di misurare qualcosa di più vicino alla prestazione lavorativa effettiva che a un quiz. Questa scelta progettuale è rilevante per chiunque segua l'adozione dell'AI sul lavoro: un buon risultato su un benchmark convenzionale non significa automaticamente che l'output di un modello sia approvabile da un datore di lavoro.
La scala di punteggio era ancorata alle persone: un punteggio del 100% rappresenta un lavoro della qualità che ci si aspetterebbe da un dipendente umano di Epoch.
La classifica
Due modelli hanno condiviso il primo posto: Claude Fable 5.1 e GPT-6 Astra hanno raggiunto in media circa il 65% sulle attività. All'ultimo posto Gemini 3.8 Flash, con il 42% — un divario di oltre 20 punti percentuali tra i leader e il modello in coda.
Nessun modello ha superato la soglia del 100%. Nessuno ha raggiunto la parità con gli esseri umani il cui lavoro ha fissato lo standard.
I modelli hanno ottenuto risultati migliori su lavori strutturati, con coding e analisi dei dati come punti di forza relativi. Ogni modello ha faticato con le attività aperte che richiedevano giudizio o l'adattamento del lavoro a un pubblico specifico.
La classifica è rimasta stabile. Al 17 novembre 2026, le posizioni non erano cambiate dalla pubblicazione di ottobre.
Perché Epoch ha creato un altro benchmark
I rapporti di automazione di Epoch sono progettati per colmare le lacune della misurazione convenzionale delle prestazioni, riflettendo le attività che le persone svolgono realmente sul lavoro. Il progetto rientra nella più ampia missione di Epoch di tracciare con accuratezza i progressi e le capacità dell'AI. Questo approccio trasforma il confronto tra modelli nella domanda che i datori di lavoro si pongono davvero: quanto l'output è vicino al lavoro che consegnerebbe un dipendente assunto?
Cosa significano i risultati
Modelli che appaiono sovrumani nei test strutturati sono rimasti ben lontani dalla qualità umana appena il lavoro ha richiesto scelte di giudizio. Il lavoro strutturato come coding e analisi dei dati sembra essere il terreno in cui i modelli attuali danno il meglio, mentre le attività che dipendono dalla consapevolezza del pubblico e dalla discrezionalità sembrano ancora richiedere una persona nel processo — o almeno una persona che controlli l'output.
Il punteggio condiviso al primo posto da due laboratori rivali suggerisce che nessuno sviluppatore si è distaccato in modo decisivo su questo tipo di lavoro aperto. Nel frattempo, il risultato del 42% di Gemini 3.8 Flash illustra quanto può essere ampio il divario tra modelli proposti per usi professionali.
Tra l'8 ottobre e il 17 novembre 2026 nessun modello è salito in classifica. Il prossimo rilascio di un modello affronterà una prova chiara e pubblica: riuscire a superare circa il 65% sul tipo di lavoro che i dipendenti reali svolgono ogni giorno.
Nota: questo articolo è basato su una segnalazione di CryptoBriefing, a cura di Diego Almada Lopez. Articolo originale: https://cryptobriefing.com/epoch-ai-llms-fail-employee-quality-standard/