Epoch AI Benchmark Toont Dat Zes Toonaangevende LLM's Niet Voldoen aan de Werkkwaliteit van Eigen Medewerkers
Belangrijkste punten
- •De Automation Reports van Epoch AI, gepubliceerd op 8 oktober 2026, toonden aan dat geen van de zes geteste grote taalmodellen de kwaliteitsnorm van 100% bereikte, vastgesteld op basis van het werk van de eigen menselijke medewerkers.
- •Claude Fable 5.1 en GPT-6 Astra deelden de topscore met circa 65% van de werkqualiteit op menselijk niveau, terwijl Gemini 3.8 Flash bleef steken op 42% — een gat van meer dan 20 procentpunten.
- •De evaluatie gebruikte open taken uit het echte interne werk van Epoch, waaronder grafisch ontwerp en onderzoeksontwerp, waarbij menselijke beoordelaars de output beoordeelden aan de hand van de interne normen van de organisatie.
- •Alle geteste modellen presteerden beter op gestructureerde taken zoals programmeren en data-analyse, maar elk model had moeite met open werk dat oordeel of afstemming op een specifiek publiek vereiste.
- •De modelranglijst bleef ongewijzigd tussen 8 oktober en 17 november 2026, en geen enkele ontwikkelaar heeft op dit type open werk beslissend de leiding genomen.

Epoch AI onderwierp zes van de krachtigste grote taalmodellen aan wat neerkwam op een sollicitatiegesprek — en geen enkele kandidaat kreeg de baan. Volgens de nieuwe automatiseringsrapporten van de onderzoeksgroep behaalden de beste modellen gemiddeld circa 65% van de werkqualiteit op menselijk niveau bij echte interne taken.
De Epoch Automation Reports van de onderzoeksorganisatie, gepubliceerd op 8 oktober 2026, toonden aan dat geen enkel getest model voldeed aan de kwaliteitsnorm die Epoch hanteert voor werk dat door eigen menselijke medewerkers wordt verricht. De sterkste presteerders bleven steken op ongeveer twee derde daarvan. Omdat de grens van 100% wordt bepaald door het eigen personeel en de interne taken van Epoch, meten de resultaten de acceptatienorm van een echte werkgever in plaats van een abstracte toetsgrens.
Hoe de evaluatie verliep
Epoch's beoordeling gebruikte open taken die voortkwamen uit echt werk binnen de organisatie, waaronder grafisch ontwerp en onderzoeksontwerp. Menselijke beoordelaars scoorden vervolgens elke output aan de hand van de interne normen van Epoch, met als doel iets dichter bij de werkelijke functieprestaties te meten dan bij een kennisquiz. Die ontwerpkeuze is relevant voor iedereen die de adoptie van AI op het werk volgt: een sterke prestatie op een conventionele benchmark betekent niet automatisch dat een werkgever de output van een model zou accepteren.
De scoreschaal was verankerd aan mensen: een score van 100% vertegenwoordigt werk van de kwaliteit die van een menselijke medewerker bij Epoch wordt verwacht.
Het scorebord
Twee modellen deelden de eerste plaats: Claude Fable 5.1 en GPT-6 Astra behaalden gemiddeld elk circa 65% over de taken. Onderaan stond Gemini 3.8 Flash, dat 42% scoorde — een gat van meer dan 20 procentpunten tussen de koplopers en het achterblijvende model.
Geen enkel model passeerde de grens van 100%. Geen enkel bereikte pariteit met de mensen van wie het werk de norm bepaalde.
De modellen deden het beter op gestructureerd werk, waarbij programmeren en data-analyse opvielen als relatieve sterke punten. Elk model had moeite met open taken die oordeel vereisten of werk dat moest worden afgestemd op een specifiek publiek.
De ranglijst bleef ook stabiel. Per 17 november 2026 waren de rangordes niet veranderd sinds de publicatie in oktober.
Waarom Epoch nog een benchmark bouwde
De automatiseringsrapporten van Epoch zijn ontworpen om tekortkomingen van conventionele prestatiemeting aan te pakken door de taken weer te geven die mensen in werkelijkheid op het werk verrichten. Het project past binnen Epoch's bredere missie om de voortgang en capaciteiten van AI nauwkeurig te volgen. Dat kader maakt van modelvergelijkingen de vraag die werkgevers werkelijk stellen: hoe dicht ligt de output bij het werk dat een ingehuurd mens zou leveren?
Wat de bevindingen betekenen
Modellen die op gestructureerde toetsen bovenmenselijk lijken, bleven ver achter bij menselijke kwaliteit zodra het werk oordeelsvragen vereiste. Gestructureerd werk zoals programmeren en data-analyse lijkt het terrein waar huidige modellen hun waarde bewijzen, terwijl taken die draaien om publieksbewustzijn en discretie nog steeds een mens in de lus lijken te nodig hebben — of op zijn minst iemand die de output controleert.
Dat twee rivaliserende labs de topscore delen, suggereert dat geen enkele ontwikkelaar op dit soort open werk beslissend de leiding heeft genomen. Ondertussen illustreert de 42%-score van Gemini 3.8 Flash hoe groot de verschillen kunnen zijn tussen modellen die voor serieus gebruik op de markt worden gebracht.
Tussen 8 oktober en 17 november 2026 klom geen enkel model op de ranglijst. De volgende modelrelease zal een duidelijke en openbare toets krijgen: of het de grens van circa 65% kan overschrijden op het soort werk dat echte medewerkers elke dag verrichten.
Disclaimer: Dit artikel is gebaseerd op berichtgeving van CryptoBriefing, geredigeerd door Diego Almada Lopez. Origineel artikel: https://cryptobriefing.com/epoch-ai-llms-fail-employee-quality-standard/