Jane bere gati dy vjet qe kur CEO i Microsoft, Satya Nadella, parashikoi se inteligjenca artificiale do te zevendesoje punen mendore — profesionet e bardha si juristet, bankieret e investimeve, kontabilistet, specialistet e IT-se dhe te tjere. Por pavaresisht perparimeve te medha ne modelet baze te AI, revolucioni ne keto profesione ka ardhur me ngadale nga sa pritej.
Modelet me te fundit kane treguar aftesi mbreselenese ne kerkime te thelluara dhe planifikim kompleks, por puna e perditshme e profesionisteve te zyrave ka mbetur kryesisht e pandryshuar. Kjo ka ngritur nje nga pyetjet me te medha ne boten e AI: pse teknologjia ende nuk po e transformon ne menyre radikale punen mendore?
Nje studim i ri nga Mercor, nje kompani e madhe e te dhenave te trajnimit, perpiqet t’i jape pergjigje kesaj dileme. Studiuesit kane krijuar nje benchmark te ri, te quajtur APEX-Agents, i cili teston se sa mire modelet kryesore te AI mund te kryejne detyra reale nga fusha si konsulenca, bankingu i investimeve dhe e drejta.
Rezultatet jane zhgenjyese per industrine: asnje laborator AI nuk kaloi testin. Edhe modelet me te avancuara arriten te pergjigjen sakte ne me pak se 25% te pyetjeve. Ne shumicen e rasteve, pergjigjet ishin te gabuara ose mungonin plotesisht, nje sinjal se automatizimi i ketyre profesioneve eshte ende larg.
Sipas CEO-s se Mercor, Brendan Foody, pengesa kryesore ishte paaftesia e modeleve per te ndjekur informacionin ne shume fusha dhe mjete njekohesisht — nje aftesi thelbesore per punen mendore te njerezve. Ne jeten reale, profesionistet punojne neper Slack, Google Drive dhe platforma te tjera, duke kombinuar burime te ndryshme informacioni, nje sfide qe per shume agjente AI mbetet ende e paqendrueshme.
Pyetjet e benchmark-ut u hartuan nga profesioniste reale ne tregun e eksperteve te Mercor dhe jane publikuar ne Hugging Face. Ato tregojne nje nivel kompleksiteti qe shkon pertej njohurive teorike. Ne nje rast nga fusha e se drejtes, modeli duhet te vleresoje politikat e brendshme te nje kompanie dhe ligjet e privatesise se BE-se per te arritur ne nje pergjigje te sakte — nje detyre qe do te sfidonte edhe shume juriste me pervoje.
Krahasuar me teste te tjera si GDPval i OpenAI, APEX-Agents fokusohet ne detyra te vazhdueshme dhe konkrete ne profesione me vlere te larte, duke e bere testin me te veshtire, por edhe me me shume rendesi per te kuptuar nese keto pune mund te automatizohen realisht. Ne kete gare, Gemini 3 Flash kryesoi me 24% saktesi, i ndjekur nga GPT-5.2 me 23%, nderkohe qe modelet e tjera mbeten rreth 18%.
Megjithate, historia e AI tregon se benchmark-et e veshtira shpesh bien shpejt. Tani qe APEX-Agents eshte publik, ai perben nje sfide te hapur per laboratorët e AI. “Sot eshte si nje praktikant qe ja del sakte vetem nje here ne kater,” thote Foody, “por vitin e kaluar ishte edhe me keq. Ky permiresim i shpejte mund te kete ndikim shume me heret nga sa mendojme.”
Përmbledhje:
- Modelet aktuale te AI deshtojne ne shumicen e detyrave reale te profesioneve te zyrave.
- Benchmark-u APEX-Agents tregon hendekun mes aftesive teorike dhe punes praktike.
- Perparimi i shpejte sugjeron se ndikimi i AI ne keto profesione mund te jete me afer nga sa duket.
Hashtag: #InteligjencaArtificiale #PunaMendore #Teknologjia #AIneBiznes #EArdhmjaEPunes