06Benchmark · bijgewerkt 9 november 2026
Welk AI-model rondt een werktaak het beste af?
Hoe goed een AI-agent een hele werktaak afrondt, in echte software.
Zo lees je het
- Elke staaf is één model. Onder de naam staat de software die het model aanstuurt (bijvoorbeeld Codex of Claude Code). Dat heet een harness: de werkomgeving van de agent.
- De test bestaat uit 122 taken uit het werk van vakexperts: meerdere stappen, in echte software, met een resultaat dat een computer nakijkt.
- Er zijn twee cijfers. Het slagingspercentage telt een taak alleen als alles klopt. De score telt ook mee hoeveel er goed is. Een rapportage met tien onderdelen waarvan er negen kloppen, telt bij het slagingspercentage als mislukt en bij de score als 90%. Hoger is beter.
- Wissel rechtsboven tussen de twee, of kies "Beide": de gearceerde staaf is de score, de effen staaf het slagingspercentage.
- Wijs een staaf aan voor de details, ook de kosten per taak.
Wat betekent dit voor jou
Zelfs de beste agents slagen niet bij elke taak volledig. Een proces dat voor 90% goed is, moet toch nagekeken worden. Kijk daarom vooral naar het slagingspercentage en bouw controlestappen in. Het gekozen model maakt meer verschil dan de software eromheen, dus vergelijk modellen voor jouw eigen proces.
Meer benchmarks
Bekijk ook de andere benchmarks
Verder
Een benchmark kiest geen model voor je. Wij wel.
Welk model het beste is, hangt af van jullie werk, jullie data en wat het per maand mag kosten. In een AI Partnership kiezen we per toepassing, en wisselen we als er een beter model uitkomt.
Meer over hoe we dat aanpakken: het AI Partnership.
Vrij te gebruiken: alle benchmarks staan onder CC BY 4.0. Neem ze over of citeer ze, met als bron: NinA AI Benchmarks, nina-ai.nl/benchmarks.
Welk model past bij jullie?
Laat ons het vergelijken op jullie werk.
Een kennismaking van 15 minuten. Daarna weet je welke modellen en welke aanpak bij jullie processen passen.
- 160+ organisaties
- Sessies met een 9,3
- Amsterdam
