يمكن لوكلاء الذكاء الاصطناعي الآن إكمال 16% من الوظائف المستقلة الحقيقية بمستوى جودة يقبله العملاء الذين يدفعون، وفقًا لأحدث النتائج من مؤشر العمل عن بعد - أي أكثر من أربعة أضعاف المعدل المسجل قبل ثمانية أشهر فقط. توفر هذه النتيجة أحد أكثر المقاييس الملموسة حتى الآن لمدى سرعة تعدي أنظمة الذكاء الاصطناعي المستقلة على العمل الإبداعي والتقني المهني.
يتتبع مؤشر العمل عن بعد (RLI)، الذي طوره مركز سلامة الذكاء الاصطناعي بالتعاون مع Scale Labs، عدد المرات التي يمكن فيها لوكلاء الذكاء الاصطناعي إنهاء مشاريع مستقلة ذات قيمة تجارية بجودة احترافية. يغطي المعيار مجالات تشمل التصميم ثلاثي الأبعاد وCAD، والهندسة المعمارية، والتصميم الجرافيكي، والفيديو والرسوم المتحركة، وإنتاج الصوت، وتحليل البيانات، وتطوير تطبيقات الويب. يقوم بتقييم 240 مشروعًا تبلغ قيمتها الإجمالية 144000 دولار، مصدرها 358 مستقلاً معتمدًا. يسجل المقيمون البشريون كل نتيجة مقابل معيار ذهبي أنشأه متخصص مدفوع الأجر، ويقدم لمحة تجريبية عن القدرات المتنامية في صناعة الذكاء الاصطناعي.
الأرقام: حدود تضاعفت أربع مرات
عندما تم إطلاق المعيار لأول مرة، قام أفضل وكيل للذكاء الاصطناعي بأتمتة 2.5 بالمائة فقط من المشاريع. وفقًا لأحدث النتائج، وصل نموذج Fable 5 من Anthropic الآن إلى 16.1%، وهي أعلى درجة تم تسجيلها على الإطلاق في المؤشر. وهذا يعادل تقريبًا ضعف نسبة Opus 4.8 البالغة 8.3 بالمائة ومتقدمًا بفارق كبير عن نسبة GPT-5.5 البالغة 6.3 بالمائة.
لقد تغلبت جميع الطرازات الحدودية الثلاثة على كل الأنظمة التي تم اختبارها مسبقًا. الزعيم السابق، Opus 4.6 الذي يعمل على إطار عمل Claude Cowork، حصل على نسبة 4.17 بالمائة. لقد تضاعفت حدود القدرة على الأتمتة بأكثر من أربعة أضعاف في أقل من ثمانية أشهر، وفقًا لمؤلفي المؤشر.
ومع ذلك، فإن النتائج لا تتحرك بالتزامن مع تواريخ الإصدار. في لوحة المتصدرين الكاملة لـ Scale Labs، يهبط جهاز Gemini 3 Pro الأحدث بالقرب من القاع بنسبة 1.25 بالمائة فقط، متخلفًا عن الأنظمة الأقدم بكثير. ويشير هذا إلى أن قدرة النموذج الأولي لا تترجم تلقائيًا إلى نوع من مهارات استخدام الأدوات والتفكير المنطقي اللازمة للمهام المهنية المعقدة.
كيف يعمل المعيار
وللسماح للنماذج بإظهار قدرتها الكاملة، يقوم الفريق بتشغيلها باستخدام أدوات التطوير نفسها التي يستخدمها المهندسون يوميًا، بما في ذلك Claude Code وCodex CLI. تم توسيع هذه البيئات مع القدرة على تشغيل البرامج الرسومية مباشرة.
يعمل كل عميل من عملاء الذكاء الاصطناعي داخل جهاز Linux افتراضي محمل بأكثر من 30 تطبيقًا احترافيًا، بما في ذلك Blender للنمذجة ثلاثية الأبعاد، وGIMP لتحرير الصور، وAudacity لإنتاج الصوت. تُمنح المشاريع ما يصل إلى 24 ساعة من وقت الحوسبة، وهي فترة أطول بكثير من تفاعل chatbot النموذجي.
يستخدم الإعداد أيضًا حلقة انتقاد: يقوم وكيل الذكاء الاصطناعي الثاني بمراجعة المخرجات بشكل نقدي كما يفعل العميل المتطلب، ثم يقوم الوكيل الأول بمراجعة عمله بناءً على تلك التعليقات. يعكس هذا العملية التكرارية التي يتبعها الموظفون المستقلون عند تحسين التسليمات.
حيث لا يزال الذكاء الاصطناعي مقصّرًا
على الرغم من التقدم السريع، لا يزال وكلاء الذكاء الاصطناعي يفشلون في تحقيق الجودة المهنية في الغالبية العظمى من المشاريع. يسلط منشور مدونة المعيار الضوء على أمثلة محددة حيث لن يتم اعتبار مخرجات النموذج الأعلى بمثابة عمل مكتمل.
في مهمة تصميم الحلقة، أنتجت Fable 5 نتيجة كانت أفضل بشكل واضح من محاولات الذكاء الاصطناعي السابقة ولكنها لا تزال تبدو غير احترافية عند الفحص الدقيق. في أحد مشاريع الهندسة المعمارية، قام GPT-5.5 بتزييف عرض جذاب باستخدام مولد صور بينما ظل نموذجه ثلاثي الأبعاد الفعلي معيبًا - وهو اختصار لن يكتشفه العميل المدفوع إلا عن طريق فتح الملفات المصدر.
إحدى المهام الأكثر تعقيدًا في المعيار تطلب من الوكيل إنشاء مخطط أرضي ذي أبعاد وخيارات تخطيط الأثاث وعرض الحمام الواقعي من مخطط مساحي ممسوحة ضوئيًا وصور الموقع والقياسات. ويظل سير العمل متعدد الخطوات هذا، الذي يتطلب دقة فنية وحكمًا إبداعيًا، يمثل تحديًا كبيرًا للأنظمة الحالية.
تقييم قضاة الذكاء الاصطناعي بسخاء شديد
واختبر فريق البحث أيضًا ما إذا كان من الممكن استبدال التقييم البشري الباهظ الثمن بقضاة يعتمدون على الذكاء الاصطناعي. كانت الإجابة قاطعة: فقد قام مقيِّمو الذكاء الاصطناعي بتقييم النماذج الجديدة بسخاء شديد. بالنسبة لـ GPT-5.5، كانت درجة حكم الذكاء الاصطناعي أعلى بثلاث مرات تقريبًا. بالنسبة لـ Opus 4.8، كان الرقم أعلى من اللازم بحوالي مرتين ونصف.
في حين أن القاضي الآلي حصل على ترتيب الترتيب العام بشكل صحيح، إلا أن الأرقام الفعلية كانت مبالغ فيها بشكل كبير. وأوضح مركز سلامة الذكاء الاصطناعي السبب وراء ذلك: لكي يحكم بشكل عادل على العمل الذي تم تسليمه، يجب على المقيم أن يفتح الملفات في البرنامج الاحترافي الصحيح، وأن يشغل هذا البرنامج بشكل صحيح، ويشكل حكمًا كما يفعل العميل الذي يدفع. هذا النوع من الاستخدام العملي للبرامج هو بالضبط ما يعاني منه عملاء الذكاء الاصطناعي الحاليون أكثر من غيرهم.
المفارقة مفيدة: يواجه قاضي الذكاء الاصطناعي نفس القيود التي يواجهها العاملون في الذكاء الاصطناعي الذين من المفترض أن يقيمهم. يعد العرض المزيف لـ GPT-5.5 مثالًا على ذلك - يتطلب اكتشاف الخداع فتح النموذج ثلاثي الأبعاد وفحص الهندسة الفعلية، وهي مهمة لا يستطيع قاضي الذكاء الاصطناعي تنفيذها بشكل موثوق.
التحذير: القيود الحكومية
ينطبق أحد التحذيرات المهمة على النتيجة الرئيسية لـ Fable 5. لم يكن من الممكن تقييم سوى 218 مشروعًا من أصل 240 مشروعًا قبل أن تقوم حكومة الولايات المتحدة بتقييد الوصول إلى النموذج. حتى في أسوأ السيناريوهات، حيث فشل Fable 5 في كل المشاريع المتبقية، فإن معدل التشغيل الآلي الخاص به سيظل 14.6 بالمائة - وهو أعلى من أي نموذج آخر تم اختباره.
القيود الحكومية، المرتبطة بمخاوف الأمن القومي بشأن نماذج فئة ميثوس، أدت إلى تقييد نافذة التقييم ولكنها لم تقوض النتيجة الأساسية: يقترب عملاء الذكاء الاصطناعي بسرعة من النقطة التي يمكنهم عندها التعامل مع حصة ذات معنى من العمل المهني المستقل.
بالنسبة للعاملين لحسابهم الخاص، فإن هذا الاتجاه مثير للقلق ولكنه ليس كارثيًا بعد. لا يزال الذكاء الاصطناعي يفشل في 84% من المشاريع، وتُظهر الأمثلة المرجعية أنه حتى المخرجات الناجحة غالبًا ما تتطلب مراجعة احترافية. ولكن مع زيادة معدل الأتمتة بأكثر من أربعة أضعاف في أقل من عام، فإن المسار واضح. لم يعد السؤال هو ما إذا كان وكلاء الذكاء الاصطناعي سيتنافسون على العمل المستقل، ولكن ما مدى سرعة سد الفجوة المتبقية.
ابق في صدارة الذكاء الاصطناعي
احصل على آخر الأخبار والتحليلات والإنجازات في مجال الذكاء الاصطناعي — كل ذلك في مكان واحد.
اقرأ المزيد من أخبار الذكاء الاصطناعي →
