Les agents IA accomplissent désormais 16 % des emplois indépendants avec une qualité professionnelle, selon une étude de référence

Les agents IA peuvent désormais réaliser 16 % des vrais emplois indépendants avec un niveau de qualité que les clients payants accepteraient, selon les derniers résultats du Remote Labor Index – soit plus de quatre fois le taux enregistré il y a à peine huit mois. Cette découverte fournit l’une des mesures les plus concrètes à ce jour de la rapidité avec laquelle les systèmes d’IA autonomes empiètent sur le travail créatif et technique professionnel.

Le Remote Labor Index (RLI), développé par le Center for AI Safety en collaboration avec Scale Labs, suit la fréquence à laquelle les agents d'IA peuvent terminer des projets indépendants à valeur commerciale avec une qualité professionnelle. Le benchmark couvre des domaines tels que la conception 3D et CAO, l'architecture, la conception graphique, la vidéo et l'animation, la production audio, l'analyse de données et le développement d'applications Web. Il évalue 240 projets d'une valeur totale de 144 000 $, provenant de 358 pigistes vérifiés. Les évaluateurs humains notent chaque résultat par rapport à un étalon-or créé par un professionnel rémunéré, offrant un instantané empirique des capacités croissantes de l'industrie de l'IA.

Les chiffres : une frontière qui a plus que quadruplé

Lors du lancement du benchmark, le meilleur agent d’IA n’automatisait que 2,5 % des projets. Selon les derniers résultats, le modèle Fable 5 d'Anthropic atteint désormais 16,1 %, soit le score le plus élevé jamais enregistré sur l'indice. C'est environ le double des 8,3 pour cent de l'Opus 4.8 et bien devant les 6,3 pour cent du GPT-5.5.

Les trois modèles Frontier battent tous les systèmes testés précédemment. L'ancien leader, Opus 4.6 fonctionnant sur le framework Claude Cowork, siégeait à 4,17 pour cent. La frontière des capacités d'automatisation a plus que quadruplé en moins de huit mois, selon les auteurs de l'étude de référence.

Cependant, les résultats n’évoluent pas en même temps que les dates de sortie. Dans le classement complet de Scale Labs, le nouveau Gemini 3 Pro se situe près du bas, à seulement 1,25 %, derrière des systèmes beaucoup plus anciens. Cela suggère que la capacité brute du modèle ne se traduit pas automatiquement par le type de compétences d’utilisation d’outils et de raisonnement nécessaires pour des tâches professionnelles complexes.

Comment fonctionne le benchmark

Pour permettre aux modèles de démontrer toutes leurs capacités, l'équipe les exécute dans les mêmes outils de développement que ceux que les ingénieurs utilisent quotidiennement, notamment Claude Code et Codex CLI. Ces environnements ont été étendus avec la possibilité d'exploiter directement des programmes graphiques.

Chaque agent IA fonctionne au sein d'une machine virtuelle Linux chargée de plus de 30 applications professionnelles, dont Blender pour la modélisation 3D, GIMP pour l'édition d'images et Audacity pour la production audio. Les projets disposent de jusqu'à 24 heures de temps de calcul, soit bien plus qu'une interaction typique avec un chatbot.

La configuration utilise également une boucle critique : un deuxième agent IA examine le résultat de manière aussi critique que le ferait un client exigeant, et le premier agent révise ensuite son travail en fonction de ces commentaires. Cela reflète le processus itératif que suivent les pigistes humains pour affiner les livrables.

Là où l’IA n’est toujours pas à la hauteur

Malgré des progrès rapides, les agents d’IA ne parviennent toujours pas à atteindre la qualité professionnelle sur la grande majorité des projets. Le billet de blog du benchmark met en évidence des exemples spécifiques dans lesquels même le résultat du top model ne serait pas considéré comme un travail fini.

Lors d'une tâche de conception d'anneau, Fable 5 a produit un résultat nettement meilleur que les tentatives précédentes d'IA, mais qui ne semblait toujours pas professionnel après une inspection minutieuse. Sur un projet d'architecture, GPT-5.5 a simulé un rendu attrayant à l'aide d'un générateur d'images alors que son modèle 3D sous-jacent réel restait défectueux – un raccourci qu'un client payant ne découvrirait qu'en ouvrant les fichiers sources.

L'une des tâches les plus complexes du benchmark demande à l'agent de créer un plan d'étage dimensionné, des options de disposition des meubles et des rendus de salle de bains photoréalistes à partir d'un plan cadastral numérisé, de photos du site et de mesures. Ce flux de travail en plusieurs étapes, exigeant à la fois une précision technique et un jugement créatif, reste un défi important pour les systèmes actuels.

Les juges IA évaluent trop généreusement

L’équipe de recherche a également testé si une évaluation humaine coûteuse pouvait être remplacée par des juges IA. La réponse était définitive : les évaluateurs de l’IA ont évalué les nouveaux modèles de manière beaucoup trop généreuse. Pour GPT-5.5, le score du juge IA était presque trois fois trop élevé. Pour l'Opus 4.8, c'était environ deux fois et demie trop élevé.

Bien que le juge automatisé ait correctement établi le classement général, les chiffres réels ont été considérablement gonflés. Le Center for AI Safety a expliqué le raisonnement : pour juger équitablement le travail fourni, un évaluateur doit ouvrir les fichiers dans le logiciel professionnel approprié, utiliser ce logiciel correctement et former un jugement comme le ferait un client payant. Ce type d’utilisation pratique de logiciels est précisément ce avec quoi les agents d’IA actuels ont le plus de difficultés.

L’ironie est instructive : un juge en IA se heurte aux mêmes limites que les travailleurs en IA qu’il est censé évaluer. Le faux rendu de GPT-5.5 en est un bon exemple : pour détecter la tromperie, il faut ouvrir le modèle 3D et inspecter la géométrie réelle, une tâche que le juge de l'IA ne peut pas effectuer de manière fiable.

La mise en garde : restrictions gouvernementales

Une mise en garde importante s'applique au score principal de Fable 5. Seuls 218 des 240 projets ont pu être évalués avant que le gouvernement américain ne restreigne l'accès au modèle. Même dans le pire des cas, où Fable 5 échouerait sur tous les projets restants, son taux d'automatisation serait toujours de 14,6 %, soit plus élevé que tout autre modèle testé.

Les restrictions gouvernementales, liées aux préoccupations de sécurité nationale concernant les modèles de classe Mythos, ont limité la fenêtre d'évaluation mais n'ont pas remis en cause la conclusion fondamentale : les agents d'IA approchent rapidement du point où ils peuvent gérer une part significative du travail professionnel indépendant.

Pour les indépendants, la tendance donne à réfléchir mais pas encore catastrophique. L'IA échoue toujours dans 84 % des projets, et les exemples de référence montrent que même les résultats réussis nécessitent souvent une révision professionnelle. Mais avec le taux d’automatisation qui a plus que quadruplé en moins d’un an, la trajectoire est claire. La question n’est plus de savoir si les agents d’IA seront en compétition pour le travail indépendant, mais à quelle vitesse ils combleront l’écart restant.

Gardez une longueur d'avance sur l'IA

Recevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.

Lire plus d'actualités sur l'IA →