Jak wynika z najnowszych wyników Remote Labour Index, agenci sztucznej inteligencji mogą obecnie wykonywać 16 procent prawdziwych niezależnych zleceń na poziomie jakości akceptowanym przez płacących klientów – to ponad czterokrotnie więcej niż osiem miesięcy temu. Odkrycie dostarcza jednego z najbardziej konkretnych jak dotąd mierników tego, jak szybko autonomiczne systemy sztucznej inteligencji wkraczają w profesjonalną pracę twórczą i techniczną.

Indeks pracy zdalnej (RLI), opracowany przez Centrum Bezpieczeństwa AI we współpracy z Scale Labs, śledzi, jak często agenci sztucznej inteligencji mogą realizować wartościowe z komercyjnego punktu widzenia niezależne projekty w profesjonalnej jakości. Benchmark obejmuje dziedziny obejmujące projektowanie 3D i CAD, architekturę, projektowanie graficzne, wideo i animacje, produkcję audio, analizę danych i tworzenie aplikacji internetowych. Ocenia 240 projektów o łącznej wartości 144 000 dolarów, pochodzących od 358 zweryfikowanych freelancerów. Osoby oceniające oceniają każdy wynik według złotego standardu stworzonego przez płatnego profesjonalistę, oferując empiryczny obraz rosnących możliwości branży sztucznej inteligencji.

Liczby: granica, która wzrosła ponad czterokrotnie

Kiedy po raz pierwszy uruchomiono benchmark, najlepszy agent AI zautomatyzował zaledwie 2,5 procent projektów. Według najnowszych wyników model Fable 5 firmy Anthropic osiągnął obecnie 16,1%, co stanowi najwyższy wynik, jaki kiedykolwiek zarejestrowano w tym indeksie. To mniej więcej dwukrotnie więcej niż 8,3% w przypadku Opus 4.8 i znacznie więcej niż 6,3% w przypadku GPT-5.5.

Wszystkie trzy pionierskie modele pokonują każdy wcześniej testowany system. Poprzedni lider, Opus 4.6 działający na platformie Claude Cowork, osiągnął poziom 4,17%. Według autorów testu granica możliwości automatyzacji wzrosła ponad czterokrotnie w ciągu niecałych ośmiu miesięcy.

Wyniki nie zmieniają się jednak wraz z datami premiery. W pełnej tabeli liderów Scale Labs nowszy Gemini 3 Pro plasuje się blisko dna z wynikiem zaledwie 1,25 procent, pozostając w tyle za znacznie starszymi systemami. Sugeruje to, że możliwości surowego modelu nie przekładają się automatycznie na rodzaj umiejętności posługiwania się narzędziami i rozumowania potrzebnych do wykonywania złożonych zadań zawodowych.

Jak działa test porównawczy

Aby modele mogły wykazać się pełnymi możliwościami, zespół uruchamia je w tych samych narzędziach programistycznych, których inżynierowie używają na co dzień, w tym w Claude Code i Codex CLI. Środowiska te zostały rozszerzone o możliwość bezpośredniej obsługi programów graficznych.

Każdy agent AI działa na wirtualnej maszynie z systemem Linux załadowanej ponad 30 profesjonalnymi aplikacjami, w tym Blender do modelowania 3D, GIMP do edycji obrazów i Audacity do produkcji dźwięku. Projekty otrzymują do 24 godzin czasu obliczeniowego — znacznie dłużej niż typowa interakcja z chatbotem.

Konfiguracja wykorzystuje również pętlę krytyczną: drugi agent AI sprawdza wyniki tak krytycznie, jak zrobiłby to wymagający klient, a następnie pierwszy agent koryguje swoją pracę w oparciu o tę informację zwrotną. Odzwierciedla to iteracyjny proces, który wykonują freelancerzy podczas udoskonalania produktów.

Tam, gdzie sztuczna inteligencja wciąż zawodzi

Pomimo szybkiego postępu agenci AI w zdecydowanej większości projektów nadal nie osiągają profesjonalnej jakości. W poście na blogu testu porównawczego przedstawiono konkretne przykłady, w których nawet produkt najwyższej klasy nie zostałby uznany za dzieło ukończone.

W przypadku zadania polegającego na zaprojektowaniu pierścienia Fable 5 dało wynik wyraźnie lepszy niż wcześniejsze próby sztucznej inteligencji, ale przy bliższym przyjrzeniu się nadal wyglądał nieprofesjonalnie. W przypadku projektu architektonicznego GPT-5.5 sfałszował atrakcyjny render za pomocą generatora obrazów, podczas gdy rzeczywisty model 3D pozostał wadliwy — skrót, który płacący klient mógł odkryć jedynie otwierając pliki źródłowe.

Jedno z bardziej złożonych zadań w benchmarku wymaga od agenta stworzenia zwymiarowanego planu piętra, opcji rozmieszczenia mebli i fotorealistycznych renderów łazienek na podstawie zeskanowanego planu katastralnego, zdjęć terenu i pomiarów. Ten wieloetapowy przepływ pracy, wymagający zarówno technicznej precyzji, jak i kreatywnej oceny, pozostaje poważnym wyzwaniem dla obecnych systemów.

Sędziowie AI oceniają zbyt hojnie

Zespół badawczy sprawdził także, czy kosztowną ocenę przeprowadzaną przez człowieka można zastąpić sędziami zajmującymi się sztuczną inteligencją. Odpowiedź była ostateczna: ewaluatorzy sztucznej inteligencji ocenili nowe modele zdecydowanie zbyt hojnie. W przypadku testu GPT-5.5 ocena sędziego AI była prawie trzykrotnie za wysoka. W przypadku Opus 4.8 było to około dwa i pół razy za wysokie.

Chociaż zautomatyzowany sędzia prawidłowo ustalił ogólną kolejność w rankingu, rzeczywiste liczby były znacznie zawyżone. Centrum Bezpieczeństwa AI wyjaśniło uzasadnienie: aby sprawiedliwie ocenić dostarczoną pracę, oceniający musi otworzyć pliki w odpowiednim profesjonalnym oprogramowaniu, prawidłowo obsługiwać to oprogramowanie i wydać opinię tak, jak zrobiłby to płacący klient. Właśnie z tego rodzaju praktycznym korzystaniem z oprogramowania borykają się obecni agenci sztucznej inteligencji.

Ironia jest pouczająca: sędzia AI napotyka te same ograniczenia, co pracownicy AI, których ma oceniać. Dobrym przykładem jest fałszywe renderowanie GPT-5.5 — wyłapanie oszustwa wymaga otwarcia modelu 3D i sprawdzenia rzeczywistej geometrii, czego sędzia AI nie mógł wiarygodnie wykonać.

Zastrzeżenie: ograniczenia rządowe

Jedno ważne zastrzeżenie dotyczy czołowej punktacji Fable 5. Tylko 218 z 240 projektów mogło zostać ocenionych, zanim rząd Stanów Zjednoczonych ograniczył dostęp do modelu. Nawet w najgorszym przypadku, gdy Fable 5 zawiódł każdy pozostały projekt, jego stopień automatyzacji nadal wyniósłby 14,6% — więcej niż w jakimkolwiek innym testowanym modelu.

Ograniczenia rządowe związane z obawami dotyczącymi bezpieczeństwa narodowego modeli klasy Mythos ograniczyły okno oceny, ale nie podważyły ​​podstawowego ustalenia: agenci sztucznej inteligencji szybko zbliżają się do punktu, w którym będą mogli obsłużyć znaczną część niezależnej pracy zawodowej.

Dla freelancerów trend jest otrzeźwiający, ale jeszcze nie katastrofalny. Sztuczna inteligencja nadal zawodzi w 84 procentach projektów, a przykłady z benchmarku pokazują, że nawet pomyślne wyniki często wymagają profesjonalnej weryfikacji. Jednak biorąc pod uwagę, że wskaźnik automatyzacji wzrósł ponad czterokrotnie w ciągu niecałego roku, trajektoria jest jasna. Pytanie nie brzmi już, czy agenci AI będą konkurować o pracę na zlecenie, ale jak szybko wypełnią pozostałą lukę.

Wyprzedź sztuczną inteligencję

Otrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.

Przeczytaj więcej aktualności o sztucznej inteligencji →