ریموٹ لیبر انڈیکس کے تازہ ترین نتائج کے مطابق، AI ایجنٹس اب حقیقی فری لانس ملازمتوں کا 16 فیصد معیار کی سطح پر مکمل کر سکتے ہیں جسے ادائیگی کرنے والے کلائنٹ قبول کریں گے، جو صرف آٹھ ماہ قبل ریکارڈ کی گئی شرح سے چار گنا زیادہ ہے۔ یہ تلاش ابھی تک سب سے ٹھوس اقدامات میں سے ایک فراہم کرتی ہے کہ کتنی جلدی خود مختار AI نظام پیشہ ورانہ تخلیقی اور تکنیکی کام پر تجاوز کر رہے ہیں۔
ریموٹ لیبر انڈیکس (RLI)، جسے سینٹر فار AI سیفٹی نے اسکیل لیبز کے تعاون سے تیار کیا ہے، اس بات کا پتہ لگاتا ہے کہ AI ایجنٹ کتنی بار تجارتی لحاظ سے قیمتی فری لانس پروجیکٹس کو پیشہ ورانہ معیار پر مکمل کر سکتے ہیں۔ بینچ مارک میں 3D اور CAD ڈیزائن، فن تعمیر، گرافک ڈیزائن، ویڈیو اور اینیمیشن، آڈیو پروڈکشن، ڈیٹا کا تجزیہ، اور ویب ایپلیکیشن ڈویلپمنٹ سمیت فیلڈز کا احاطہ کیا گیا ہے۔ یہ 358 تصدیق شدہ فری لانسرز سے حاصل کردہ مشترکہ $144,000 مالیت کے 240 منصوبوں کا جائزہ لیتا ہے۔ انسانی جائزہ لینے والے ہر نتیجہ کو ایک بامعاوضہ پیشہ ور کی طرف سے بنائے گئے گولڈ اسٹینڈرڈ کے خلاف اسکور کرتے ہیں، جو AI انڈسٹری کی کی بڑھتی ہوئی صلاحیتوں کا تجرباتی تصویر پیش کرتے ہیں۔
نمبرز: ایک فرنٹیئر جو چار گنا سے زیادہ ہے۔
جب بینچ مارک پہلی بار لانچ ہوا، بہترین AI ایجنٹ نے صرف 2.5 فیصد پروجیکٹس کو خودکار کیا۔ تازہ ترین نتائج کے مطابق، Anthropic's Fable 5 ماڈل اب 16.1 فیصد تک پہنچ گیا ہے - جو انڈیکس میں ریکارڈ کیا گیا سب سے زیادہ سکور ہے۔ یہ Opus 4.8 کے 8.3 فیصد سے تقریباً دوگنا ہے اور GPT-5.5 کے 6.3 فیصد سے بہت آگے ہے۔
تینوں فرنٹیئر ماڈلز نے پہلے سے ٹیسٹ کیے گئے ہر سسٹم کو شکست دی۔ سابقہ لیڈر، اوپس 4.6 جو کلاڈ کاورک فریم ورک پر چل رہا ہے، 4.17 فیصد پر بیٹھا ہے۔ بینچ مارک کے مصنفین کے مطابق، آٹھ ماہ سے کم عرصے میں آٹومیشن کی صلاحیت کا محاذ چار گنا سے زیادہ ہو گیا ہے۔
تاہم، نتائج ریلیز کی تاریخوں کے ساتھ لاک سٹیپ میں منتقل نہیں ہوتے ہیں۔ مکمل اسکیل لیبز لیڈر بورڈ پر، جدید ترین جیمنی 3 پرو نیچے کے قریب صرف 1.25 فیصد پر اترتا ہے، جو بہت پرانے سسٹمز سے پیچھے ہے۔ اس سے پتہ چلتا ہے کہ خام ماڈل کی صلاحیت پیچیدہ پیشہ ورانہ کاموں کے لیے درکار آلے کے استعمال اور استدلال کی مہارت کی قسم میں خود بخود ترجمہ نہیں ہوتی ہے۔
بینچ مارک کیسے کام کرتا ہے۔
ماڈلز کو اپنی پوری صلاحیت کا مظاہرہ کرنے دینے کے لیے، ٹیم انہیں انہی ترقیاتی ٹولز میں چلاتی ہے جنہیں انجینئرز روزانہ استعمال کرتے ہیں، بشمول Claude Code اور Codex CLI۔ یہ ماحول گرافیکل پروگراموں کو براہ راست چلانے کی صلاحیت کے ساتھ بڑھایا گیا تھا۔
ہر AI ایجنٹ ایک ورچوئل لینکس مشین کے اندر کام کرتا ہے جس میں 30 سے زیادہ پروفیشنل ایپلی کیشنز شامل ہیں، بشمول 3D ماڈلنگ کے لیے بلینڈر، امیج ایڈیٹنگ کے لیے GIMP، اور آڈیو پروڈکشن کے لیے Audacity۔ پروجیکٹس کو 24 گھنٹے تک کمپیوٹ ٹائم دیا جاتا ہے - ایک عام چیٹ بوٹ کے تعامل سے کہیں زیادہ۔
سیٹ اپ ایک تنقیدی لوپ کو بھی استعمال کرتا ہے: دوسرا AI ایجنٹ آؤٹ پٹ کا اتنا ہی تنقیدی جائزہ لیتا ہے جتنا کہ ایک مطالبہ کرنے والا کلائنٹ کرتا ہے، اور پھر پہلا ایجنٹ اس تاثرات کی بنیاد پر اپنے کام پر نظر ثانی کرتا ہے۔ یہ اس تکراری عمل کی عکاسی کرتا ہے جس کی پیروی انسانی فری لانسرز ڈیلیوری ایبلز کو بہتر کرتے وقت کرتے ہیں۔
جہاں اے آئی اب بھی کم پڑتی ہے۔
تیز رفتار ترقی کے باوجود، AI ایجنٹس اب بھی زیادہ تر پروجیکٹس پر پیشہ ورانہ معیار کو نشانہ بنانے میں ناکام رہتے ہیں۔ بینچ مارک کی بلاگ پوسٹ مخصوص مثالوں پر روشنی ڈالتی ہے جہاں اعلیٰ ماڈل کا آؤٹ پٹ بھی مکمل کام کے طور پر نہیں گزرتا۔
رنگ ڈیزائن کے کام پر، Fable 5 نے ایک نتیجہ پیش کیا جو پہلے کی AI کوششوں سے واضح طور پر بہتر تھا لیکن پھر بھی قریبی معائنہ پر غیر پیشہ ورانہ نظر آتا تھا۔ ایک آرکیٹیکچر پروجیکٹ پر، GPT-5.5 نے امیج جنریٹر کا استعمال کرتے ہوئے ایک دلکش رینڈر کو جعلی بنایا جبکہ اس کا اصل 3D ماڈل ناقص رہا - ایک شارٹ کٹ جسے ادائیگی کرنے والا کلائنٹ صرف سورس فائلوں کو کھول کر ہی دریافت کرے گا۔
بینچ مارک میں زیادہ پیچیدہ کاموں میں سے ایک ایجنٹ سے ایک اسکین شدہ کیڈسٹرل پلان، سائٹ کی تصاویر اور پیمائش سے ایک طول و عرض والا فلور پلان، فرنیچر لے آؤٹ کے اختیارات، اور فوٹو ریئلسٹک باتھ روم رینڈر بنانے کے لیے کہتا ہے۔ یہ کثیر مرحلہ ورک فلو، جس میں تکنیکی درستگی اور تخلیقی فیصلے دونوں کی ضرورت ہوتی ہے، موجودہ نظاموں کے لیے ایک اہم چیلنج بنی ہوئی ہے۔
AI ججز بہت دل کھول کر شرح دیتے ہیں۔
تحقیقی ٹیم نے یہ بھی جانچا کہ آیا مہنگی انسانی تشخیص کو اے آئی ججز سے تبدیل کیا جا سکتا ہے۔ جواب قطعی تھا: AI تشخیص کاروں نے نئے ماڈلز کی درجہ بندی بہت فراخدلی سے کی۔ GPT-5.5 کے لیے، AI جج کا اسکور تقریباً تین گنا زیادہ تھا۔ Opus 4.8 کے لیے، یہ تقریباً ڈھائی گنا زیادہ تھا۔
جب کہ خودکار جج نے مجموعی درجہ بندی کا حکم درست کیا، اصل تعداد میں نمایاں اضافہ ہوا۔ سنٹر فار اے آئی سیفٹی نے استدلال کی وضاحت کی: ڈیلیور کیے گئے کام کا منصفانہ فیصلہ کرنے کے لیے، ایک ایویلیویٹر کو فائلوں کو درست پروفیشنل سافٹ ویئر میں کھولنا چاہیے، اس سافٹ ویئر کو صحیح طریقے سے چلانا چاہیے، اور ادائیگی کرنے والے کلائنٹ کی طرح فیصلہ کرنا چاہیے۔ اس قسم کے ہینڈ آن سافٹ ویئر کا استعمال بالکل وہی ہے جس کے ساتھ موجودہ AI ایجنٹ زیادہ تر جدوجہد کرتے ہیں۔
ستم ظریفی سبق آموز ہے: ایک AI جج انہی حدود میں چلا جاتا ہے جس طرح AI کارکنوں کا اندازہ لگایا جاتا ہے۔ GPT-5.5 کی جعلی رینڈرنگ ایک معاملہ ہے — دھوکہ دہی کو پکڑنے کے لیے 3D ماڈل کو کھولنے اور اصل جیومیٹری کا معائنہ کرنے کی ضرورت ہوتی ہے، یہ کام AI جج قابل اعتماد طریقے سے انجام نہیں دے سکتا تھا۔
انتباہ: حکومتی پابندیاں
ایک اہم انتباہ Fable 5 کے نمایاں اسکور پر لاگو ہوتا ہے۔ ریاستہائے متحدہ کی حکومت کی جانب سے ماڈل تک رسائی کو محدود کرنے سے پہلے 240 منصوبوں میں سے صرف 218 کا جائزہ لیا جا سکا۔ یہاں تک کہ بدترین صورت حال میں بھی، جہاں Fable 5 ہر بقیہ پروجیکٹ کو ناکام بناتا ہے، اس کی آٹومیشن کی شرح اب بھی 14.6 فیصد رہے گی - جو کسی بھی دوسرے ماڈل کی آزمائش سے زیادہ ہے۔
Mythos-کلاس ماڈلز کے بارے میں قومی سلامتی کے خدشات سے منسلک حکومتی پابندیوں نے تشخیصی ونڈو کو محدود کر دیا لیکن بنیادی تلاش کو نقصان نہیں پہنچایا: AI ایجنٹ تیزی سے اس مقام پر پہنچ رہے ہیں جہاں وہ پیشہ ورانہ فری لانس کام کے بامعنی حصہ کو سنبھال سکتے ہیں۔
فری لانسرز کے لیے، رجحان سنجیدہ ہے لیکن ابھی تک تباہ کن نہیں ہے۔ AI اب بھی 84 فیصد پراجیکٹس پر ناکام ہو جاتا ہے، اور بینچ مارک کی مثالیں یہ ظاہر کرتی ہیں کہ کامیاب آؤٹ پٹ کے لیے بھی اکثر پیشہ ورانہ نظر ثانی کی ضرورت ہوتی ہے۔ لیکن آٹومیشن کی شرح ایک سال سے کم عرصے میں چار گنا سے زیادہ ہونے کے ساتھ، رفتار واضح ہے۔ سوال اب یہ نہیں ہے کہ آیا AI ایجنٹس فری لانس کام کے لیے مقابلہ کریں گے، لیکن وہ کتنی جلدی باقی خلا کو ختم کریں گے۔
AI سے آگے رہیں
تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔
مزید AI خبریں پڑھیں →
