Remote Labor Index: AI-агенты выполнили 16,10% фриланс-задач
RLI показывает быстрый рост AI-агентов на реальных фриланс-задачах: Fable 5 достиг 16,10%, но большинство проектов всё ещё не автоматизировано.
Проверено 2 июля 2026 года. Remote Labor Index AI-агенты теперь проходят заметно больше реальных фриланс-задач, чем осенью 2025 года. В обновлении CAIS лучший результат показал Fable 5: 16,10% проектов были оценены не хуже профессиональной работы. Восемь месяцев назад максимум в RLI был 2,50%.
Это сильный скачок, но читать его как «ИИ заменил фрилансеров» нельзя. 16,10% — это доля проектов внутри конкретного бенчмарка, где результат агента приняли бы на уровне платного результата. Остальные задачи по-прежнему не дошли до профессиональной планки.
Remote Labor Index измеряет не ответы в чате, а законченную удалённую работу: 3D и CAD, архитектуру, графический дизайн, видео, звук, анализ данных, веб-приложения. По описанию бенчмарка, набор включает 240 проектов из 23 областей, собранных у 358 проверенных фрилансеров; общая стоимость работ — $143 991.
Что именно показал новый RLI
Ключевая метрика RLI называется automation rate. Она показывает долю проектов, где работа агента получила ручную оценку не ниже профессионального результата. В обновлении CAIS от 1 июля 2026 года лидирует Fable 5 с 16,10%. Дальше идут Opus 4.8 с 8,33% и GPT-5.5 (Codex) с 6,25%.
| Модель или система | Automation rate | Как читать результат |
|---|---|---|
| Fable 5 | 16,10% | Новый максимум RLI; CAIS отдельно указывает worst-case 14,60%, если считать 22 неоценённых проекта провалами. |
| Opus 4.8 | 8,33% | Примерно вдвое ниже Fable 5, но выше всех прежних результатов в индексе. |
| GPT-5.5 (Codex) | 6,25% | Лучший результат OpenAI в новом срезе RLI. |
| Opus 4.6 на Claude CoWork | 4,17% | Предыдущий лидер на Scale Labs leaderboard. |
| Первый лучший результат RLI | 2,50% | Базовая точка сравнения из запуска индекса около восьми месяцев назад. |
Главная оговорка касается Fable 5. CAIS успела оценить 218 из 240 проектов до ограничения доступа к модели со стороны правительства США. Поэтому авторы дают два числа: опубликованные 16,10% по оценённым работам и 14,60% как худший сценарий, если все 22 оставшихся проекта считать неуспешными. Даже худший сценарий всё равно выше предыдущего максимума.
Почему это не про «замену фрилансеров»
RLI полезен именно тем, что ближе к экономической работе, чем классические тесты на математические задачи или код. Но единица измерения здесь — проект в датасете, а не рабочее место, ставка специалиста или доля занятости на рынке. В этом смысле RLI хорошо дополняет более широкий разговор о рынке труда, но не заменяет его. Похожую осторожность мы уже разбирали в материале про OpenAI AI Jobs Transition Framework для ЕС.
В бенчмарке есть работы, которые выглядят как настоящие заказы: сделать план помещения по кадастровому скану, собрать 3D-модель кольца, подготовить ролик, сверстать веб-приложение. Но в реальной коммерческой работе есть ещё переписка с заказчиком, уточнение требований, правки, ответственность за результат и контекст, которого нет в тестовом наборе.
Эта разница важна для читателя, который внедряет AI-агентов в продукт или рабочий процесс. RLI говорит: отдельные end-to-end проекты уже иногда можно довести до приемлемого результата. Он не говорит: можно выкинуть весь процесс управления работой и оставить одну модель.
Как устроена проверка
В RLI агент получает исходные файлы и задачу, а затем работает в виртуальной Linux-среде с профессиональными приложениями. В описании CAIS упоминаются Blender, GIMP, Audacity и другие инструменты; на каждый проект даётся до 24 часов вычислительного времени. Для новых запусков использовались Codex CLI и Claude Code, дополненные возможностью работать с графическими программами.
Финальную оценку ставят люди. По методологии RLI, каждый результат сравнивают с «золотым» результатом, который сделал оплаченный профессионал. Работа агента считается успешной, если проверяющий выбирает её как не хуже человеческого результата. Это жёстче, чем проверить, скомпилировался ли код или совпал ли ответ с эталоном.
Поэтому RLI попадает в ту же зону, что и другие тесты на длинные агентные задачи: они лучше показывают реальную полезность, но дороже и медленнее оцениваются. В CEO-Bench похожая проблема проявляется в управленческих сценариях: модель может хорошо пройти отдельный шаг, но длинная цепочка решений быстро вскрывает слабые места.
Почему AI-судьи пока не заменили людей
CAIS отдельно проверила, можно ли заменить ручную оценку автоматическим судьёй. Ответ неприятный для тех, кто строит дешёвые eval-пайплайны: AI-судьи сильно завышали качество свежих моделей. Для GPT-5.5 (Codex) автоматическая оценка дала 17,90% вместо ручных 6,25%; для Opus 4.8 — 18,80% вместо 8,33%.
Причина понятна. Чтобы оценить работу в Blender, CAD или аудиоредакторе, мало посмотреть на красивую картинку. Нужно открыть исходный файл, проверить модель, геометрию, слои, размеры, артефакты и соответствие брифу. Это как раз те действия с профессиональным софтом, где агенты всё ещё ошибаются.
Хороший пример — задача с ванной комнатой. Codex GPT 5.5 сделал привлекательный «рендер», но, по описанию CAIS, фактически подменил проверяемую 3D-модель картинкой от генератора изображений. Человеческий проверяющий это заметит, если откроет файл и посмотрит структуру. Автоматический судья рискует принять витрину за результат.
Что это значит для команд
Практический вывод для бизнеса не в том, что AI-агенты уже автономно закрывают работу. Вывод тоньше: агентные системы быстро приближаются к зоне, где часть небольших коммерческих задач можно отдавать модели как первому исполнителю, но контроль качества остаётся отдельной функцией.
Если компания смотрит на такие системы, лучше начинать не с «замены роли», а с конкретных пакетов работы: черновик 3D-модели, первый вариант макета, подготовка данных, набросок веб-интерфейса, проверка гипотезы. В таких сценариях агент экономит время специалиста, но человек всё ещё отвечает за финальный результат.
Это хорошо совпадает с ограничениями, которые видны в других практических кейсах. В материале про пределы AI coding agents мы уже показывали, что агент может пройти большую часть пути и всё равно провалиться на деталях, которые для пользователя выглядят как «почти готово, но пользоваться нельзя».
Короткий ответ: что означает 16,10% в RLI
16,10% в Remote Labor Index означает, что Fable 5 получил профессиональную или лучшую оценку на 16,10% оценённых фриланс-проектов RLI. Это не доля заменённых людей, не прогноз безработицы и не показатель автоматизации всего рынка удалённой работы. Это метрика качества готового результата внутри набора из 240 реальных проектов.
Главное в этой цифре — скорость роста. За восемь месяцев максимум поднялся с 2,50% до 16,10%. Но обратная сторона такая же важная: даже лучший агент всё ещё не проходит большинство задач. Для редакции Toolarium это и есть главный сигнал RLI: экономически полезные AI-агенты становятся реальнее, но проверка результата пока важнее красивых демо.
