Agent AI kini menuntaskan 16 persen pekerjaan freelance nyata, naik dari 2,5

Center for AI Safety memperbarui Remote Labor Index, dan angkanya bergerak cepat. Benchmark ini mengambil pekerjaan freelance nyata yang benar-benar pernah dibayar kepada profesional manusia, di bidang seperti pemodelan 3D, arsitektur, desain grafis, video, audio, analisis data, dan pengembangan web, lalu menguji apakah agent AI bisa menghasilkan karya yang akan diterima seorang reviewer manusia. Saat indeks ini diluncurkan, agent terbaik menuntaskan 2,5 persen proyek. Hasil terbaru menempatkan Fable 5 di 15,8 persen, sekitar dua kali lipat Opus 4.8 yang 8,3 persen dan di atas GPT-5.5 yang 6,3 persen. Skor tertinggi sudah lebih dari empat kali lipat dalam kurang dari delapan bulan.

Ada satu detail yang perlu dibaca cermat. Para peneliti juga mencoba menilai model baru dengan LLM judge otomatis yang dikalibrasi pada sistem lama, dan hasilnya melambung terlalu jauh: sekitar 2,9 kali terlalu tinggi untuk GPT-5.5 dan 2,3 kali terlalu tinggi untuk Opus 4.8. Judge itu masih mengurutkan model dengan benar, tapi angka absolutnya meleset jauh, dan evaluator manusia yang menangkap selisihnya. Sebagian besar proyek freelance masih mengalahkan agent-agent ini. Yang jadi inti adalah arah dan kecepatan kurvanya.

Kenapa ini penting

Kalau kamu merekrut atau menjual jasa digital freelance, lompatan dari 2,5 ke hampir 16 persen dalam delapan bulan adalah garis tren yang perlu diantisipasi sekarang. Dan kalau kamu mengevaluasi agent dengan LLM judge, kalibrasi ulang terhadap review manusia yang baru, karena judge yang disetel pada model tahun lalu bisa menaksir kemampuan model sekarang lebih dari dua kali lipat.