Los agentes en el Remote Labor Index pasan del 2,5 % al 41,3 % en un año

La mayoría de los benchmarks para agentes se parecen: resolver una tarea de un repositorio, responder preguntas, superar una simulación de tienda. Todo ello está lejos de aquello por lo que la gente paga dinero. El Remote Labor Index está diseñado de otra forma, y por eso la cifra de una publicación reciente en Telegram merece atención.

Qué mide exactamente el índice

El Remote Labor Index (RLI) fue creado por Scale AI y el Center for AI Safety en otoño de 2025. La idea es sencilla: tomar proyectos reales que los clientes publicaron en plataformas freelance, dárselos a un agente y mostrar el resultado a quien pagó. Si el cliente dice «está al nivel de una persona o mejor», la tarea cuenta. La métrica final es la proporción de esos proyectos.

En la primera versión, el mejor agente obtuvo un 2,5 %. Ahora, según la publicación, la cifra ha subido al 41,3 %. Es un aumento de unas 16 veces en un año.

La composición de las tareas es aún más importante. El índice abarca 23 categorías: 3D y CAD, arquitectura, diseño gráfico, vídeo y animación, audio y mucho más. El código es solo una de ellas. Para un product manager o un fundador, esta es la señal clave: los agentes salen del ámbito de la programación, donde se acostumbraba a evaluarlos.

Cómo interpretar la cifra del 41,3 %

Imagine un encargo freelance: «haz un vídeo animado de 30 segundos para una landing». Antes, el agente entregaba algo que el cliente tiraba a la papelera de inmediato. Ahora, en cuatro de cada diez casos similares, el resultado se acepta como válido. Eso no significa que el agente haya sustituido a un estudio. Significa que en uno de cada dos o tres encargos ya no tiene sentido acudir directamente a una persona.

Pero la cifra tiene matices que la publicación no aclara:

• No está claro qué modelo o sistema obtuvo el 41,3 %. Puede ser un único agente o el mejor resultado entre varios.
• La publicación no enlaza a la fuente original, solo al canal de Telegram del autor. La tabla de resultados hay que consultarla en el sitio del propio índice.
• La valoración del cliente sigue siendo subjetiva. «Tan bueno como un humano» en un proyecto puntual no garantiza estabilidad en un flujo de cien encargos.
• El 59 % aproximado restante de las tareas el agente sigue sin resolverlo. A menudo son los proyectos más complejos y caros.

En resumen: la tendencia es real, pero la escala exacta es mejor comprobarla en la fuente que en un resumen.

¿Desempleo o no?

El autor de la publicación bromea sobre el desempleo, y la broma duele. Pero en la práctica, estas métricas rara vez se traducen en «sustituyeron a la persona por completo». Lo más habitual es que cambie la estructura del trabajo: el agente hace un primer borrador y la persona lo revisa y lo perfecciona. Para el freelance, esto supone presión sobre los precios de los encargos sencillos y mayor demanda de quienes saben aceptar resultados y plantear tareas.

Qué hacer en la práctica

Los desarrolladores y product managers deberían hacer tres cosas.

1. Tomar sus tareas habituales fuera del código: maquetas, ilustraciones, vídeo corto, locución, modelos CAD sencillos. Pasarlas por agentes actuales y comparar con el resultado humano según sus propios criterios de calidad.
2. Montar un proceso de aceptación. Si el agente cumple el estándar en el 40 % de los casos, el valor lo crea quien descarta rápido el otro 60 % sin perder tiempo en ello.
3. Seguir el índice como un barómetro. Para planificar contrataciones y presupuesto, la evolución por categorías es más útil que una sola cifra global.

La conclusión principal: hace un año se podía decir con tranquilidad que los agentes no podían con el trabajo real. Ahora esa afirmación ya requiere comprobarse con tareas concretas.