Fable 5.2 de Anthropic completa el 41 % de los encargos freelance reales; hace un año el líder lograba un 2,5 %

Hace un año, el mejor agente de IA completaba el 2,5 % de los encargos freelance reales. Ahora Fable 5.2 de Anthropic llega al 41,3 %. No son ejercicios de clase ni habilidades aisladas, sino proyectos auténticos de Upwork que un cliente está dispuesto a aceptar y pagar. Veamos qué se midió exactamente y qué se desprende de ello en la práctica.

Cómo funciona la prueba

El Remote Labor Index (RLI) fue creado por Scale Labs y el Center for AI Safety. Se basa en 240 proyectos terminados de 358 profesionales verificados de Upwork. En conjunto valen unos 144 000 dólares. El encargo medio cuesta 632,60 dólares y a un freelancer humano le lleva casi 29 horas. Las tareas son variadas: edición de vídeo, diseño CAD, desarrollo de videojuegos, análisis de datos.

El agente recibe un puesto de trabajo virtual con software profesional habitual, como Blender, GIMP y Audacity, además de herramientas de IA para generar imágenes, audio y vídeo. Un ejemplo de encargo: dibujar la distribución de un cuarto de baño, proponer opciones de mobiliario y hacer renders fotorrealistas.

El trabajo lo evalúan expertos formados, y lo hacen manualmente. Abren los archivos entregados en programas profesionales y comparan el resultado con lo que entregó la persona. Los intentos de encargar la revisión a otro modelo han fracasado por ahora. Los jueces de IA apenas saben usar este software, así que los engañan trabajos que por fuera parecen pulcros pero por dentro están técnicamente rotos. Como resultado, sobrestiman mucho las puntuaciones.

Las cifras: distancia sobre todos los demás

La evolución en el último año es la siguiente:

• hace aproximadamente un año, el líder, Manus, completaba el 2,5 % de los encargos;
• en julio iba por delante Fable 5 con alrededor del 16 %, es decir, un crecimiento de más del cuádruple en ocho meses;
• Fable 5.1 obtiene algo menos del 18 %;
• Fable 5.2 alcanza el 41,3 %, unas 2,5 veces más que el resultado de Fable 5 en julio.

Le siguen Opus 5.5 de Anthropic (21,25 %) y GPT 6 Astra de OpenAI (20,83 %). Fable 5.2 es casi el doble de eficaz que sus competidores más cercanos. El mejor modelo de Google, Gemini Argon 4, está en quinto lugar con el 17,08 %. Los antiguos GPT-5.2 y Gemini 3 Pro se quedan por debajo del 3 %.

Casi 50 de las entregas exitosas de Fable 5.2 son tareas que ningún agente de la prueba había resuelto antes.

Dónde el modelo es fuerte y dónde sigue siendo débil

Según Scale Labs, el mayor avance de Fable 5.2 está en la edición de audio y música, el diseño de arquitectura e interiores y la creación de modelos 3D. Además, el agente se maneja con proyectos largos y complejos en los que los líderes anteriores fallaban con regularidad.

El diseño industrial y las animaciones casi no se resuelven. Cuando los agentes fracasan, suelen entregar trabajo de calidad amateur, resultados incompletos, archivos corruptos o diseños contradictorios.

Qué hacer con esto

Primero, los límites de la cifra. El 41,3 % es la proporción de encargos en una muestra de 240 proyectos. Más de la mitad de los trabajos el agente sigue sin completarlos a nivel profesional. Además, los resultados los publicó Scale Labs y todavía no se han reproducido de forma independiente.

Las conclusiones prácticas son estas:

• Para product managers y fundadores. Evalúen a los agentes con tareas completas «del briefing al archivo», no con habilidades aisladas. Incluyan una aceptación humana: el resultado del agente hay que abrirlo en el software de trabajo. La verificación automática por otro modelo sobre artefactos visuales y de archivo todavía no es fiable, y el RLI lo ha demostrado.
• Para desarrolladores de sistemas de agentes. Las mayores pérdidas vienen de archivos corruptos y contradicciones dentro del proyecto, no de ideas débiles. Añadan comprobaciones de integridad de los archivos de salida y un cotejo del resultado con el briefing original.
• Para freelancers. La presión es mayor en audio, 3D e interiores. El valor se desplaza hacia el planteamiento de tareas y el control de calidad, donde el agente todavía es ciego.

La señal principal no está en la cifra en sí, sino en el ritmo. Un crecimiento del 2,5 % al 41,3 % en un año significa que la frontera de «el agente puede solo» habrá que revisarla más de una vez al año.