Un agente basado en Claude Fable 5.2 completó con calidad profesional el 41.3% de los proyectos evaluados en el Remote Labor Index, una prueba de trabajos freelance creada por Scale Labs y el Center for AI Safety (CAIS). El resultado coloca al modelo de Anthropic en el primer lugar de la clasificación, por encima de Claude Opus 5.5 y GPT-6 Astra.
La cifra corresponde a proyectos seleccionados para una evaluación. No mide el porcentaje de profesionales que podrían perder su empleo ni el volumen de trabajo freelance que ya ha sido automatizado.
En la tabla de Scale Labs consultada el 10 de noviembre, Opus 5.5 aparece con 21.25% y GPT-6 Astra con 20.83%. Fable 5.1, la versión anterior de la misma familia, registra 17.92%. El resultado de Fable 5.2 es casi el doble del obtenido por Opus en esta clasificación.
Anthropic indica que el resultado de Fable 5.2 se obtuvo con un nivel alto de esfuerzo de razonamiento. Esa configuración importa: la compañía identifica el nivel medio como el predeterminado en las aplicaciones de Claude y en Claude Code.
Qué cuenta como un proyecto completado
El índice reúne 240 encargos realizados por profesionales que trabajaron en Upwork, en 23 categorías. Entre ellos hay proyectos de arquitectura, diseño, análisis de datos, audio y videojuegos. Cada uno incluye instrucciones, archivos de entrada y una entrega humana que sirve de referencia.
Los evaluadores humanos comparan el resultado del agente con el trabajo original. Para contabilizarlo como éxito, deben juzgar que cumple el encargo al menos tan bien como la entrega profesional y que sería aceptable para un cliente razonable. La aprobación es el juicio de los evaluadores: no significa que el cliente original haya recibido o aceptado la nueva entrega de IA.
Scale explica que 230 proyectos forman el conjunto privado utilizado para las evaluaciones cuantitativas y que otros 10 son públicos para análisis cualitativos. Los proyectos proceden de 358 profesionales verificados y el tiempo humano declarado promedia 28.9 horas, con una mediana de 11.5 horas.
Hay un detalle pendiente en la comparación histórica. Antes del resultado de Fable 5.2, Post Labor Economics describió el 21.25% de Opus 5.5 como 51 proyectos de 240. La página de Scale no aclara cómo se relaciona ese denominador con los 230 proyectos privados que describe, así que las cifras no permiten precisar por sí solas si todas las evaluaciones usaron exactamente el mismo conjunto.
Avances en 3D, audio y arquitectura
The Decoder reportó que, según Scale Labs, Fable 5.2 mostró sus mayores mejoras en edición de audio y música, arquitectura y diseño de interiores, y creación de modelos 3D. El medio también señaló que casi 50 de sus entregas exitosas correspondían a proyectos que ningún otro agente de la prueba había resuelto antes.
De acuerdo con esa cobertura, el diseño de productos industriales y la animación seguían entre las áreas difíciles para los agentes. El 41.3% también deja una lectura complementaria: en el 58.7% restante, la entrega de Fable 5.2 no alcanzó el estándar profesional de esta prueba. Eso no determina si partes de esos trabajos podrían servir como apoyo a una persona.
El modelo no trabaja aislado
El resultado depende tanto del modelo como del entorno en el que se ejecuta. En una actualización de julio, CAIS explicó que sus agentes usaban herramientas de computadora y aplicaciones profesionales, y que una configuración podía incluir un segundo agente que revisara el trabajo y pidiera correcciones.
Las condiciones también han cambiado con el tiempo. En esa evaluación de julio, CAIS describió un presupuesto máximo habitual de 50 dólares estadounidenses por proyecto y uno de 150 dólares para Fable 5. Esos eran límites de gasto de aquella prueba, no el costo confirmado de ejecutar Fable 5.2 en el índice.
CAIS también probó un evaluador automático en una comparación anterior y encontró que sobrestimaba algunos resultados. Para GPT-5.5, el sistema automatizado dio 17.9%, frente a 6.25% de los evaluadores humanos. Esa comparación no es una calificación de Fable 5.2, pero muestra por qué revisar archivos y entregables sigue siendo parte central del índice.
La clasificación muestra una mejora en los proyectos que el índice permite medir. Para trasladar esa mejora a una profesión o a un puesto concreto haría falta evaluar también tareas que el RLI deja fuera, como las que requieren interacción directa con clientes o seguimiento durante un periodo largo.
