Los agentes ya hacen trabajo freelance real

Durante años, la discusión sobre automatización estuvo llena de frases enormes y pruebas pequeñas. Se hablaba de millones de empleos, de oficinas sin humanos, de asistentes capaces de hacerlo todo, pero muchas demostraciones terminaban en el mismo lugar: un chat que redactaba bien, un programa que resolvía una consigna cerrada, una herramienta que impresionaba en video y sufría cuando el trabajo real se ensuciaba con archivos, formatos, decisiones estéticas, software profesional y clientes difíciles.

El nuevo informe del Center for AI Safety cambia el terreno de la conversación. No pregunta si un agente puede responder preguntas ni si produce una imagen vistosa. Pregunta algo mucho más terrenal: si puede completar encargos freelance reales con una calidad que un cliente pagaría. El instrumento se llama Remote Labor Index, fue desarrollado junto con Scale Labs y funciona como una especie de prueba de campo para medir trabajo digital, no habilidad de escaparate.

La señal principal es contundente. Cuando el índice fue presentado, el mejor agente automatizaba apenas el 2,5% de los proyectos. En la nueva medición, Fable 5 llega al 16,1%, Opus 4.8 alcanza el 8,3% y GPT-5.5 queda en 6,3%. La cifra de Fable 5 debe leerse con una salvedad: se evaluaron 218 de los 240 proyectos antes de que el acceso al modelo quedara restringido, pero incluso bajo un supuesto extremo, donde fallara todos los casos pendientes, seguiría en 14,6%, por encima del resto.

El dato no significa que los agentes ya puedan quedarse con la mayor parte del trabajo digital. Dice otra cosa, más precisa y más seria: la frontera se está moviendo rápido. Pasar de 2,5% a 16,1% en menos de un año no convierte a estos sistemas en profesionales completos, pero muestra que algunas tareas económicas concretas empiezan a caer dentro de su alcance. Y ahí la conversación deja de ser futurista. Entra en el territorio incómodo de la productividad, los honorarios, las plataformas freelance y la organización del trabajo remoto.

La prueba sale del laboratorio

El Remote Labor Index no mide tareas escolares. Sus proyectos vienen de dominios donde normalmente intervienen trabajadores pagos: diseño 3D y CAD, arquitectura, diseño gráfico, video, animación, audio, análisis de datos, aplicaciones web y otros encargos digitales. Cada agente recibe un brief, archivos de entrada y una meta concreta. Después se compara su resultado con un entregable profesional hecho por una persona remunerada.

La métrica central es simple: qué proporción de proyectos logra un resultado considerado tan bueno como el humano, o mejor. Esa sencillez es parte de su fuerza. No se mide simpatía, ni estilo, ni una respuesta escrita en un entorno cómodo. Se mide si el trabajo puede pasar por la puerta del cliente.

La curva deja ver dos cosas al mismo tiempo. La primera es el salto. Los tres modelos más nuevos superan a todos los anteriores. La segunda es el tamaño de lo que falta. Incluso el mejor resultado deja sin automatizar la enorme mayoría de los encargos. Para el mercado laboral, esa combinación es la más difícil de procesar: no hay sustitución total, pero tampoco hay tranquilidad. Hay avance parcial, rápido y desigual.

CAIS también muestra una parte visual que conviene mirar con calma. En el encargo de joyería, los agentes deben recrear un anillo a partir de una referencia y modificar la piedra central. Las imágenes evidencian mejora respecto de generaciones anteriores, pero también límites: hay resultados vistosos que al examinarlos se ven poco profesionales. En trabajos de CAD, un render lindo puede ocultar una geometría pobre. La apariencia no alcanza.

Archivo de entrada: referencia del anillo original.

Render generado por GPT-5.5.

Render generado por Opus 4.8.

Render generado por Fable 5.

Render profesional humano usado como comparación.

Modelo 3D de GPT-5.5.

Modelo 3D de Opus 4.8.

Modelo 3D de Fable 5.

Modelo 3D profesional humano.

El trabajo real expone los defectos

Los ejemplos de video y arquitectura muestran por qué esta clase de evaluación importa. Un anuncio animado no se juzga solo por una imagen bonita. Tiene que sostener una secuencia, respetar un guion, sincronizarse con audio, mantener coherencia visual y entregar algo que una empresa podría usar. Un plano arquitectónico no se evalúa por parecer un plano. Debe interpretar mediciones, respetar distribución, producir un documento legible y, en el caso de renders, representar el espacio con suficiente fidelidad.

La fuente muestra avances visibles en animación 2D. Los modelos nuevos producen cuadros más limpios y sincronizaciones más razonables. Pero también queda claro que la evaluación visual no puede quedarse en una captura. En arquitectura, GPT-5.5 ofrece un render de baño muy convincente, pero CAIS advierte que ese render fue una imagen generada como sustituto: el modelo 3D real era una masa deformada y sin textura. Esa diferencia es crucial. En el trabajo profesional, entregar una fachada visual sin el archivo correcto puede ser directamente inaceptable.

Video publicitario: cuadros del entregable humano.

Video publicitario: salida de Fable 5.

Video publicitario: salida de Opus 4.8.

Video publicitario: salida de GPT-5.5.

La arquitectura lleva el problema a otro nivel. El brief pedía transformar un plano catastral escaneado, fotos del sitio y mediciones en un plano limpio, opciones de mobiliario y renders del baño rediseñado. Ese tipo de encargo exige leer información desordenada, interpretar medidas, producir documentación y construir una representación espacial. No alcanza con decorar.

Entrada original: plano catastral escaneado.

Plano producido por GPT-5.5.

Plano producido por Opus 4.8.

Plano producido por Fable 5.

Plano profesional humano.

Modelo 3D real de GPT-5.5: aquí aparece el problema oculto.

Render visual de GPT-5.5: se ve bien, pero no representa bien el archivo 3D.

Render de baño de Opus 4.8.

Render de baño de Fable 5.

Render profesional humano.

Ese es el corazón del informe. La automatización digital no avanza de manera pareja. Hay tareas largas que los modelos pueden completar en minutos y tareas cortas que siguen fuera de alcance. CAIS lo llama una frontera irregular. No basta con decir que una tarea humana lleva muchas horas para concluir que será más difícil para un agente. En este índice, la relación entre tiempo humano y éxito del modelo no cae como se esperaría. A veces el trabajo breve es el más difícil. A veces el trabajo largo contiene pasos que la máquina resuelve bien.

Gráfico de CAIS: en el Remote Labor Index, la duración humana del trabajo no predice de manera simple el éxito del agente.

Medir también se volvió difícil

El informe dedica una sección importante a un asunto que suele pasar desapercibido: evaluar estos trabajos también es trabajo. A medida que los modelos mejoran y las pruebas se vuelven más caras, aparece una tentación obvia: usar otro modelo como juez. CAIS lo probó con un agente de frontera que abría archivos, inspeccionaba entregables y decidía si el trabajo sería aceptado. El resultado fue útil para ordenar modelos, pero malo para estimar capacidad absoluta.

La explicación es sencilla y demoledora. Para juzgar bien un entregable de CAD, arquitectura o animación no alcanza con mirar una imagen. Hay que abrir aplicaciones, revisar archivos, entender formatos y comprobar si el resultado sirve como trabajo final. Esas son precisamente las capacidades que todavía fallan en los agentes. Si un juez automático comparte las debilidades del trabajador automático, puede dejar pasar defectos que un profesional detectaría.

La mejora de los andamiajes también importa. CAIS usa Claude Code para modelos de Anthropic y Codex CLI para modelos de OpenAI, con herramientas de uso de computadora que permiten mirar pantalla, hacer clic, escribir y volver a inspeccionar. Cada agente opera dentro de un escritorio virtual con más de treinta aplicaciones profesionales, desde Blender, FreeCAD y OpenSCAD hasta GIMP, Inkscape, Kdenlive, Audacity, LibreOffice y LaTeX. No es un chat aislado. Es una simulación mucho más cercana a una estación de trabajo.

También introdujeron un bucle trabajador-crítico. La razón es muy humana: los agentes suelen ser demasiado optimistas con sus propios resultados. El crítico independiente revisa el entregable contra el brief y fuerza correcciones hasta quedar satisfecho o agotar presupuesto. Esa estructura mejora los resultados porque convierte parte del gasto adicional en revisión, no solo en producción.

Para las empresas, el mensaje es doble. Estos sistemas ya empiezan a resolver encargos digitales reales, pero no de manera confiable en la mayoría de los casos. El error sería declarar que no sirven porque fallan mucho. El otro error, más caro, sería asumir que un resultado visualmente correcto equivale a trabajo aceptable. El informe muestra que la zona decisiva está en el medio: avances rápidos, capacidad desigual, necesidad de evaluación humana y una presión creciente sobre tareas freelance que antes parecían demasiado específicas para automatizarse.

La automatización del trabajo digital no llegará como un apagón total. Llegará por fragmentos: un tipo de render, una parte del plano, un segmento de video, una aplicación sencilla, una tarea de análisis, una corrección de archivo. Cada fragmento parecerá limitado. Sumados, pueden cambiar la economía de muchas plataformas y equipos. La historia importante no es que los agentes ya hagan todo. La historia importante es que algunos ya hacen suficiente como para que el mercado tenga que empezar a mirar el reloj.