Claude Fable 5.2 completa el 41,3% de los encargos del Remote Labor Index (RLI) con un resultado que podría aceptar un cliente de pago. En la medición anterior, su predecesor Fable 5.1 había llegado al 17,9%; el mejor agente cuando se estrenó el índice, aproximadamente un año antes, obtuvo un 2,5%. La distancia es llamativa, aunque el dato más útil quizá sea otro: incluso el modelo que encabeza la tabla no termina con calidad profesional la mayoría de los trabajos evaluados.
El RLI intenta responder a una pregunta que las pruebas de conocimientos o programación aislada no resuelven por sí solas: ¿puede un agente completar un proyecto de principio a fin en condiciones parecidas a las de un encargo remunerado? La prueba reúne trabajos reales de distintos sectores y evalúa el resultado entregado, no solo una respuesta breve o una habilidad separada. El salto de Fable 5.2, por tanto, no equivale a demostrar que la IA ya pueda sustituir de forma general a profesionales independientes. Sí muestra que una fracción mucho mayor de ciertos encargos llega ahora a un umbral aceptable.
De un 2,5% a más del 40%
El Remote Labor Index fue creado por Scale Labs y el Center for AI Safety. Su conjunto de evaluación contiene 240 proyectos realizados por 358 profesionales verificados en Upwork, con un valor conjunto aproximado de 144.000 dólares. Los trabajos incluyen edición de vídeo, diseño CAD, desarrollo de juegos y análisis de datos. El proyecto medio cuesta 632,60 dólares y a un profesional independiente le lleva algo menos de 29 horas.
Es un cambio de escala frente al punto de partida. El trabajo que presenta el índice en arXiv describía inicialmente resultados cercanos al suelo: el agente con mejor puntuación automatizaba solo el 2,5% de las tareas. En la medición actual, Fable 5.2 llega al 41,3%. En julio, Fable 5 rondaba el 16%, y Fable 5.1 se queda ahora justo por debajo del 18%. La comparación resume una progresión rápida, pero no debe leerse como si cada porcentaje midiera empleos completos que desaparecen: el indicador cuenta proyectos concretos terminados a un nivel que un cliente aceptaría.
La diferencia también aparece en la tabla actual. Anthropic sitúa a Opus 5.5 en el 21,3% y a GPT-6 Astra en el 20,8%; Fable 5.1 obtiene un 17,9%. Fable 5.2 ronda así el doble de los resultados de los siguientes modelos de esa clasificación. Gemini Argon 4, según The Decoder, obtiene un 17,08%.
Qué cuenta como trabajo terminado
Los agentes reciben un espacio de trabajo virtual con programas profesionales como Blender, GIMP y Audacity, además de herramientas especializadas para generar imágenes, audio y vídeo. Después entregan archivos que deben poder abrirse y utilizarse. La evaluación no se limita a comprobar que el resultado parezca convincente en una captura: expertos humanos lo revisan en el software pertinente y lo comparan directamente con el trabajo realizado por el profesional original.
Ese proceso es una fortaleza del índice y, a la vez, un cuello de botella. Según The Decoder, los intentos de automatizar la revisión con otro modelo de IA han fallado: los evaluadores automáticos pueden dejarse engañar por entregas pulidas en apariencia pero defectuosas técnicamente, y conceder puntuaciones demasiado generosas. La inspección humana permite detectar esos fallos, pero hace que evaluar muchos encargos resulte laborioso. Para interpretar el 41,3%, importa tanto la cifra como la exigencia aplicada para decidir qué cuenta como éxito.
La variedad de tareas también cambia la lectura del resultado. No es una prueba de una única destreza, sino de encargos completos con herramientas y entregables distintos. Fable 5.2 mejora especialmente en edición de audio y música, diseño de arquitectura e interiores y creación de modelos 3D, según Scale Labs. Casi 50 de sus proyectos completados eran tareas que ningún agente de la evaluación había resuelto antes. Eso apunta a avances en capacidades prácticas, aunque no demuestra que todos los sectores o tipos de trabajo estén progresando al mismo ritmo.
El promedio oculta fallos muy distintos
La puntuación agregada no significa que el sistema produzca resultados casi terminados en el 58,7% restante. En los intentos fallidos aparecen trabajos incompletos, archivos rotos, diseños contradictorios o entregas de nivel amateur. También hay áreas en las que el modelo sigue teniendo dificultades: Scale Labs destaca el diseño de productos industriales y la animación.
Para una empresa que valore incorporar estos agentes, esa mezcla es más relevante que la posición en la tabla. Un encargo que termina bien puede ahorrar trabajo; uno que genera un archivo inutilizable puede exigir revisión, correcciones y una nueva ejecución. El índice registra si el trabajo alcanza el estándar profesional, pero la cifra por sí sola no explica cuánto esfuerzo humano haría falta para rescatar cada intento fallido. Tampoco dice qué tareas concretas de una organización coincidirían con las que el agente resuelve mejor.
La brecha entre un resultado aceptable y uno simplemente atractivo tiene consecuencias directas para la evaluación interna. Una demostración visual puede ocultar errores en el archivo de origen o en su funcionamiento dentro del programa. Precisamente por eso el RLI recurre a revisores que abren las entregas en las herramientas profesionales correspondientes. Para los equipos que estudien automatizar tareas, la prueba sugiere que medir artefactos finales y criterios de aceptación concretos será más informativo que contar interacciones o valorar respuestas por su apariencia.
Una mejora con costes y condiciones
Anthropic presenta Fable 5.2 como un modelo para trabajo técnico ambicioso y abierto, y recomienda empezar con Opus 5.5 para muchas tareas habituales de programación y conocimiento. También plantea que Fable puede actuar como asesor de modelos más pequeños o coordinar agentes que se ocupen de subtareas. Esa orientación importa: el resultado del RLI no obliga a elegir entre automatización total y ausencia de uso. Puede servir para localizar proyectos donde el modelo resuelva una parte sustancial, con supervisión y comprobación del entregable.
El coste tampoco se deduce directamente de la tasa de éxito. Anthropic afirma que Fable 5.2 cuesta menos por millón de tokens que Fable 5.1 y genera resultados hasta un 30% más rápido. Pero Xataka, al resumir un análisis externo de SemiAnalysis, señala que en GDPx el coste por tarea de Fable 5.2 fue un 31% mayor que el de Fable 5.1, porque el modelo generó más tokens. Ese cálculo no corresponde al Remote Labor Index y no permite concluir cuánto cuesta completar sus proyectos; sí advierte de que un precio unitario menor no garantiza que cada tarea salga más barata.
El 41,3% es, en definitiva, una medida de capacidad demostrada bajo un protocolo concreto, no una tasa de automatización aplicable sin más a cualquier cartera de trabajo. El índice aporta encargos reales, herramientas profesionales y revisión humana, elementos que vuelven su resultado más cercano a una entrega laboral que muchos benchmarks convencionales. Pero el porcentaje restante sigue siendo mayoritario, y el tipo de fallo puede ir desde una entrega incompleta hasta un archivo que no funciona. La siguiente pregunta práctica para cada empresa no es si Fable 5.2 lidera la tabla, sino qué encargos de su propio flujo de trabajo se parecen a los que ya supera.
Fuentes: The Decoder, Xataka, Anthropic, arXiv
