Штучний інтелект уже здатен доводити до кінця частину справжніх фриланс-замовлень. За результатами оновленого Remote Labor Index (RLI), найкраща модель автоматизувала близько 16% проєктів, тоді як на старті тесту цей показник становив 2,5%. Про це пише Глеб Ципурський, CEO консалтингової компанії Disaster Avoidance Experts, у колонці для The Hill. Важливо, що це не означає, що ШІ вже опанував професійну роботу, але межа між «помічником» і «виконавцем» зсувається швидше, ніж очікують компанії, чиновники й самі працівники.
Головна відмінність RLI від звичних бенчмарків у тому, що більшість тестів перевіряє, чи модель розв’яже головоломку, відповість на питання з іспиту або напише правдоподібний текст. RLI ставить інше запитання: чи може штучний інтелект довести до кінця повноцінний фриланс-проєкт. Завдання охоплюють архітектуру, графічний дизайн, відео, аудіо, аналіз даних і вебзастосунки. Результат порівнюють із роботою професіонала, а критерій приземлений: чи прийняв би замовник цей результат. Саме тому, за логікою автора, такі бенчмарки на реальних завданнях стають чеснішим способом говорити про ШІ та роботу.
Цифри за моделями виглядають так. За даними Center for AI Safety (CAIS), станом на липневе оновлення 2026 року частка автоматизованих проєктів становила близько 16% для Fable 5, близько 8% для Opus 4.8 і близько 6% для GPT-5.5. Автор застерігає, що результат Fable 5 подано з застереженнями: оцінювання цієї моделі перервали через експортні обмеження США, тому перевірили лише 218 із 240 проєктів. Навіть якщо вважати всі неоцінені проєкти провальними, показник залишається на рівні 14,6%. Первинні дані й методологію можна переглянути в статті на arXiv та на сторінці Scale AI.
Небезпека в тому, що результати ШІ перестали бути очевидно непридатними. На перший погляд робота виглядає майже професійно, а дефекти ховаються глибше. Візуалізація може бути ідеально відполірованою, тоді як сама 3D-модель побудована з помилками. Анімація стала кращою, ніж у попередніх поколінь, але все одно не дотягує до стандарту, за який платить клієнт. Креслення виглядає дедалі точнішим, але досі потребує виправлень фахівця. Саме такі приховані вади згодом обертаються витратами.
Автор також посилається на роботу OpenAI над GDPval: автоматичним «суддям» важко оцінювати професійні результати. Коли оцінка залежить від смаку, експертизи, перевірки файлів і роботи з інструментами, перед «суддею» постають ті самі труднощі, що й перед виконавцем. Тому недостатньо запитати, чи гарно виглядає результат. Потрібно перевірити, чи він працює, чи відповідає брифу і чи не приховує вад.
Це і є практичний зміст поняття jagged frontier, тобто нерівної межі можливостей ШІ. Модель може обійти людину в завданні, яке здається складним, і провалити те, що для досвідченого фахівця є рутиною. На цю нерівність, за словами автора, вказує і AI Index 2026 від Стенфорда: можливості зростають, але результати на бенчмарках і в реальних завданнях сильно різняться. Роботодавці матимуть справу саме з цим: вражаюча швидкість в одному процесі, незрозумілі збої в наступному й постійна потреба вирішувати, де людське судження має залишатися в контурі.
Питання «чи замінить ШІ людей?» автор вважає надто вузьким. Корисніше з’ясувати, які завдання дешевшатимуть, які робочі процеси перебудуються і хто відповідатиме за оцінку машинного результату. Схожу логіку має оцінка Міжнародної організації праці (2025): генеративний ШІ впливає на рівні окремих завдань, а не як «машина для знищення робочих місць». Зміни починаються з країв: передавання роботи між людьми, рев’ю, шаблони, чернетки, прототипи й часткові результати.
Дані про впровадження вказують у той самий бік. Дослідження Anthropic про реальне використання ШІ показує розрив між тим, що моделі потенційно здатні робити, і тим, що люди їм справді делегують. Згідно з червневим звітом Economic Index за 2026 рік, використання ШІ відображає ритм роботи і дає конкретні артефакти: документи, пояснення, код і звіти через дедалі автономніші інтерфейси. Агенти стають не новинкою, а новим шаром робочої інфраструктури.
Для керівників автор застерігає від помилки сприймати це як питання закупівель. Доступ до потужних моделей сам по собі не зробить компанію кращою. Огляд OECD щодо приросту продуктивності від ШІ підкреслює, що результат залежить від завдання, досвіду користувача і якості взаємодії людини зі штучним інтелектом. Продуктивність дають перебудовані процеси, краща перевірка та працівники, які знають, коли довіряти машині, а коли ставити її під сумнів.
Раціональна реакція компанії, за логікою автора, не в сліпій автоматизації і не в захисному запереченні. ШІ варто сприймати як молодшого виконавця з незвичайною швидкістю, нерівною компетентністю і без відповідальності: давати йому обмежені за обсягом завдання і вимагати перевірки результату. Для українського ринку це означає, що фрилансери й студії, які працюють з дизайном, розробкою і аналітикою, вже стикаються з конкуренцією з боку моделей, але їхня цінність дедалі більше зсувається до постановки брифу, контролю якості й відповідальності за результат.
1
