Свіжі дані Remote Labor Index (RLI) засвідчують: автоматизація цифрової праці вийшла з площини навчальних прикладів і торкнулася справжніх замовлень. Про це пише Глеб Ципурський, керівник консалтингової компанії Disaster Avoidance Experts, у колонці для The Hill. Йдеться не про те, що машини вже повністю освоїли професійну діяльність, — радше про те, що грань між помічником і повноцінним виконавцем стирається швидше, ніж готові визнати бізнес, регулятори та самі фахівці.

Чим RLI відрізняється від звичних бенчмарків

Переважна більшість тестів перевіряють здатність моделі розв'язати головоломку, дати відповідь на екзаменаційне питання чи згенерувати переконливий текст. RLI формулює інакше: чи здатен штучний інтелект повністю довести до завершення справжній фріланс-проєкт. Завдання охоплюють архітектурне проєктування, графічний дизайн, відео- та аудіопродукцію, аналітику даних і розробку вебзастосунків. Отриманий результат зіставляють із роботою живого спеціаліста, а критерій оцінки максимально прикладний: чи погодився б замовник прийняти такий результат.

Автор зазначає, що такий метод змінює саму суть дискусії про штучний інтелект. Різниця між окремими навичками та готовим продуктом видна на кожному етапі: чат-бот може пояснити принципи архітектурного проєктування, але не здатен підготувати креслення з точними розмірами на основі сканів і фотографій; система, що малює вражаючі зображення, не обов'язково створить придатний для роботи 3D-файл; інструмент, що пише програмний код, не завжди видасть робочий застосунок у межах поставлених обмежень. Саме тому, на думку автора, тести на реальних завданнях стають чи не єдиним чесним способом обговорювати штучний інтелект і майбутнє праці.

Від 2,5% до 16%: наскільки швидко зростає автоматизація

Абсолютні цифри поки невеликі, проте темп зростання вражає. На старті вимірювань найкраща система RLI автоматизувала лише 2,5% проєктів. За даними Center for AI Safety (CAIS) станом на оновлення за липень 2026 року, новіші моделі показали суттєво вищі результати:

  • Fable 5 — приблизно 16% автоматизованих проєктів
  • Opus 4.8 — приблизно 8%
  • GPT-5.5 — приблизно 6%

Автор застерігає, що результат Fable 5 має застереження: оцінювання моделі зупинили через експортні обмеження США, тож перевірили лише 218 проєктів зі 240. Проте навіть якщо вважати всі неперевірені завдання провальними, показник усе одно становить 14,6%. Повні дані та опис методології доступні у статті на arXiv і на сторінці Scale AI.

Головний висновок стосується не тотальної заміни людей, а того, що автоматизація реальної фріланс-роботи піднялася з майже нульового рівня до позначки, яку бізнес уже не може залишати поза увагою.

Небезпека вдалої обгортки

Результати, що видає штучний інтелект, більше не виглядають очевидно непрофесійними — і саме це робить їх водночас кориснішими та ризикованішими. На перший погляд робота може здаватися майже ідеальною, тоді як справжні дефекти заховані глибше: візуалізація виходить бездоганно відполірованою, хоча сама 3D-модель побудована з помилками; анімація помітно покращилася порівняно з попередніми поколіннями, але все одно не відповідає стандарту, за який платить клієнт; креслення виглядає дедалі акуратнішим, та все ж потребує доопрацювання фахівця.

Чому оцінку має виконувати людина

Автор посилається на роботу OpenAI над GDPval, яка показала, що автоматичним «суддям» складно оцінювати професійні результати. Коли якість залежить від смаку, фахової експертизи, перевірки файлів та вміння працювати з інструментами, перед «суддею» постають ті самі труднощі, що й перед виконавцем. Потрібно зрозуміти не лише те, наскільки привабливо виглядає результат, а й чи він справді працює, чи відповідає технічному завданню і чи не приховує недоліків, які згодом обернуться додатковими витратами.

Навіть потужні моделі мають слабкі місця

Це практичний прояв поняття jagged frontier — нерівної межі можливостей штучного інтелекту. Модель здатна перевершити людину в завданні, яке видається складним, і водночас провалити те, що для досвідченого фахівця є звичайною рутиною. За словами автора, на цю нерівність вказує й AI Index 2026 від Стенфорда: загальні можливості моделей зростають, проте результати на тестах і в реальних робочих ситуаціях суттєво різняться. Роботодавці з цим зіткнуться напряму: разючі скорочення часу в одному процесі можуть супроводжуватися незрозумілими збоями в іншому, що змушуватиме постійно вирішувати, де людська оцінка має залишатися обов'язковою.

Правильне питання не «коли замінить», а «як зміниться»

Формулювання «чи замінить штучний інтелект людську роботу» надто вузьке. Значно корисніше з'ясувати, які завдання подешевшають, які робочі процеси трансформуються і хто нестиме відповідальність за перевірку машинних результатів. Подібний висновок зробила й Міжнародна організація праці у звіті 2025 року: генеративний ШІ впливає на рівень окремих завдань, а не діє як «машина для знищення робочих місць». Зміни насамперед торкаються країв процесу — передавання роботи між людьми, рецензування, шаблонів, чернеток, прототипів і часткових результатів.

Дані про практичне впровадження підтверджують цю тенденцію. Дослідження Anthropic про реальне використання штучного інтелекту демонструє розрив між потенційними можливостями моделей і тим, що люди справді їм довіряють. Згідно з червневим звітом Economic Index за 2026 рік, застосування ШІ вже відображає реальний ритм роботи і дає конкретні артефакти — документи, пояснення, програмний код і звіти, створені через дедалі автономніші інтерфейси. Тому агенти перетворюються не на новинку, а на новий шар робочої інфраструктури.

Що робити керівникам

Автор застерігає від спокуси трактувати цю тему як звичайне питання закупівель. Сам доступ до потужних моделей автоматично не зробить компанію кращою. Огляд OECD щодо приросту продуктивності від штучного інтелекту наголошує, що результат залежить від конкретного завдання, досвіду користувача і якості взаємодії людини з машиною. Простіше кажучи, продуктивність забезпечують перебудовані процеси, ретельна перевірка та працівники, які вміють розпізнати, коли машині можна довіряти, а коли її варто перевірити ще раз.

Раціональна реакція компанії — не сліпа автоматизація і не захисне заперечення проблеми. Автор пропонує ставитися до ШІ як до молодшого виконавця з незвичайною швидкістю, нерівною компетентністю і нульовою відповідальністю:

  • Доручати йому обмежені за обсягом завдання
  • Вимагати обов'язкової перевірки результату
  • Вести облік виявлених дефектів
  • Порівнювати економію коштів із часом, витраченим на рецензування
  • Заохочувати співробітників за виявлення збоїв ШІ, а не лише за обсяг виробленого

Що робити працівникам

Для фахівців небезпечно сприймати сьогоднішні обмеження штучного інтелекту як надійний і сталий захист. Показник автоматизації в 16% сам собою ще не революція, але зростання більш ніж учетверо менш ніж за рік — уже тривожний сигнал. Якщо сьогодні ШІ виконує лише частину фріланс-проєкту, завтра він цілком може впоратися з трьома частинами.

Цінність набувають не навички безпосереднього виробництва, а інші компетенції:

  • постановка технічного завдання
  • пошук прихованих дефектів
  • інтеграція інструментів між собою
  • пояснення компромісних рішень
  • фінальна відповідальність за експертне судження

Усе це вимагає нової культури впровадження штучного інтелекту. Компаніям варто переставати запитувати, чи здатна модель створити результат, і натомість запитувати, чи здатна організація безпечно цей результат прийняти: хто перевіряє файл, хто ставить підпис, хто пояснює клієнту обмеження і хто відповідає за помилку в ситуації, коли візуалізація виглядає бездоганно, а сама модель — ні.

Автоматизація цифрової праці вже не віддалений прогноз, а нерівна, вимірна й дедалі швидша здатність. Майбутнє прийде не як одномоментна заміна людей машинами, а як тисячі окремих рішень про прийняття результату — по одному за раз. Перевагу отримають ті організації, які навчаться оцінювати ці рішення раніше, ніж це зробить сам ринок.

Джерело: Highload.tech