遠端勞動指數出爐：AI 自由職業能力一年翻 6 倍，Fable 5 居首

很多人總覺得 AI 搶飯碗還要等上好幾年，但數字往往比感覺跑得快得多。

AI 安全中心（CAIS）與 Scale Labs 聯合釋出了《遠端勞動指數》（Remote Labor Index，簡稱 RLI）的最新評測結果。這項基準測試不考選擇題，而是把 240 個真實的自由職業訂單扔給 AI，涵蓋 3D 建模、動畫廣告製作、室內設計、音訊處理、網頁應用等領域，最後由人類專業評審逐項打分，判斷 AI 給出的交付物能不能達到付費客戶的驗收標準。

評測結果顯示，AI 的完全自動化率在一年內提升了近 6 倍。但這枚硬幣的反面同樣扎眼：即便是當下最強的模型，也只能搞定大約六分之一的任務。

誰在領跑：Fable 5 甩開第二名一倍

RLI 最初在 2025 年 10 月釋出時，領跑的 GPT-5.2 自動化率只有 2.5%。後來 Opus 4.6 配合 Claude Cowork 框架把成績推到 4.17%，但整體來看，AI 獨立交付專業任務的能力依然在個位數掙扎。

最新一期的榜單裡，Anthropic 旗下的 Fable 5 拿下了 15.8% 的自動化率（在另一些口徑中記為 16.1%），不僅重新整理了紀錄，更幾乎是第二名 Opus 4.8（8.3%）的兩倍。OpenAI 的 GPT-5.5 則以 6.3% 位列第三。

為了給每個模型公平的發揮環境，測試團隊沒有搞自研框架，而是直接用行業成熟工具加上原生計算機操作能力。Anthropic 模型跑在 Claude Code 上，OpenAI 模型跑在 Codex CLI 上，背後掛載著配備 30 多款專業軟體的 Linux 桌面虛擬機器。無論是 Blender、FreeCAD 這樣的 3D 軟體，還是 Inkscape、GIMP 乃至 LibreOffice，AI 都需要自己截圖、點選、輸入並最終輸出檔案。

讓 AI 給 AI 評分？當場翻車了

這項測試裡還有一個極具戲劇性的插曲：評測成本太高，測試團隊曾嘗試用大模型當「AI 裁判」來替代人類評審。

這個 AI 裁判在舊模型上表現不錯，經過校準後能準確反映 3.3% 的人類基準。然而，當把它放到從未見過的 GPT-5.5 和 Opus 4.8 身上時，裁判打出的分數直接注水了：給 GPT-5.5 的自動化率虛高了大約 3 倍，給 Opus 4.8 虛高了大約 2.5 倍。

翻車的原因很諷刺，也很真實：當裁判本身就是一項極高難度的任務。一個真正的甲方客戶需要開啟專業軟體、旋轉 3D 模型的拓撲結構、檢查圖層和幾何體細節。而當下的 AI 裁判連熟練操作圖形軟體都做不到，它看不到深層穿幫，草草看一眼表面就把及格分批了出去。這也印證了 OpenAI 此前在 GDPval 裡的發現：自動化裁判根本無法替代行業專家。

為什麼重要

我們認為，這項基準測試給狂熱的 AI 替代論潑了一盆很及時的冷水，同時也給從業者指明瞭方向。

對自由職業者和打工人來說，它證明了完全失業的風險目前被誇大了。即使是獨佔鰲頭的 Fable 5，也只有 15.8% 的成功率，意味著剩下的 84% 任務交上去要麼漏洞百出，要麼根本通不過商業驗收。現在與其擔心被取代，不如把頂尖 AI 當作超級助手。把生成草稿、搭建初版程式碼或整理資產這類粗活丟給模型，產出效率能翻數倍，但核心的審美標準、技術把關和終審交付，依然必須由人類牢牢掌控。

對行業而言，這一年的跨越說明 Agent 工具鏈的進化方向是對的。給模型掛載系統級桌面操作、融入專業軟體生態，讓數字勞動的落地速度比大家預想的要快得多。從 2.5% 到 15.8% 看起來不高，但只要這個斜率持續下去，兩三年後商業驗收的門檻就會迎來真正的大考。

CAIS 和 Scale Labs 這次最聰明的地方，在於堅持用真實交付物和真人專家來做金標準，毫不遮掩地指出了 AI 裁判的系統性膨脹。在各大廠商習慣用刷榜資料自我陶醉的當下，這種腳踏實地的量化評測，才是衡量生產力革命最靠譜的尺子。