ИИ работники не смогли выполнить простую работу фрилансера

Совместная работа некоммерческой организации Center for AI Safety (CAIS) и компании Scale?AI привела к неутешительным выводам. В ходе эксперимента шесть ведущих ИИ?агентов прошли тестирование на симулированных фриланс?задачах. Результат оказался обескураживающим: ни один из участников не сумел выполнить более 3?% объёма работы. Если потенциальный доход от полного выполнения всех заданий оценивался в 143?991?доллар, то суммарный заработок ИИ?агентов составил лишь 1?810?долларов.

Для объективной оценки специалисты разработали специальный бенчмарк Remote?Labor?Index. Он имитирует реальные удалённые проекты из самых разных сфер — от разработки игр до анализа данных. Задача теста заключалась в том, чтобы выяснить, способны ли боты выполнять работу, имеющую реальную экономическую ценность.

Наилучший результат показал ИИ?агент китайского стартапа Manus, сумевший завершить 2,5?% назначенных проектов на уровне, приемлемом для реальной фриланс?работы. Не намного отстали Grok?4 (проект Илона Маска) и Claude?Sonnet?4.5 от Anthropic — оба продемонстрировали результат в 2,1?%. Примечательно, что Anthropic активно продвигает свою модель как «лучшую в мире для программирования» и «самую мощную для создания сложных агентов».

Новейшая модель GPT?5 от OpenAI, которую создатели характеризуют как «интеллект уровня PhD» и важный шаг к искусственному общему интеллекту (AGI), показала результат лишь в 1,7?%. При этом OpenAI определяет AGI как «высокоавтономные системы, превосходящие людей в большинстве экономически ценных работ» — критерий, которому GPT?5 явно не соответствует на практике.

ChatGPT?Agent от OpenAI занял предпоследнюю строчку рейтинга с показателем 1,3?%. Абсолютным аутсайдером оказался Gemini?2.5?Pro от Google, сумевший выполнить лишь 0,8?% поставленных задач.

Директор CAIS Дэн Хендрикс в интервью Wired подчеркнул, что полученные результаты должны дать более точное представление о реальных возможностях ИИ. Он также обозначил ключевые недостатки, которые продолжают ограничивать эффективность ИИ?агентов: отсутствие долгосрочной памяти, невозможность непрерывного обучения на собственном опыте и неспособность осваивать новые навыки в процессе работы — качества, естественные для любого человека.

Несмотря на очевидную ограниченность ИИ?решений, волна увольнений из?за внедрения искусственного интеллекта не спадает, а наоборот — набирает обороты. Многие компании, сократившие персонал в пользу автоматизированных систем, впоследствии вынуждены были вернуть сотрудников обратно, столкнувшись с низкой эффективностью ИИ?инструментов.

Данные подтверждаются результатами других исследований. Анализ MIT показал, что 95?% компаний, запустивших пилотные ИИ?инициативы, не зафиксировали значимого роста выручки. Другое исследование выявило, что массовое внедрение ИИ?инструментов привело к появлению большого объёма низкокачественного контента. Это не только замедлило рабочие процессы из?за необходимости многочисленных правок, но и породило напряжённость в коллективах, где сотрудникам приходилось исправлять ошибки, допущенные искусственным интеллектом.

Директор по исследованиям Scale?AI Бинг?Ли в беседе с Wired отметил, что долгие годы дискуссии об ИИ и рабочих местах носили преимущественно гипотетический характер. Теперь же практические тесты наглядно показывают: несмотря на громкие маркетинговые заявления и энтузиазм руководителей, ИИ?агенты пока не готовы заменить человеческий труд в большинстве экономически значимых задач.