Los benchmarks de modelos de IA a menudo miden cosas que tienen poco que ver con el día a día de los proyectos: preguntas de opción múltiple, acertijos de programación, tareas de examen. El Remote Labor Index sigue otro camino. Coloca sistemas de IA frente a encargos reales de freelance, es decir, paquetes de trabajo que clientes reales efectivamente encargaron y pagaron, y evalúa si el resultado cumple con los estándares profesionales.
Las cifras actuales son notables. Según esta medición, el modelo Fable 5.2 de Anthropic completa el 41,3 por ciento de los encargos con calidad profesional. Los sistemas siguientes en la clasificación, Opus 5.5 y GPT 6 Astra, alcanzan menos de la mitad de ese valor. Para poner en contexto el ritmo: un año antes, el mejor valor medido era aún del 2,5 por ciento.
Por qué este benchmark es más relevante que otros
Para las empresas que encargan proyectos web o de software, la diferencia entre tarea de prueba y trabajo por encargo es decisiva. Un encargo real trae consigo todo lo que falta en los benchmarks limpios: briefings incompletos, especificaciones contradictorias, formatos de archivo que nadie documentó y una aceptación por parte de alguien que tiene un resultado concreto en mente.
Si un modelo, bajo estas condiciones, resuelve cuatro de cada diez encargos de modo que el resultado pase como profesional, eso es una afirmación distinta a una puntuación alta en un formato de examen. Al mismo tiempo, aplica la otra cara: seis de cada diez encargos no alcanzan ese nivel. El benchmark no describe una sustitución de profesionales, sino un desplazamiento del límite a partir del cual la automatización merece la pena.
Dónde siguen flaqueando los modelos
Como punto débil se mencionan expresamente el diseño de producto y la animación. Eso encaja con lo que se puede observar en los proyectos. Ambas disciplinas se definen menos por objetivos claros que por ponderación: ¿qué variante representa la marca? ¿Qué movimiento se siente fluido, cuál agitado? ¿Qué puede esperar y ampliarse aún en seis meses?
Tales decisiones difícilmente se pueden derivar de un briefing, porque el briefing no las contiene. Surgen en la conversación, en la comparación de varios borradores y en la experiencia sobre qué solución se vuelve problemática más adelante. Justo ahí sigue sin sustituirse el aporte de las personas.
Qué se puede acelerar de forma sensata en los proyectos
De los resultados se puede derivar una regla práctica: cuanto más claramente delimitada esté una tarea, más verificable sea su resultado y más estrecho su contexto, más probable es que el apoyo de la IA aporte. Candidatos típicos en proyectos web y de TYPO3 son, por ejemplo:
- Preparación de datos antes de una migración, es decir, la limpieza, reestructuración y asignación de contenidos existentes
- Creación y mantenimiento de documentación técnica a partir de código y configuraciones existentes
- Trabajos rutinarios en el desarrollo como cobertura de pruebas, refactorizaciones recurrentes o adaptaciones a interfaces modificadas
- Variantes de texto, metadatos y borradores de traducción que después se revisan editorialmente
- Tareas de investigación y comparación cuyo resultado se puede verificar contra una fuente
Conviene ser más prudente allí donde entran en juego el diseño, la gestión de marca, la arquitectura de información o la arquitectura de sistemas a largo plazo. No porque los modelos no aporten nada ahí, sino porque el costo de una decisión equivocada se hace visible tarde, y entonces es caro.
La verificación se convierte en el trabajo real
Una tasa de éxito de alrededor del 40 por ciento tiene una consecuencia organizativa que se pasa por alto con facilidad: alguien tiene que determinar cuáles son esos 40 por ciento. Sin una aceptación fiable, el esfuerzo solo se desplaza en lugar de reducirse. Por eso, quien emplea IA en proyectos necesita pasos de verificación definidos, responsabilidades claras y estructuras de tareas en las que un resultado pueda evaluarse siquiera.
Eso aboga por paquetes de trabajo pequeños y delimitados en lugar de grandes encargos a un modelo. Cuanto más corta sea la distancia entre encargo y control, menor el riesgo de que un error se arrastre por pasos de trabajo posteriores.
Planificar el ritmo, no esperar
El salto del 2,5 al 41,3 por ciento en un año debería leerse menos como pronóstico que como indicio de incertidumbre en la planificación. Nadie puede decir con seriedad si esta curva continuará. Para las decisiones de proyecto, sin embargo, es relevante que la situación pueda cambiar de forma perceptible dentro de una duración típica de proyecto.
En la práctica, esto significa: construir procesos y sistemas de modo que los distintos pasos de trabajo puedan intercambiarse sin que el sistema completo dependa de ello. Interfaces limpias, flujos documentados y datos bien mantenidos son la condición previa para ello, y compensan independientemente de cómo sigan evolucionando los modelos.
Clasificación para proyectos web y de software
Para los proyectos web y de software, lo que se desplaza sobre todo es la estructura del trabajo: las tareas claramente delimitadas y verificables hoy se pueden realizar mucho más rápido, mientras que el diseño, la arquitectura y la ponderación siguen requiriendo experiencia. Quien reasigna los presupuestos en consecuencia —menos rutina, más concepción y aseguramiento de la calidad— gana velocidad sin arriesgar la calidad del proyecto. Sigue siendo decisivo que cada rendimiento intermedio asistido por IA tenga un paso de verificación definido antes de incorporarse a un sistema productivo.