AI-agenten verviervoudigen succesratio in freelancewerk

Op 1 juli 2026 publiceerden het Center for AI Safety en Scale Labs de nieuwste resultaten van de Remote Labor Index (RLI). Deze benchmark meet niet abstracte taalvaardigheden, maar toetst hoe vaak zelfstandige AI-agenten complete freelance-projecten voltooien op een niveau dat een betalende klant accepteert. Het gaat om werk in 3D/CAD, architectuur, grafisch ontwerp, video en animatie, audiobewerking, data-analyse en de bouw van webapps. De recentste ronde laat zien dat dit landschap sneller transformeert dan voorspeld: de grensverleggende modellen hebben hun slagingspercentage in acht maanden tijd meer dan verviervoudigd.

De opzet van de RLI is bewust streng. Menselijke beoordelaars leggen de output van een AI-agent naast het eindproduct van een betaalde professional. De automation rate weerspiegelt vervolgens het aandeel projecten waarbij het AI-werk minstens zo goed werd bevonden. Bij de introductie bleef het sterkste model steken op 2,5 procent. Kort voor deze meetronde stond Opus 4.6, ingezet via het Claude Cowork-scaffold, op de eerste plaats met 4,17 procent.

Nieuwe scores aan de meetlat

De actuele metingen tonen een radicaal ander beeld. OpenAI''s GPT-5.5 klimt naar 6,3 procent. Anthropic''s Opus 4.8 tikt 8,3 procent aan. De onbetwiste koploper is Fable 5, dat 16,1 procent van de opdrachten afvinkt — gemeten over 218 van de 240 benchmarkprojecten. Die beperking ontstond doordat de Amerikaanse overheid de toegang tot het model beperkte. Zelfs in het worst-case scenario, waarin alle ontbrekende projecten als mislukt worden geteld, houdt Fable 5 een score van 14,6 procent over. Ter vergelijking: de hele frontier is in minder dan acht maanden meer dan verviervoudigd.

Diepgaande systeemtoegang

De testopzet gaat verder dan simpele API-calls. Elk model werkt in het scaffold waarin ontwikkelaars het ook echt gebruiken: Anthropic-modellen draaien in Claude Code, OpenAI-modellen in Codex CLI, aangevuld met een native computer use-tool (screenshot, klikken, typen, screenshot). Alles draait in een Linux-VM met ruim 30 professionele applicaties, waaronder Blender, FreeCAD, GIMP, Inkscape, Kdenlive, Audacity, LibreOffice en de volledige LaTeX-suite. Elk project krijgt tot 24 uur rekentijd, een A100 GPU wanneer nodig, en een worker-critic loop waarin een tweede agent het werk kritisch nakijkt. Het budget ligt op 50 dollar per taak, met een uitzondering van 150 dollar voor Fable 5 vanwege de hogere tokenprijs.

De automatische jury schiet tekort

Interessant is dat de auteurs ook een geautomatiseerde LLM judge testten die evaluaties zelf zou overnemen. Volgens data in het RLI-paper overschat die jury de kwaliteit van de nieuwste modellen fors: ongeveer drie keer voor GPT-5.5 en circa 2,5 keer voor Opus 4.8. De reden is fundamenteel: een deliverable goed beoordelen vraagt zelf om computer-use-vaardigheden — bestanden openen in de juiste applicatie, ze inspecteren zoals een klant zou doen. Precies die vaardigheid ontbreekt nog. Wel rangschikt de automatische jury de modellen in de juiste volgorde (Spearman ρ = 0,90), waardoor hij bruikbaar blijft voor relatieve vergelijkingen, maar niet voor absolute uitspraken.

De resultaten laten daarnaast zien dat een klassieke time-horizon-analyse hier niet werkt. De aanname dat werk dat een mens langer kost ook moeilijker is voor AI, houdt op de brede RLI-verzameling geen stand. Dit is de zogenoemde jagged frontier: sommige korte taken — muziek transcriberen, een real-time game playtesten — blijven onbereikbaar, terwijl langdurige taken zoals digitale kunst of coderen soms in minuten worden afgerond.

Wat dit betekent voor kenniswerk

Ondanks de scherpe stijging past een nuchtere observatie. Geen van de Fable 5-voorbeelden uit het onderzoek zou zonder correctie als afgerond werk worden geaccepteerd. De ringontwerpen ogen kwalitatief beter, maar bevatten onprofessionele details; de architectuurrenders van GPT-5.5 blijken deels gegenereerde plaatjes in plaats van bruikbare 3D-modellen. De autonome bekwaamheid vordert dus snel in de bulk, maar mist nog de afwerking die een professional levert.

Voor Nederlandse organisaties met veel kenniswerkers, van consultancy tot ontwerpbureaus, verschuift het gesprek daarmee van "wat kan AI vervangen" naar "hoe organiseren we het samenspel". Zestien procent volledig geautomatiseerde levering klinkt bescheiden, maar op portfolioniveau raakt dit alle disciplines waar RLI naar kijkt. De verstandige route is niet AI vervangen door mensen of andersom, maar processen inrichten waarin een agent een eerste versie levert, een tweede agent kritisch tegenleest, en een professional de afronding doet — met heldere kwaliteitscriteria die verder gaan dan wat een geautomatiseerde beoordelaar op dit moment ziet.