Fable 5.2 erledigt 41 Prozent echter Freelance-Aufträge – vor einem Jahr waren es 2,5

Worum es geht

Anthropic hat am 9. November 2026 die Modelle Fable 5.2 und Mythos 5.2 vorgestellt. Einen Tag später kam eine Zahl dazu, die nicht aus Anthropics eigenen Unterlagen stammt, sondern von unabhängigen Testern: Im Remote Labor Index (RLI) von Scale Labs und dem Center for AI Safety (CAIS) erledigt Fable 5.2 41,3 Prozent echter Freelance-Aufträge so gut, dass ein zahlender Kunde die Arbeit abnehmen würde. Darüber berichteten zuerst The Decoder und danach unter anderem MLQ.ai.

Der Wert ist aus zwei Gründen bemerkenswert. Fable 5.2 liegt fast doppelt so hoch wie das zweitbeste Modell. Und vor rund einem Jahr, als der Benchmark startete, schaffte das damals beste System gerade einmal 2,5 Prozent.

Was der Remote Labor Index misst

Die meisten KI-Tests prüfen einzelne Fähigkeiten, zum Beispiel Matheaufgaben, Programmierschnipsel oder Wissensfragen. Der RLI geht anders vor. Er nimmt komplette Arbeitsaufträge, wie sie auf der Freelancer-Plattform Upwork tatsächlich vergeben und bezahlt wurden.

• Der Datensatz umfasst 240 abgeschlossene Projekte von 358 verifizierten Fachleuten auf Upwork.
• Zusammen sind diese Aufträge rund 144.000 US-Dollar wert.
• Ein Projekt kostet im Schnitt 632,60 Dollar und kostet einen menschlichen Freelancer im Mittel knapp 29 Stunden Arbeit.
• Die Bandbreite reicht von Videoschnitt über CAD-Konstruktion (computergestütztes technisches Zeichnen) bis zu Spieleentwicklung und Datenanalyse.

Die KI-Agenten, also KI-Systeme, die selbstständig mehrere Arbeitsschritte hintereinander ausführen und dabei Programme bedienen, bekommen dafür einen virtuellen Arbeitsplatz. Das ist ein simulierter Computer mit gängiger Profi-Software wie Blender (3D), GIMP (Bildbearbeitung) und Audacity (Audio) sowie spezialisierten KI-Werkzeugen, die Bilder, Audio und Video erzeugen.

Die Automatisierungsrate gibt an, bei welchem Anteil der Projekte menschliche Prüfer das KI-Ergebnis mindestens so gut fanden wie die Arbeit des echten Freelancers. Gemeint ist der Maßstab, den ein vernünftiger Kunde anlegen würde. Laut MLQ.ai stützen sich die Ranglistenwerte auf 230 nicht öffentliche Projekte. Ein Konfidenzintervall, also eine Angabe dazu, wie stark der Wert durch Zufall schwanken kann, veröffentlicht Scale nicht.

Die Rangliste im Überblick

Quelle: Scale-Labs-Rangliste laut MLQ.ai

Ältere Modelle wie GPT-5.2 oder Gemini 3 Pro liegen laut The Decoder unter drei Prozent. Bemerkenswert ist der Abstand innerhalb der eigenen Familie: Der direkte Vorgänger Fable 5.1 kam auf knapp 18 Prozent, Fable 5.2 erledigt also mehr als doppelt so viele Aufträge.

Ein Jahr, sechzehnfacher Fortschritt

Als das RLI-Paper im Oktober 2025 erschien, führte der Agent Manus mit 2,5 Prozent. Danach ging es schnell:

• Innerhalb von acht Monaten haben die besten Agenten ihren Anteil mehr als vervierfacht. Im Juli 2026 lag Fable 5 mit rund 16 Prozent vorn.
• Vier Monate später erreicht Fable 5.2 41,3 Prozent. Das ist etwa das Zweieinhalbfache des Juli-Werts und mehr als das 16-Fache des Startwerts.

Damit erledigt Fable 5.2 inzwischen eine Größenordnung mehr Profi-Aufträge als die besten Systeme vor einem Jahr.

Wo Fable 5.2 glänzt und wo es scheitert

Laut Scale Labs, das sich auf X äußerte, legt Fable 5.2 vor allem in drei Bereichen zu:

• Bearbeitung von Audio und Musik
• Architektur und Innenraumgestaltung
• 3D-Modellierung

Außerdem bewältigt das Modell lange, komplexe Projekte, an denen frühere Spitzenmodelle regelmäßig gescheitert sind. Fast 50 der erfolgreich erledigten Aufträge hatte zuvor noch kein KI-Agent im Test gelöst.

Es gibt aber klare Schwachstellen. Mit industriellem Produktdesign und Animationen komme die KI weiterhin kaum zurecht, so Scale Labs. Wenn Agenten scheitern, liefern sie laut den Forschern typischerweise Arbeit auf Amateurniveau, unvollständige Ergebnisse, beschädigte Dateien oder widersprüchliche Entwürfe.

Warum Menschen die Arbeit prüfen müssen

Ein aufwendiger Teil des Benchmarks ist die Bewertung. Geschulte Fachleute öffnen jede eingereichte Datei in der passenden Profi-Software und vergleichen sie direkt mit dem, was der menschliche Freelancer damals abgeliefert hat.

CAIS hat versucht, diese Prüfung von einer anderen KI erledigen zu lassen. Das ist bisher gescheitert. Die KI-Prüfer können die Fachprogramme selbst kaum bedienen. Deshalb lassen sie sich von Abgaben täuschen, die oberflächlich ordentlich aussehen, technisch aber fehlerhaft sind, und bewerten die Modelle viel zu großzügig. Das ist an sich schon ein interessantes Ergebnis: Ein Bild oder eine Datei zu erzeugen, die gut aussieht, ist etwas anderes, als eine fachlich korrekte Arbeit abzuliefern.

Einordnung

Der Sprung von unter 18 auf über 41 Prozent innerhalb einer Modellgeneration ist auch für die schnelllebige KI-Branche ungewöhnlich groß. Der RLI gilt als vergleichsweise praxisnaher Test, denn er misst echte, bezahlte Aufträge und lässt sie von Menschen bewerten. Wer freiberuflich in Bereichen wie Audiobearbeitung, 3D-Modellierung oder Innenraumplanung arbeitet, sollte die Entwicklung im Blick behalten.

Man sollte die Zahl aber nicht überinterpretieren. Wie MLQ.ai betont, misst der Benchmark nur, wie viele Projekte einer festen Stichprobe abgeschlossen wurden. Er sagt nicht, welcher Anteil des Markts für Fernarbeit sich automatisieren lässt. Die Stichprobe ist mit 230 bis 240 Projekten überschaubar, und ohne Konfidenzintervall bleibt unklar, wie stabil der Wert ist. Offen ist auch, was ein solcher Agentenlauf kostet und wie viel Zeit er braucht, verglichen mit den knapp 29 Stunden eines Menschen. Die Quellen nennen dazu keine Zahlen.

Anthropic hat sich laut MLQ.ai zu dem Ergebnis bisher nicht geäußert. Die Konkurrenz von OpenAI und Google liegt derzeit bei rund der Hälfte des Werts. Dass ausgerechnet Anthropics eigenes Opus 5.5 auf Platz zwei steht, unterstreicht, wie weit Fable 5.2 im Moment vorn liegt.