顶级模型职场任务完成率不到4%，AI离抢饭碗还差得远！

AI助手被媒体吹得无所不能。大家开始憧憬，让这些Agent走进办公室，登录各种SaaS系统，帮我们处理报销、管理库存或者分析财务报表。

然而，最强的AI智能体在面对真实的职业工作流时，任务完成率竟然不到4%。

最近，SaaS-Bench基准测试出炉了——由UniPat AI、北京大学等机构发布的研究。这项研究拉来了市面上最顶尖的AI模型，直接丢进真实的办公软件环境里。测试覆盖了23个真实的SaaS系统，横跨财务、医疗、管理等6个职业领域，准备了106个逼真的工作任务。结果相当扎心：要让AI真正干活，还差得远呢。

这份研究告诉我们，目前的AI智能体在真实职场中到底遇到了哪些迈不过去的坎。

真实工作不是点网页

过去几年，科技圈对能操作电脑的Agent寄予厚望。机器不光能回答问题，还能主动出击，代替人类打开浏览器、敲击键盘、点击按钮。从被动理解语言，到主动执行复杂动作，业界一度将Agent视为通向未来的必由之路。

但人们总是容易高估“点点鼠标”和“真正做完一项工作”之间的区别。在真实的职场里，很少有人只在一个页面里点几下鼠标就能完事。一项看似普通的财务报销，通常始于CRM系统里的审批，中间需要穿梭到人力资源后台核对出差数据，最后在复杂的财务软件里完成入账，还要顺手发一封通知邮件。面对这种环环相扣的流程，难点根本不在于AI能不能找到发亮的确认按钮。

真正的考验在于，Agent必须在横跨多个软件的长途跋涉中保持清晰的意图，记住上一步拿到的数据，应对随时弹出的报错提示，还要确保最终产出的结果能通过严格的审计。

问题出在哪里？以往的测试题太简单了。开发者在做系统测验时，经常拿高度简化的孤立网页，或者仅仅包含三五个步骤的模拟小任务来充数。Agent在温室环境里轻松拿到高分，让人误以为马上就能走进格子间顶替高级白领。可一旦把机器拉进企业真刀真枪在用的系统里，滤镜瞬间碎了一地。

为了搞清楚AI到底有几斤几两，研究团队精心打造了SaaS-Bench——一个专为审视Agent真实工作能力量身定做的测试基准，包含了23个真实可部署的SaaS系统，横跨6大硬核专业领域：软件工程与项目管理、商业运营与财务、医疗行政、团队协作与文档工作流、农业供应链、独立媒体创作。

为了还原最真实的职场折磨，测试库直接塞了106个逼真的工作任务，其中74个纯文本任务，还有32个需要看图看文档的多模态任务。高达93%的任务要求跨越至少两个以上的应用程序，一半以上的任务更需要在三个不同的软件间反复横跳。最折磨人的是，平均操作步骤远超100步。

这个新测试库在环境真实度、跨应用协同和长链路执行三个维度上，彻底碘伏了以往的玩具级测试。它自带真实的数据库、真实的用户权限密码，以及极度死板的商业运行逻辑。

上面圆环图展示了任务的复杂构成：最外圈密密麻麻的应用图标，代表每一个打工人每天必须面对的枯燥软件——从开源的医疗记录系统OpenEMR，到复杂的财务工具BigCapital，再到文档处理神器OnlyOffice，每个领域的应用都被深度卷入。条形分布图则直观展示了任务的漫长程度：绝大多数文本任务都在100步之上，部分任务的执行轨迹甚至逼近了400步的极限，彻底告别点三下就交差的过家家模式。

看起来很美，但没完成

为了公平公正，测试人员把Agent扔进装满各种应用系统的虚拟容器里。软件统统被Docker固化，锁定版本和初始配置。每次开始新任务前，所有的数据库和缓存都会被冷酷重置到最初始的干净状态，确保所有模型在同一条起跑线上。Agent只能像最普通的实习生那样，盯着屏幕渲染出来的DOM树结构和截图，用鼠标键盘一步步点敲——任何走后门调取后台接口或者偷偷查看数据库的作弊行为，全被封杀。

面对冗长的任务，研究团队定下了两种极为苛刻的评分标准。第一种叫检查点得分：任务被拆解成十几个需要验证的核心环节，每作对一个环节就拿一部分权重分。这种算法还算仁慈，能看出Agent在彻底趴下之前到底往前挪了多远。第二种叫解决得分：本质是极其残酷的一票否决制——要求一项工作里所有的检查点必须全对，只要中间错了一个微不足道的数据，哪怕进度条已经冲到了99%，也直接计为0分。

职场从来不相信苦劳，只看最后的交付结果。

沉甸甸的成绩单揭开了一场华丽的溃败。即便是当前公认最顶尖的模型Claude Opus 4.7，凭借高超的文本理解能力拿到了近44%的平均检查点得分，最终能彻底搞定、完全解决的任务比例，却只有让人心寒的3.8%。大部分明星模型都能热火朝天开工——点击新建表单、敲入几行文字——但做着做着就彻底迷失了方向。碰到相对简单的团队协作任务，比如起草文档并发送几封带抄送的邮件，勉强能拿点分；可一旦面对商业运营或医疗行政领域那些充满数字约束、具有严格数据底层的硬核流程，直接就跪倒在地。

成绩崩盘根本不是差了临门一脚的问题，而是数学规律在无情展现威力。长链路任务像一把极为苛刻的漏斗，把一众伪装的高手全筛了下去。假设一项工作被拆成了12个连续的步骤，每个单一步骤做对的概率高达95%（看起来极其完美），把12个0.95乘在一起，最终能完整交付全对结果的概率连55%都不到。

图中三条触目惊心的下滑曲线，完美记录了失败的轨迹：任务牵扯的应用软件越多，要求的操作步骤越长，背后埋伏的检查点越细致，Agent的得分就以肉眼可见的速度摔向谷底。

掩盖得分下的致命伤

拿不到高分的表象之下，深藏着人工智能理解真实世界的结构性盲区。顺着数百步的操作记录深挖，研究人员发现Agent在应对复杂商业软件时，暴露出四种让人啼笑皆非的致命毛病。

真实世界里，上游系统建错的一个名字，会让下游所有的账单变成烂账。在一个编号为bof_032的测试里，系统要求在某财务软件里建立一个名叫Arcturus Digital的企业客户，并在其名下挂靠两笔阶段性发片和付款记录。某个顶级大模型一顿操作猛如虎，在新建客户的表单里填了公司名，又顺手在个人姓名栏填了对接人的名字。系统判定填了人名，自动把属性变成了个人客户。Agent完全不知情，看着屏幕上显示的“姓名（公司名）”标签，心满意足地继续开票做账，历经398步兴奋提交了任务。审查程序在数据库里搜索企业客户Arcturus Digital，查无此人——后面的所有账务彻底成了无源之水。有七个模型全倒在这个隐秘的坑里，根本读不懂业务概念在底层数据库里究竟代表着什么实体。

研究人员扒开内部评估日志，发现了令人捧腹的真相。处理报销单时，Agent走到第124步，敏锐察觉自己把账单日期填成了19号，而要求是20号。在内部日志里老老实实写下要修改日期的计划。41步过去后，动手点了几下按钮，连页面都没刷新，直接就在日志里给自己打了满分。任务结束的最终报告里，信誓旦旦声明日期已经完美设定为20日——但后台数据证明，日期根本没改动。人类打工人在修正错误后，一定会盯着屏幕确认数字对不对，而机器压根没有事后闭环验证的本能，全凭着自己的规划强行宣告胜利。

就像一个状态飘忽不定的新员工，布置一模一样的作业，每次交回来的结果判若两人。让同一个模型操作人力资源的申诉处理流程：第一次，彻底交了白卷；第二次，跑到一半卡死在软件里；第三次，宛如神明附体，一路过关斩将拿到了近68%的分数。并不是环境在变化——每次启动前系统都被清零复原。背后的真相是，长途跋涉充满了分岔路口——一次微小的选项犹豫，或者在某个不熟悉的按钮上多点了五十次，耗光了所有操作配额，就足以让整个任务走向完全不同的结局。

研究人员还特意放宽了要求，做了允许多次尝试的测试。柱状图清晰可见：给三次机会确实能挽救一些分数，进一步证明运气因素在整个过程中扮演了不可忽略的角色。但微末的提升，距离让打工人安心交接工作，还有好几十条街的距离。

软件该为AI重做

当前的Agent设计思路，走入了一个看似热闹却收效甚微的怪圈。开发者满脑子想着怎么教机器认全网页上的像素点、找准下拉框，反而忽略了职场工作的核心灵魂在于业务逻辑的闭环流转。

为了打造出真实的试金石，团队搬出了由构建者、挑战者、提炼者组成的评审法庭。大模型负责批量生成测试提案，人类专家充当最挑剔的考官，把那些完全不切实际、把CRM系统当垃圾桶乱塞数据的奇葩任务通通毙掉。经过静态检查和人工试运行的双重残酷清洗，只有45%的候选任务存活下来。这种严格淘汰机制保驾护航之下，每一道题，都是职场里每天都在发生的真实苦难。

Agent要想成为合格的数字员工，必须经历脱胎换骨的进化：点完确认键，脑子里必须清楚这不只是页面刷新了，而是远端的数据库里多了一条不可磨灭的记录；学会把横跨几个软件的记忆钉在脑子里，跑到第四个应用界面时，精准背出第一个软件里刚刚生成的项目识别码；最迫在眉睫的是，像个被现实毒打过的老员工那样，长出复查核验的心眼——做完一个操作，退出来重新查询一遍，用真实的查询结果去验证动作是否真的落到了实处，而不是蒙着眼睛一路瞎跑。

前述数据还引发了一个更底层的反思：强行让机器适应给人类眼睛和手指量身定做的繁杂软件，从根源上可能就走错了方向。软件里塞满了为了让人类看着舒服而设计的各类花哨菜单、隐藏折叠面板和延迟加载效果——这些花哨界面对机器来说全是毫无意义的绊脚石。与其费尽心机训练Agent在复杂的下拉菜单里大海捞针，商业软件行业更应该主动刮骨疗毒，打造一套从底层就原生适配人工智能调用的界面规则。

当Agent大军真正走进办公室的那天，曾经为了折磨人类而发明的复杂管理软件，必将迎来一场推倒重来的全面重构。