一、两套考卷，两个世界

Omdia 的中国市场报告《全球企业级智能体员工》给了一组很直接的数字对比：

第一套考卷里，AI 已经超过人类平均水平；第二套考卷里，它连及格线都够不到。差别不在"会不会点"，在"能不能扛住一连串步骤不崩"。

二、2025 年发生了什么：能力验证之年

报告把 2025 年称为"能力验证之年"：开源推理模型把高级推理能力的获取门槛打下来，通用型智能体也证明了"从一句提示词生成完整成果"是可行的。也就是说，"能干活"这件事已经被验证过了。

但验证能力和交付结果是两件事。20.6% 这个数字说明：会做单个动作，不等于能把一件事做完。

差的往往是收尾和异常处理——第 47 步弹窗变了、第 120 步登录过期了，人就顺手处理了，机器会卡在那儿。

三、为什么长任务特别难

• 误差会累积。单步 99% 的正确率，走 100 步只剩 36%；而专业工作流动辄几百步。
• 异常没有穷举。真实软件会弹窗、会超时、会要求二次验证，训练数据里没有的异常，模型只能试。
• 完成标准是二元的。OSWorld 2.0 不看你做了多少，只看最终结果对不对——部分完成 54.8% 在业务上约等于失败。

四、这对"AI 替代人"意味着什么

短期内的合理定位是：把长任务切成短任务，让 AI 做其中的短环节。一个报销流程有 12 步，别指望它一次跑完；把它拆成"识别发票、填表、提交"三段，每段做完人工确认一次，成功率反而高得多。

对个人来说，这也解释了一个现象：AI 在"帮你写一段话、改一张表"上惊艳，在"帮你把整个项目推进完"上翻车。不是它退步了，是任务的容错空间变小了。

五、三条可操作的建议

• 拆步骤，别许愿。把任务写成可验证的小段，每段有明确产出，比给它一个大目标有效。
• 给人留检查点。在不可逆的动作（付款、发送、提交）前设一道人工确认，成本很低，救的是整件事。
• 用"能不能收尾"当验收标准。评估 AI 工具时，别看演示多流畅，看它处理异常时的表现——那才是日常。