AI Agent 操控电脑完成实际业务流程，正从概念演示走向规模化生产部署，并在成本与准确率两个维度同时越过关键阈值。
据 a16z 早期 AI 投资合伙人 Fabrizio Serafini 发布的最新研究，当前最优 AI Agent 在标准电脑操作基准测试中的完成率已达 85%，超越人类测试者约 72% 的水平。与此同时，成本数据显示，运行一个 AI Agent 的全成本约为每小时 6 至 8 美元，已低于印度离岸 BPO 人力的约 10 美元，较美国本土后台员工的 30 至 45 美元则低出逾 70%。
这一技术与经济的双重拐点，正在重塑企业后台流程外包（BPO）市场的底层逻辑。对于投资者而言，真正的价值洼地已从模型层上移至应用与上下文层——谁能将工作流知识、验证机制与企业内部流程深度整合，谁就掌握了下一代 AI 自动化的护城河。
准确率越过人类基准线
根据 Serafini 援引的 llm-stats.com 排行榜数据（截至 2026 年 6 月），AI Agent 在 OSWorld-Verified 基准测试中的表现在过去一年发生了质变：一年前最优模型得分为 42%，如今最优模型 Claude Fable 5 已达 85%，超过人类测试者在同一任务集上约 72% 的完成率。
一位在该领域创业的创始人表示，" 直到 2026 年 2 月 Opus 4.6 发布之前，这些模型还不够好，无法独立用于生产环境。" 这一表述印证了能力跃升的时间节点。
值得注意的是，85% 的完成率意味着每 100 个任务仍有 15 个失败，而后台业务流程要求每一步都必须成功。Serafini 强调，基准分数并非生产可行性的充分条件，真正决定部署成败的是模型之外的一切：验证机制、异常上报、错误处理，以及当零售商门户一夜之间改变页面布局时系统能否修正。
成本曲线触发经济拐点
Serafini 援引多方数据对三类劳动力的全成本进行了横向比较。AI Agent 每小时推理成本约为 6 至 8 美元，实际区间为 3 至 15 美元，取决于截图频率、上下文长度及确定性代码的复用比例；印度离岸 BPO 人力全成本约为每小时 10 美元，区间为 8 至 15 美元（数据来源：Globalify、HiveDesk 及 1840 & Co 的 2026 年外包定价报告）；美国本土后台员工全成本约为 30 至 45 美元（基于美国劳工统计局客服代表中位时薪 20.59 美元，叠加约 30% 的福利与管理费用）。
Serafini 提示，上述数字应作为数量级参考而非精确报价。他指出，上述 Agent 成本描述的是 " 最贵模式 " ——以前沿模型逐帧截图方式运行。经过优化的执行框架会将可重复部分交由确定性代码处理，仅在必要时调用模型，由此可大幅压低混合成本。
从卖方视角看，单位经济模型更为复杂：推理成本加上重试成本（失败的运行同样消耗 token）构成主要变动成本，当上下文增长或截图频率上升时，利润空间随之收窄。目前市场上存在按任务、按小时、按结果三种定价模式，各自对应不同的风险分布，尚无统一标准。
协议遵循型任务是当前主战场
Serafini 团队与多个生产环境团队的访谈揭示了一个清晰规律：AI Agent 在标准化、可重复、路径明确的任务上表现最佳，在需要判断 " 什么是正确结果 " 或无法即时验证成功与否的任务上则容易失效。
具体案例包括：一家消费品数据平台每月运行约 1500 万至 2000 万次自动化门户交互，将 Agent 用作自愈式备用方案——当零售商门户 UI 变更时，Agent 自动诊断并修复抓取逻辑，工程团队的爬虫维护人员因此缩减一半；一家全球系统集成商部署了 27 个实时工作流，每天处理约 1500 至 2100 张 IT 工单，目标是将低利润托管服务合同中 20% 至 25% 的人力重新部署；一家招聘机构将候选人面试结束后的数据录入流程完全自动化，使用的是非前沿轻量模型，" 它能做我们需要的一切，而且做得很好 "。
失效场景同样典型：若 Agent 将合同中的 "net 60" 误读为 "net 30" 录入 ERP 系统，记录外观完全正常，直到错误发票发出才会被发现；若 Agent 提交保险理赔后系统显示 " 已收到 "，但两天后理赔员致电要求确认保单号，Agent 对此毫无感知，理赔悄然搁置。Serafini 指出，更智能的模型无法修复一个 " 真相以一周后某人桌上的电话形式出现 " 的流程，除非执行框架从一开始就针对这类边缘情况进行设计。
护城河已从模型层上移至上下文层
Serafini 认为，随着 UI 导航能力逐渐成为模型层的标准功能，" 能否点对按钮 " 不再是竞争壁垒。真正持久的优势在于对特定企业工作流的深度理解：内部术语、偏好格式、上报路径、失败处理方式，以及如何可靠地验证输出结果。这些知识存在于操作手册、访问凭证、测试用例中，往往也存在于一段员工实际操作的录屏里。
受访买家的反馈印证了这一判断：他们选择供应商的标准是 " 产品能否无需额外工作就报告节省了多少小时 "，以及 " 初级工程师能否独立运行 "。一位每月运行数百万次自动化任务的运营商表示，他甚至不知道底层调用的是哪个模型——供应商像云服务商更换硬件一样在底层切换模型，而他信任的是整个系统能可靠完成任务。
Serafini 据此判断，下一代 AI 自动化的核心竞争将发生在应用层与上下文层，而非模型层。专注于特定垂直场景的初创公司，在解决这类具体而繁琐的问题上，往往比模型提供商更具优势。
基础设施投入与架构演进
Serafini 指出，过去一年，各大实验室与一批初创公司已向计算机使用强化学习训练环境投入数亿美元，相关公司包括 Mechanize、Habitat、Fleet、Chakra、Deeptune、Matrices 和 Originator，这些公司正在为前沿模型构建训练与评估基础设施。这一投入直接转化为模型在推理、状态追踪和容错方面的能力提升。
在架构层面，当前生产环境中的大多数系统仍为单 Agent 模式：一个模型、一个任务、一个会话。随着工作流复杂度上升，多 Agent 架构开始显现必要性——规划 Agent 分解任务，执行 Agent 并行处理子任务——但长时运行 Agent 带来的记忆管理、信任机制与复合失败率问题，目前尚无标准框架解决，各团队均在构建定制化编排方案。
Serafini 认为，未来发展将沿三条主线推进：准确率（捕捉异常、自我核查、按需上报）、延迟（部分团队已通过基于可访问性树而非截图的方式显著降低延迟，Standard Intelligence 基于 1100 万小时视频数据集、以 30 帧每秒运行的通用计算机动作模型是早期信号）以及成本（推理持续降价，轻量开源模型承接更多常规操作）。安全与治理——包括凭证管理、审计日志、数据留存、提示注入防护与权限管理——也被列为同等重要的发展维度。
本文来自微信公众号「AI 原生 Lab」，持续拆解真实 AI 落地案例，分享企业 AI 实践与方法论。
