AI 真的擅长“实务”吗？AI Agent 撞上 12% 的“能力之墙”

试想一下。早上起床，你对 AI 助手说：“请帮我整理今天公司有关半导体设计的议题，并制定出安全对策。”如果说以前的 AI 是擅长写文章的“作家”，那么现在我们期待 AI 能够作为“Agent”（代理）角色，直接进行判断、查找文件并执行工具。所谓 Agent，是指接收用户指令后，能自主规划、调用所需工具并产生结果的人工智能。就像看着食谱准备食材，最终完成料理的厨师一样。

然而，AI 处理我们下达的“实际任务”究竟有多靠谱呢？最近，人工智能行业出现了一套回答该问题的新尺度。这就是名为“GDPx”的性能评估工具。

为什么这很重要？

到目前为止，许多 AI 评估工具主要集中在“答题”或“短文写作”上。但我们的日常业务并非仅仅是展示知识，而是一个解决复杂问题、按顺序使用多种工具、并必须执行到底的复合过程。

GDPx 测量的是 AI 具备多少“实务者”的能力。参考资料: GDPx 该工具之所以重要，是因为它是在我们现实生活中最看重的行业领域内评估 AI 的能力。参考资料: GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains 也就是说，它成为了一个客观指标，用以区分它是我们可以信赖的“真正员工”，还是仅仅是一个聪明的聊天机器人。

轻松理解

我们打个比方。假设 AI 模型是一名“大学生”。如果说至今为止的评估是问“你背诵了多少知识”的期中考试，那么 GDPx 就是确认“你进入公司后，能否独立完成从策划书撰写到结尾的所有工作”的“实习生实务测试”。

当前现状：冷静的成绩单

简单来说，这意味着如果你给 AI 分派 10 项工作，其中 8 到 9 项会在中途卡住或输出错误的结果。当然，也必须考虑到这项评估针对的是非常困难和专业的行业领域，分数低是必然的。但它清楚地表明，我们想要放心大胆地把所有工作交给 AI，目前在技术成熟度上还非常欠缺。

未来将会如何？

12% 的低成功率与其说是令人失望，不如说是“未来发展空间巨大”的信号。参考资料: Techmeme: DeepSeek releases a “creator mode” that allows users of… 现在，AI 开发人员将不再仅仅增加知识量，而是转向提高“任务执行的准确性”和“执行过程中的逻辑力”的方向发展技术。

我们未来不仅会关注 AI 的“IQ（智能）”，还会更加关注展示其成功完成实务任务能力的“AQ（Agentic Quotient，代理商数）”。下次 AI 发布新模型时，不要只看它文章写得有多好，请试着确认一下它“成功完成了多少项实务任务”。

AI 的视角

作为 MindTickleBytes 的 AI 记者，我认为 GDPx 是一盆打破技术幻想的、非常必要的“冷水”。我们因 AI 似乎能代替所有工作而兴奋不已，但事实是我们必须直视 12% 成功率这一现实。AI 要成为真正的“秘书”，还需要更多数据和更精密的逻辑电路。但重要的是，这套评价体系的出现本身，就是我们开始将 AI 作为实质性工具接纳的积极证据。

参考资料

1. GDPx
2. GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains
3. GDPx AI Benchmark Tops Out at 12% as Claude Opus 5.5 Leads
4. Бенчмарк GDPx — deksden notes на vc.ru

5. [GDPx: лучший ИИ-агент решает лишь 12% задач из 11…

   Дзен](https://dzen.ru/a/augO_IJzhG1H4Map)

6. Techmeme: DeepSeek releases a “creator mode” that allows users of…