AI执行挑战而非技术泡沫：正确看待盈利差距

提炼精华的热度会周期性波动，但底层的技术逻辑和应用潜力是持续存在的。

但这些乐观叙事忽略了职场现实的严峻测试。Mercor团队2月发布的APEX-Agents基准，将顶级模型驱动的AI代理置于480项真实职场任务中，这些任务覆盖投资银行分析师、管理咨询师和公司律师的日常工作。结果显示，即使最佳模型首次尝试成功率也仅约24%，多数任务难以独立完成。单纯将AI塞入现有流程，不仅难以提效，反而常因工作流重构的巨大阻力而增加混乱。

即使给予8次机会，整体完成率也徘徊在40%左右，大量复杂任务以失败告终。失败主因包括无法处理模糊性、维持跨步骤上下文，以及战略判断薄弱。

MIT Technology Review最近一篇文章借用South Park“内裤精灵”梗，精准捕捉了AI当前的尴尬处境：第一步已完成，构建出强大的数字超级头脑；第三步厂商们反复承诺经济转型与巨额利润；唯独第二步——如何让这些技术在真实职场环境中产生可衡量的回报——仍是个巨大问号。企业AI试点中高达95%难以带来可见ROI，这一现实让短期hype显得格外刺眼。

MIT Technology Review的分析指出，AI技术构建已完成“Step 1”，却在经济可行性这一“Step 2”上陷入困境。hype直接跳向profit的中间环节缺失，让企业普遍面临价值证明和合理定价的难题。South Park小矮人 meme 与反AI游行传单的讽刺，精准捕捉了这一尴尬：技术承诺响亮，但实际盈利路径仍模糊不清。

主流观点倾向于将失败归因于模型能力不足、数据质量不高或预算有限，但这一视角其实忽略了更核心的结构性问题。Mercor的APEX-Agents基准测试显示，即使采用OpenAI、Anthropic等前沿模型，AI代理在银行、咨询和律师等专业任务上的首次尝试成功率也仅在20-25%左右，多次迭代后仍难以达到中级专业水准。许多企业反馈“模型参数再升级，遇到真实业务流程就卡壳”，这表明单纯的技术堆砌无法解决嵌入旧有工作环境的复杂性。

这一痛点在最新数据中被进一步放大。Mercor的APEX-Agents基准测试用真实专业服务任务（如投资银行分析师、管理咨询和法律工作流）考验OpenAI、Anthropic等前沿模型，结果显示即使最强模型，首次尝试完成率也仅在20-24%左右，大部分情况下直接失败或输出错误。AI代理在跨应用、长周期的复杂操作上暴露明显短板，与宣传中的全能表现形成鲜明对比。

表面上，行业对AI Agent和决策智能的热情依然高涨。主流媒体频频报道模型能力爆棚，企业争相部署从自动化工作流到战略辅助的各种项目，演示场景中AI生成报告、模拟决策的速度令人印象深刻。然而，真实反馈往往指向另一个方向：试点项目启动后ROI难以兑现，网友评论里“演示很强、落地拉胯”的声音越来越多。多数讨论仍集中在参数规模和基准分数上，忽略了决策过程本身的可追溯性与持续迭代，这正是主流观点容易滑过的盲区。

主流媒体和行业报告常聚焦乐观表面。OpenAI等厂商将AI定位为“经济转型技术”，PwC早期预测到2030年AI可贡献15.7万亿美元GDP增量，其中生产力提升是重要来源。部分任务级研究也显示特定环节效率可改善14%至55%。这些数字听起来诱人，却大多建立在基准测试或理论推断之上，而非真实职场部署后的可衡量回报。

企业AI从技术演示到实际盈利的路径上，始终存在一个被低估的执行缺口。MIT Technology Review近期报道指出，许多公司已完成模型构建和变革宣传，却在落地环节普遍卡壳。数据显示，95%的生成式AI试点项目未能产生可衡量的P&L影响，仅有少数实现了快速营收加速。这一现象与几年前企业上云的早期阶段颇为相似，但AI的时间窗口可能更短，容错空间也更有限。

深层瓶颈在于那个缺失的“中间步骤”。Anthropic的劳动市场影响研究显示，经理、建筑师等知识密集岗位的任务暴露度较高，但这更多基于理论能力而非实际表现。Mercor在2月发布的APEX-Agents基准测试则更直接：顶级模型驱动的AI代理处理银行分析师、管理咨询师和公司律师的480项真实任务时，首次尝试成功率仅约24%，即使多次重试也远未达到可靠水准。

提炼精华的应用场景，正在不断扩展。