文章
AI代理技术可行性已破，但可靠性才是下半场的决胜关卡
本文探讨计算机使用AI代理的发展现状与生产部署情况。基准测试显示OSWorld-Verified得分从2025年初的42%提升至2026年的85%，已超越人类水平约72%。生产部署主要集中于标准化后端工作流程，如记录更新、门户数据处理、工单处理等。CPG数据平台每月运行1500-2000万次自动交互，全球系统集成商每日处理1500-2100个IT工单。核心挑战在于：输出难以交叉验证（如合同条款提取错误）、任务完成时缺乏成功验证信号、代理偏离脚本时脆弱。行业趋势显示执行层正在商品化，模型本身不再是决定因素，持久优势转向工作流上下文、流程知识、验证机制和故障处理设计。市场仍处于解决低垂果实的阶段，从“代理能否使用计算机“转向”代理能否可靠完成工作”。
核心要点
- OSWorld-Verified基准测试：最佳模型从2025年初42%提升至2026年85%，超越人类基线72%
- Claude Fable 5在OSWorld上以85%得分领先，数据来源为llm-stats.com排行榜（2026年6月）
- 生产部署集中于标准化、可重复的后端工作：记录更新、门户数据迁移、工单处理、系统间数据移动
- CPG数据平台案例：每月1500-2000万次自动门户交互，代理作为爬虫的自我修复后备方案
- 全球系统集成商案例：27个活跃工作流程，每日处理1500-2100个IT工单，目标再部署低利润托管服务合同20-25%的人力
关键判断
- OSWorld基准测试显示最佳AI代理得分从42%提升至85%，超越人类基线72%，技术可行性已解决。
- 生产部署规模已达日均数百万次交互，集中在标准化后端工作流程，验证了技术落地能力。
- 行业核心挑战从技术实现转向可靠性保障，包括输出验证、任务完成信号和异常处理。
- 市场趋势显示模型性能差距缩小，持久竞争优势转向工作流设计、流程知识和验证机制。
- 行业焦点从“代理能否使用计算机“转向“代理能否可靠完成工作”，进入可靠性竞争阶段。
未来推演
判断：未来 3-9 个月，Agent 产品会更快从能力展示转向审批明确、可回滚、可观测的执行流程。
时间跨度：未来 3-9 个月
为什么是现在：文章对价值判断已经不再停留在对话体验，而是落在流程接入、执行闭环和控制能力上。
重点信号：产品是否增加审批节点、案例是否从演示转向生产流程、用户是否更重视可观测性
置信度：高