尽管人工智能实验室已投入数十亿美元训练模型通过司法考试及解决高深物理问题，但一项最新独立基准测试显示，这些“学霸”模型在实际商业应用中仍难堪大任。
AI分析公司Layer3Labs发布的“Real Work Index”（真实工作指数）报告指出，在对18款前沿及专用AI模型进行5,760项全面测试后，仅有34%的任务产出无需人工干预即可直接使用。其余66%的情况下，人类员工仍需清理错误或重新起草。
学术高分难掩实战短板
该评估涵盖营销、财务、法律、招聘和运营等领域的64项日常真实任务。Layer3Labs创始人Jonathan Teplitsky表示：“在标准化考试中得满分，并不能帮助核对供应商账单、处理客户退款或发现合同中的幻觉错误。企业主关心的不是模型能否写诗，而是能否减轻团队负担且不带来额外麻烦。”
调查显示，88%的商业领袖认为，现有的标准AI基准测试无法反映模型在执行公司实际工作时的可靠性。在超过40%的标准商业工作场景中，流行基准测试中排名第一的AI模型，其表现甚至被更便宜、更精简的替代方案超越。
高昂成本与“静默损耗”风险
报告揭示了企业在部署AI时面临的两大痛点：
成本效率低下：旗舰级前沿模型完成单项任务的平均成本为0.21美元，是轻量级替代方案（0.03美元）的7倍。然而，在现实世界的可靠性方面，昂贵模型并未展现出可衡量的提升。若每月处理1万项任务，企业需为相同的未完成输出支付2,100美元，而非300美元。
隐蔽的“静默损耗”：在商业租赁摘要、税务申报等复杂后台工作中，14%的模型运行产出了看似专业却包含关键错误的文本。这些错误包括伪造的法律条款、篡改的数字或虚构的法规，因其格式规范、语气权威，往往难以通过常规抽查被发现，从而给企业带来严重的法律和财务隐患。
此外，在客户支持等高流量工作流程中，模型常因引用错误价格或误解政策而生成粗糙草稿，导致品牌损害风险瞬间发生。大多数前沿模型目前仍无法交付成品，仅能作为需要大量人工修改的初稿工具。