万圣节前夜，硅谷把“AI能替人类打工”的幻想拖进现实揍了一顿。

Scale AI让GPT-5、Claude、Gemini等一批“学霸”模型去“打零工”。不是做选择题，也不是写论文，而是独立登录自由职业平台接真实订单。客户付真钱，模型交真货。

这场测试被命名为“远程劳动指数”，是全球首个专门衡量AI“能否真正干活”的基准。

实验结果像一场职场闹剧：每个模型有忙前忙后，表现最好的那个，240个工单也只完成了6个，赚到1720美元，还不到人类自由职业者报酬均值的2%。

近一半的失败原因是，质量太差、成品业余。

在“分数上天、交付落地”的AI时代，这是一次令人尴尬的对照实验。尽管大模型在标准测试中表现惊人，但将这种“智力”转化为现实世界中的“经济价值”的能力还非常初级。

它也提出了一个比“AI是否聪明”更现实的问题，当真正要为结果付钱时，人们到底愿不愿意雇用AI？目前来看，人机协作仍然是短期到中期的唯一路径。

01

让大模型去赚外快，仅2.5%成功率

AI到底能不能自己帮我赚外快？

Scale AI的前CEO Alexandr Wang最近带头搞了场“AI打工实录”，给出这样的答案：极少数、且限制重重。

为了搞清楚这件事，Scale AI搞了个叫“远程劳动指数”（RLI）的新标准，直接把各大模型当成“打工人”扔进真实项目里接单。

评判标准很现实：客户肯不肯付钱，平台认不认为这活儿干得专业。

他们特意选了自由职业项目来测试，因为这类任务独立、完整、还带真实报酬，最能看出AI到底有没有“独自上班”的能力。

测试范围不包括需要持续沟通、团队合作或线下动手的活儿，主要覆盖写作、3D建模、视频动画、建筑设计、游戏开发等23类常见线上工作。

RLI的设计核心就俩字：真实。

所有测试项目都来自全球最大自由职业平台Upwork上的真实订单，一共240个，加起来相当于人类6000小时的工作量，总报酬高达14.4万美元。

每个任务都配备了完整的需求说明、相关素材和人类交付样例。比如，做数据报告任务，要求AI根据《世界幸福报告》的Excel数据，做出带世界地图和分数拆分的交互式报告。

▲交付要求示例

整个流程高度仿真：从理解需求、下载文件、多轮修改到最终提交，任何一个环节掉链子都算任务失败。

结果嘛，有点惨烈。所有参与测试的AI模型，对复杂项目的整体自动化率，都低于3%。

表现最好的Manus，成功率也只有2.5%，也就是240个任务里只完成了6个。换算成报酬，它只赚到了1720美元，而人类完成所有这些任务可以赚到14.4万美元。

其他“学霸”模型更拉胯：Grok 4和Claude Sonnet 4.5稍逊于第一名，均为2.1%；GPT-5为1.7%；ChatGPT Agent为1.3%；而Gemini 2.5 Pro垫底，只有0.8%。

▲AI的任务通过率统统不超过3%

目前来看，指望AI完全自主干活，效率实在有点低。研究团队发现，AI的失败不是随机的，主要集中在这四类情况，且一个任务能踩好几个坑：

①45.6%的任务“质量过低”，成品显业余，达不到专业标准；

②35.7%的任务“不完整或格式错误”，如视频被截断、文件缺失；

③17.6%的任务“技术与文件完整性问题”，如损坏、编码错误；

④14.8%的任务“严重的视觉或逻辑不一致”，例如多镜头视角对不上、文件间彼此矛盾。

典型案例如：在一个珠宝设计项目中，AI的任务是“修改提供的戒指图像，改变钻石切工”。结果它完全无视客户提供的原图，自己放飞生成了两张全新的AI图，图片质量业余、没按需求来、两张新图还对不上，一口气触发了三种失败模式。

▲AI被“退货”的典型案例

失败原因指向更深的系统性问题。

“质量低下”说明AI根本不懂什么叫“专业标准”；“不完整/格式错误”则暴露了它在处理多步骤、多工具工作流时有多么脆弱。

不过AI也不是一无是处，它在某些特定类型任务上还是有点天赋的，主要集中在两类：一是创意类任务，比如制作音效、设计Logo；二是基础内容类任务，比如部分数据整理或写作。

简单来说，AI擅长“从零开始搞创作”，生成能力不错。可一旦任务需要它串起多个工具、执行多步骤操作、保持文件间的一致性，或者在别人成果上做二次编辑，它基本就手忙脚乱，集体翻车。

虽然AI出活速度快，但交付质量实在难以达标。人类完成一个项目平均要28.9小时，而AI投入相近的“算力时间”后，大部分成果还是被判定为“不合格”。

这其实说明了一个趋势：工作正在被“拆解”，而不是直接被“替代”。

在RLI中，任务被分为L1到L5五个难度等级。像资料整理、基础文案这类L1-L2任务，AI通过率能达到25%-30%；而涉及跨工具协作、创意策划的L4-L5任务，通过率却低于5%。有意思的是，L1-L2任务正是很多人类初级岗位的日常。

按照“智能体摩尔定律”，有人预测到明年底，最强的AI智能体有望完成一半的远程工作任务。

研究团队也强调，AI的各项指标还在快速进步，RLI基准也会持续追踪。他们计划不断更新测试任务库，并加入多模态、长记忆、工具调用等新维度，目标很明确：把“模型能力”真正转化为“经济价值”来衡量。

02

旧基准失灵，“满分”模型变“掉链子同事”

AI正在考试中证明“聪明”，却在职场中暴露“不会干活”。

近两年，大模型在封闭题库中的分数飙升，GDP-ｅｖａｌ、SWE-bench等评测接连被刷到满分。而另一边，企业的初级岗位招聘却在降温。AI的“考试成绩”与真实就业市场的表现，首次出现了明显背离。

原因很简单：现有基准测的是“答题能力”，而企业要的是“交付成果”。

微软CEO Satya Nadella曾公开吐槽：“我们自诩达到AGI里程碑，不过是基准测试作弊。”

这正是典型的“高分低能”。模型选择题全对，写代码却漏了import；推理论证严密，做方案却缺了关键信息。更严重的是，为了“刷榜”，不少模型训练时已将测试集“腌”进参数里，分数越高，离现实越远。

AI领域迫切需要一种能衡量“真实工作能力”的新标准。

Scale AI推出的RLI正是为此而生。它不考一题一答的知识点，而是考“能否完成一整个工作流”——就像现实职场那样，任务有上下文、要协作、要产出可交付成果。

那么，RLI和传统基准有何不同？

MMLU、MT-Bench和ARC Challenge都是当前评估大模型时“出场率”最高的主流基准之一，几乎所有新模型发布都会贴出这三项分数。不过，它们各自存在明显短板：

MMLU覆盖57学科，更像闭卷知识竞赛；

MT-Bench用两轮对话给分，只能反映“聊天体感”，无法衡量跨工具、跨步骤的复杂协作；

ARC Challenge聚焦抽象常识推理，与现实场景脱节。

相比之下，RLI用真实付费订单作为测试题目。模型不仅要理解任务、跨工具操作，还要交出客户愿意付钱的成果。这样的评测几乎无法“刷分”，它考验的是全流程适应力。

现实中，甲方突然要求改语气、换配图风格；客户上传的参考资料缺页、压缩包损坏；或任务中途新增“请在Notion里同步进度并生成演示稿”。这些人类面对的模糊又多变的现实，是模型能力测试中不曾出现过的。

正如AI安全研究员Dan Hendrycks所说：“没有什么比现实更复杂。AI的进步，必须以真实经济价值为衡量标准。”

那AI到底能不能独立上岗？

RLI实验结果显然说明“AI绝对自动化率几乎为零”，AI即将全面替代人类工作”的担忧暂时缺乏数据支撑。

短期内，市场还不会被“AI劳动力”淹没，但任务颗粒度变细、价格分层已在所难免。哈佛分析了500万家美国企业的招聘数据后得出，AI引入后，初级岗位招聘量平均下降7.7%，尤其集中在批发零售、行政支持等流程标准化行业。

未来的初级岗位JD可能会写成这样：“能使用AI完成30%的日常杂务，并具备确保交付的能力。”

AI的崛起正在重塑工作结构。纯执行型技能正在加速贬值，定义问题、管理流程、整合资源的能力，反而成了新的核心竞争力。

AI在考试中证明了“聪明”，而真正能在现实中“干活”的，依然是那些懂得如何让AI变成团队一部分的人。