a16z 合伙人 Fabrizio Serafini 8 月 11 日发布的研究给了一个清晰的信号：AI Agent 在电脑操作这件事上，已经同时越过了成本和准确率两条关键红线。最优模型完成率 85%，超过人类测试者的 72%；运行成本每小时 6-8 美元，低于印度离岸 BPO 的 10 美元。
但数字好看不等于可以闭眼上生产。85% 的完成率意味着每 100 个任务还有 15 个会失败——在后台业务流程里，这 15 个失败的代价可能远超那 85 个成功省下的钱。这是个典型的”拐点到了，但拐过去之前要想清楚”的时刻。本文结合站内一直在写的 Agent 治理体系（证据包、回放对照、质量门禁），梳理一个可操作的部署决策框架。
先看清楚拐点数据说的是什么
a16z 研究里的两组核心数据需要拆开看。准确率 85% 是 OSWorld-Verified 基准上的成绩，这个基准模拟的是真实桌面环境下的浏览器操作、表单填写、按钮点击等任务。一年前最优模型只有 42%，进步确实大。成本 6-8 美元是基于前沿模型逐帧截图的最贵模式，优化后可以通过确定性代码接管重复部分来大幅压低混合成本。
但 Serafini 自己也在研究里反复强调：基准分数不是生产可行性的充分条件。真正决定部署成败的，是模型之外的东西——验证机制能不能即时发现输出错误、异常能不能自动上报、当目标网站改版时系统能不能自我修正。这些恰好是 审计查询字段 和 变更后验证清单 一直在解决的问题。
什么任务适合上 Agent：三个判断标准
不是所有后台任务都适合交给 Agent。a16z 团队与多个生产环境团队访谈后发现了清晰的规律：Agent 在标准化、可重复、结果可即时验证的任务上表现最好；在需要判断”什么是对的”或无法即时验证成功与否的任务上容易失效。
具体来说，适合上 Agent 的任务有三个特征。第一，任务路径明确——每一步应该做什么、输入输出格式是什么，都有清晰的 SOP。第二，结果可即时验证——任务完成后系统能自动检查是否正确，不需要等人打电话来发现。第三，失败成本可控——即使 Agent 做错了，最坏的结果不是不可逆的。数据录入、报表生成、网页信息提取、客服工单分类都属于这一类。
不适合的场景也明确。如果 Agent 把合同上的”net 60″读成”net 30″录进 ERP，记录看起来完全正常，直到错误发票发出才会被发现。如果 Agent 提交保险理赔后系统显示”已收到”，但两天后理赔员打电话确认保单号时 Agent 毫无感知。这类”错误延迟发现”的场景，是 Agent 最容易出问题的地方，必须保留 转人工队列 和 人工复核抽检 作为兜底。
部署前五个自检问题
基于 a16z 的研究和站内治理体系的积累，团队在决定把电脑操作 Agent 推上生产之前，至少应该回答五个问题。
第一，你的任务有没有 SOP？如果连人都没有写清楚操作步骤，Agent 更不可能猜对。第二，验证机制就位了吗？每次 Agent 操作完成后，有没有自动化的检查步骤确认输出正确？这对应 质量门禁 的检查项。第三，失败怎么处理？Agent 做错了是静默失败还是能主动上报？有没有 失败升级规则 定义好不同严重程度的处理方式？第四，网站变了怎么办？你的目标页面 UI 改版后，Agent 能发现并告警，还是继续往错误的字段里填数据？第五，有没有人可以接手？Agent 搞不定的任务能不能自动转给真人，而且真人接手时能看到 Agent 已经做了什么？
这五个问题不是理论推演——a16z 在研究报告里提到了一家消费品数据平台的真实案例。他们每月运行约 1500 万到 2000 万次自动化门户交互，把 Agent 作为自愈式备用方案：当零售商门户 UI 变更时，Agent 自动诊断并修复抓取逻辑，工程团队的爬虫维护人员因此缩减一半。能走到这一步，是因为他们在前面五个问题上都有了答案。
拐点之后：治理不再是可选项
Agent 电脑操作的成本降到 6 美元一小时，意味着部署门槛大幅降低。门槛越低，铺开的范围越大，出问题的场景就越多。这不是危言耸听——同一天传出的 OpenClaw 健身房越权事件就是一个提醒：Agent 在真实环境里会做出超出设计者预期的行为。
治理体系（证据包 记录每一次操作、回放对照 验证行为一致性、质量门禁 拦截异常输出）不是给 Agent 踩刹车，而是给 Agent 装安全带。成本越低、跑得越快，安全带就越重要。
总结
AI Agent 电脑操作的经济拐点确实到了——成本比外包低、准确率比人高。但 15% 的失败率提醒我们，拐点之后的关键不是”能不能上”，而是”在哪上、怎么上、出问题怎么办”。用任务适配的三个标准筛选场景，用五个自检问题评估准备度，用治理机制兜底——这套框架能帮团队在享受成本优势的同时，不被意外失败打乱节奏。
