AI 已经很会「做出一个像样的东西」，但工作不是看起来像完成，而是达到可交付标准。这周最值得看的几篇内容，刚好把这条线补齐：真实任务的及格线、自动化之后失去的学习、组织激励如何带偏工程判断，以及产品怎样用领域数据和可编辑界面，把模型能力变成可靠结果。
■ INSIGHT 观点
Epoch AI 用真实内部任务测试模型：平均 65%，仍然是不合格
via Epoch AI
Epoch AI 把研究规划、数据分析和图表设计等真实工作交给前沿模型，Claude Fable 5.1 与 GPT-6 Astra 平均满足了 65% 的员工评分项。但 65% 不是「已经自动化了大半」，而是每项任务都还需要人检查和返工；模型甚至把因 token 预算过低导致的 22% 无结果，误判成模型能力发现。AI 的交付门槛不是平均分，而是能否跨过整项任务的验收线。
—
把代码交给 Agent 后，工程师失去的不只是工作量
via Loren Stewart / Every
Loren Stewart 搭了一座代码工厂：自己定计划，Agent 拆分并行实现、测试、互审，最后再合并。产能上去了，他却发现自己同时失去了试错、学习和完成作品的满足感。这个反思比「Agent 能写多少代码」更重要：该自动化的是重复劳动，不是所有能让人形成判断力的过程。 对管理者来说，任务分配还要多问一句——这段工作只需要结果，还是也承担培养人的责任？
—
■ CASE 案例
Proton 的 AI 转型，先变成了一场组织压力测试
via 404 Media
404 Media 采访 8 名现任和 1 名前员工，并查阅内部聊天、会议记录与 AI 宣言：Proton 一边追踪 AI 生成代码占比、重面员工的 AI 使用能力，一边让工程师担心提出安全异议会影响去留。Proton 回应称，公司推进太快、表达有时过于生硬，但没有否认报道的核心描述。一旦把 AI 使用率绑定绩效，员工最先学会的往往不是更好地使用 AI，而是让使用率看起来更高。 真正该量的是缺陷、审查成本、交付周期和长期维护性。
—
Figma 训练垂直编辑模型：护城河是环境、数据和验证器
via Figma
Figma 用超过 25 万条合成编辑样本做监督微调，再用确定性校验器、视觉评委和设计师标准校准结果，并继续转向强化学习。其未发布的专用模型在内部编辑评测中达到 77.8%，略高于对照模型的 76.9%；新版 Agent 的用户撤销率也下降了 60%。这些是厂商自报数据，但路径很清楚：专业 Agent 的差异化，不在聊天框，而在能否构造领域动作、反馈回路和可验证标准。
—
■ PRODUCT 产品
Gemini 把生成结果从聊天文本变成可继续编辑的工作对象
via Google Gemini
Gemini 宣布可在应用内生成、预览并继续编辑文档、PDF、演示文稿和表格，还能选中局部内容要求修改。重点不在「又支持几种格式」，而在生成、审阅和修改终于留在同一个反馈循环里。知识工作的 AI 界面正在从给答案，转向交付一个能接着改、接着协作、接着发布的对象。
—
这周的共同信号很朴素：模型会做，只是起点。真正的生产力来自更苛刻的验收线、更健康的组织激励、更有意识的任务分配，以及能把结果留在工作流里的产品界面。以后评估一个 Agent，不妨少问「它能不能做」，多问四件事：谁来验收、失败怎么发现、人会不会因此停止学习、结果能否继续被编辑和协作。
暂无评论内容