AI 已经会写代码，为什么办公室的重复流程还在手工做

问题是什么

Prentis 是里坦卡尔·达斯与里德·霍夫曼、马克·平卡斯在今年 4 月共同创办的 AI 实验室。它正在以 10 亿美元估值洽谈 1 亿美元融资，已与包括一家医疗管理服务公司和多家制造商在内的客户签下最高 5,000 万美元的合同，团队约 25 人，第三季度年化收入预期为 7,500 万美元。真正值得盯住的是收费方式：它按实际节省金额的 20% 收取费用(TechCrunch)。这家公司的判断可以压缩成一句话：日常办公任务的自动化很快会超过写代码，成为 AI 最大的用途。

方向大概率是对的。问题在于这句话和真实工位之间缺了什么。

OSWorld 2.0 用 108 个真实工作流来评测计算机操作智能体，每个流程人类完成的中位耗时约 1.6 小时。结果很冷静：在 500 步预算下，最好的系统是开启最大思考的 Claude Opus 4.8，端到端严格完成率 20.6%，部分得分能到 54.8%，但独立走完全程的只有五分之一。GPT-5.5 停在 13% 附近(arXiv)。论文点出的失败原因也不是 GUI 操作或写代码能力，而是约束条件的追踪、对中途才出现的信息的处理、自我核验，以及从隐藏状态中恢复。这几项描述的都是人怎么把一件长活儿一路扛住。

于是买方桌上剩下两个问题。五单里有四单半途停下，残局谁来收拾。以及「节省额的 20%」里，节省额由谁来量。

现在这两件事都靠一页 PPT 解决。上线前顾问估一个单件处理时长，乘以人力成本，这个数字写进合同，之后再无实测。智能体中途停住，业务员打开屏幕猜它走到哪一步，然后接手。什么完成了、什么没完成都没有记录留下，于是下个月的账单也无从核对。

为什么是现在

按成果付费在快速铺开。以节省额计费不是 Prentis 独有的设计，而是一个按席位收费过不了预算审批的市场找出来的答案。但这种结构必须有计量才能成立。卖方自己算节省额、自己开账单的状态撑不久，财务在第二次续约时一定会问。中国的财务共享中心尤其如此：上一轮 RPA 大规模铺开时，机器人台数一路涨，编制却几乎没动，这段记忆还在。

技术前提已经齐了。智能体会把屏幕截图、点击坐标、DOM 访问和工具调用全部写成日志，业务系统这一侧也通过 API 返回单据状态。缺的不是数据，而是把两条流对上、判定「这一单是否真的结清」的那一层。

招聘市场给出的信号指向同一个方向。翻一遍 AI 基础设施公司的公开职位，增长最快的岗位是解决方案架构师和安全工程师，而不是模型研究员。瓶颈已经从模型能力挪到了落地实施与可审计性上。

时间表也是定好的。今年上半年签下的试点合同，大约在两到三个季度后走到续约谈判。那场会议要用的材料，做材料的工具得更早出现。

怎么构建

flowchart LR
    A[人工操作屏幕日志] --> C[工序地图]
    B[智能体执行日志] --> C
    C --> D[逐步通过判定]
    D -->|通过| E[结清记录]
    D -->|未达标| F[打包状态与证据转人工队列]
    E --> G[月度实测节省报告]
    F --> G

MVP 要切得窄：一个业务族，一个客户。理赔受理、关税退税、发票对账都行，只要是人做一遍要 30 到 90 分钟且反复发生的定型工作。先给人工版本装上仪表，把流程拆成工序并逐步计时。再把智能体的执行日志叠到同一张工序地图上。每一步都挂通过条件，而且条件必须能被系统核验，而不是让模型自己打分：单据是否已登记、金额是否与总账一致、文件是否已归档。某一步没过，就把此前的状态和证据打包推给人工队列。到月底，用结清单量乘以实测节省时长，交给客户一份他自己能验证的账单依据。

真正的纪律是不去做智能体。Prentis、Anthropic、OpenAI 都在做那层模型，那场竞赛需要九位数的资金。而一个对任何厂商的智能体都用同一把尺子去量、用同一种方式交接的层，越中立越值钱。技术栈本身很普通：事件日志采集、工序地图编辑器、描述通过条件的小型 DSL，再加一个人工队列。难点不在模型，而在工序地图由谁来画，客户越多，这份图库越像护城河。

成功条件

第一个假设是企业是否真的想核验节省额。找五家已经签了成果付费自动化合同的公司，问它们的财务负责人上季度那张账单是拿什么核对的，两周就能问清楚。如果有三家回答「把厂商给的报告直接报上去了」，市场就是存在的。

第二个假设是智能体厂商能否接受身边坐着一个记分员。有些厂商不会接受，所以这套东西卖给买方而不是卖方。有意思的是，按成果收费的厂商越到后面越需要同样的证据来守住续约，最早强硬推开它的那几家，一年后反而可能主动来问。这个转向什么时候发生，决定了这门生意的速度。