W.AI工作标准面向个人与企业给我的 Agent
公开证据与条件建议；未测结果保留未知。方法与局限 →

按问题读公开证据 · 整理2026-10-19

AI发展的数据，怎样帮助具体工作？

先看一个来源和一个问题，核对条件，再决定自己的试点与验收。

历史编程题：LiveCodeBench overall

在这组历史编程题上，一次生成的执行通过成绩是什么？

分母：同默认题目窗口454题；一次生成执行评分

范围与协议：Oct14数据快照，题目窗口2025截止；模型日/运行日未知；窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知

精选6个模型/档位的公布值介于27.20至80.18（题目pass@1 %）。这是历史题集横截面。不能标作2026新题表现，也不能推导真实维护项目的净收益。

题目pass@1 %

X轴：模型/档位编号 · 日期另见卡片；Y轴：题目pass@1 %。不连接为增长曲线。

0255075100Claude-3.5-Sonnet-20241022 · 36.39%Claude-Opus-4 · 46.92%DeepSeek-V3 · 27.2%O3 (High) · 75.77%O4-Mini (High) · 80.18%Qwen3-235B-A22B · 65.86%123456

悬浮或键盘聚焦坐标点，先看核心信息；点击点位卡片，在详情区继续阅读。完整材料保留在下方。

把它带回自己的工作

先确认题型是否像你的任务；实际代码仍需目标行为、原行为与回归验收。

C03交接与验收 →榜单费用为什么不是你的完整工作成本？ →

这是使用分类连接或相近测试背景；真实工作覆盖、采用与净人时未知。

本组完整Markdown ↓本组JSON ↓独立观察模块2026-10-19.observations.2

完整记录与核对材料

坐标点和侧栏都对应这些卡片；未知、原始值、条件与原文在此完整保留。

模型日与运行日未知；本图按模型名称排列 · 题目pass@1 %

Claude-3.5-Sonnet-20241022

36.39%。分母：同默认题目窗口454题；一次生成执行评分

LiveCodeBench历史代码生成窗口；当前保留引用

模型日与运行日未知；本图按模型名称排列

Claude-3.5-Sonnet-20241022

36.39%

分母与样本
同默认题目窗口454题；一次生成执行评分；具体样本数454
衡量什么
窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知
原始公布值
36.38766519823788 · 来源公布
模型 / 配置
Claude-3.5-Sonnet-20241022；单行工具/重试预算未完整披露
区间
本记录未给区间，未由标准误制造区间
同页费用
本记录未取得
记录定位
performances_generation.json；model=Claude-3.5-Sonnet-20241022；overall 默认窗口
条件与限制
实际题日期2024-08-04至2025-04-07；发布日无法可靠对齐，保持未知；执行评分；逐行工具/预算不完整；不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
打开原始来源 ↗

收集2026-10-14 · 阅读2026-10-15 · 真实工作覆盖未知

模型日与运行日未知；本图按模型名称排列 · 题目pass@1 %

Claude-Opus-4

46.92%。分母：同默认题目窗口454题；一次生成执行评分

LiveCodeBench历史代码生成窗口；当前保留引用

模型日与运行日未知；本图按模型名称排列

Claude-Opus-4

46.92%

分母与样本
同默认题目窗口454题；一次生成执行评分；具体样本数454
衡量什么
窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知
原始公布值
46.91629955947136 · 来源公布
模型 / 配置
Claude-Opus-4；单行工具/重试预算未完整披露
区间
本记录未给区间，未由标准误制造区间
同页费用
本记录未取得
记录定位
performances_generation.json；model=Claude-Opus-4；overall 默认窗口
条件与限制
实际题日期2024-08-04至2025-04-07；发布日无法可靠对齐，保持未知；执行评分；逐行工具/预算不完整；不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
打开原始来源 ↗

收集2026-10-14 · 阅读2026-10-15 · 真实工作覆盖未知

模型日与运行日未知；本图按模型名称排列 · 题目pass@1 %

DeepSeek-V3

27.2%。分母：同默认题目窗口454题；一次生成执行评分

LiveCodeBench历史代码生成窗口；当前保留引用

模型日与运行日未知；本图按模型名称排列

DeepSeek-V3

27.2%

分母与样本
同默认题目窗口454题；一次生成执行评分；具体样本数454
衡量什么
窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知
原始公布值
27.202643171806166 · 来源公布
模型 / 配置
DeepSeek-V3；单行工具/重试预算未完整披露
区间
本记录未给区间，未由标准误制造区间
同页费用
本记录未取得
记录定位
performances_generation.json；model=DeepSeek-V3；overall 默认窗口
条件与限制
实际题日期2024-08-04至2025-04-07；发布日无法可靠对齐，保持未知；执行评分；逐行工具/预算不完整；不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
打开原始来源 ↗

收集2026-10-14 · 阅读2026-10-15 · 真实工作覆盖未知

模型日与运行日未知；本图按模型名称排列 · 题目pass@1 %

O3 (High)

75.77%。分母：同默认题目窗口454题；一次生成执行评分

LiveCodeBench历史代码生成窗口；当前保留引用

模型日与运行日未知；本图按模型名称排列

O3 (High)

75.77%

分母与样本
同默认题目窗口454题；一次生成执行评分；具体样本数454
衡量什么
窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知
原始公布值
75.77092511013215 · 来源公布
模型 / 配置
O3 (High)；单行工具/重试预算未完整披露
区间
本记录未给区间，未由标准误制造区间
同页费用
本记录未取得
记录定位
performances_generation.json；model=O3 (High)；overall 默认窗口
条件与限制
实际题日期2024-08-04至2025-04-07；发布日无法可靠对齐，保持未知；执行评分；逐行工具/预算不完整；不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
打开原始来源 ↗

收集2026-10-14 · 阅读2026-10-15 · 真实工作覆盖未知

模型日与运行日未知；本图按模型名称排列 · 题目pass@1 %

O4-Mini (High)

80.18%。分母：同默认题目窗口454题；一次生成执行评分

LiveCodeBench历史代码生成窗口；当前保留引用

模型日与运行日未知；本图按模型名称排列

O4-Mini (High)

80.18%

分母与样本
同默认题目窗口454题；一次生成执行评分；具体样本数454
衡量什么
窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知
原始公布值
80.1762114537445 · 来源公布
模型 / 配置
O4-Mini (High)；单行工具/重试预算未完整披露
区间
本记录未给区间，未由标准误制造区间
同页费用
本记录未取得
记录定位
performances_generation.json；model=O4-Mini (High)；overall 默认窗口
条件与限制
实际题日期2024-08-04至2025-04-07；发布日无法可靠对齐，保持未知；执行评分；逐行工具/预算不完整；不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
打开原始来源 ↗

收集2026-10-14 · 阅读2026-10-15 · 真实工作覆盖未知

模型日与运行日未知；本图按模型名称排列 · 题目pass@1 %

Qwen3-235B-A22B

65.86%。分母：同默认题目窗口454题；一次生成执行评分

LiveCodeBench历史代码生成窗口；当前保留引用

模型日与运行日未知；本图按模型名称排列

Qwen3-235B-A22B

65.86%

分母与样本
同默认题目窗口454题；一次生成执行评分；具体样本数454
衡量什么
窗口边界2024-08-01至2025-05-01；实际题目2024-08-04至2025-04-07；只选overall；pass@1估计单次候选代码通过测试的表现，k=1不等于各模型只生成一次；逐行实际生成次数未知
原始公布值
65.85903083700441 · 来源公布
模型 / 配置
Qwen3-235B-A22B；单行工具/重试预算未完整披露
区间
本记录未给区间，未由标准误制造区间
同页费用
本记录未取得
记录定位
performances_generation.json；model=Qwen3-235B-A22B；overall 默认窗口
条件与限制
实际题日期2024-08-04至2025-04-07；发布日无法可靠对齐，保持未知；执行评分；逐行工具/预算不完整；不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
打开原始来源 ↗

收集2026-10-14 · 阅读2026-10-15 · 真实工作覆盖未知

原文、版本与许可

LiveCodeBench历史代码生成窗口 ↗

2026-10-14取得的同一公开JSON；仅overall · 首次公开具体日期未知 · 收集2026-10-14 · 阅读2026-10-15

定位：performances_generation.json；默认筛选边界2024-08-01至2025-05-01。范围：454题；实际题目日期2024-08-04至2025-04-07；execution-based pass@1。

不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名。

许可与改编：代码MIT；成绩JSON数据许可未单独确认；仅有限事实摘要。

方法或版本依据 ↗

把研究放回具体工作

结合具体职责读进展与影响，或继续查看下方完整研究与原始材料。

计算机 · 软件维护与验证 →金融 · 财报取数与分析 →数学相关 · 数值建模与验证 →数据与分析 →

用研究理解工作，再决定下一步

现今补充 · 独立观察模块2026-10-19.observations.2；原前沿研究基准另行保留。

看使用和采用背景、固定测试条件与成本；读训练迁移和评测方法，再回到输入、交接与验收。

使用与采用观察 → · 固定能力测试 → · 成本背景 →

专业工作结果与已有研究

下列原有研究保留各自内容版本2026-09-27.1与核查日2026-09-27。局部完成性、交互分类与交付物比较分别读取。

原有研究JSON →

业务职能的公开研究

公开测试中，AI完成到了哪一步？

来源核查 2026-09-27

三种证据回答不同问题：业务流程能否完成、人怎样参与、交付质量能否达到专业水平。它们按业务职能分类，与本站AI岗位方向不同。

受控评测 · 无人在环

六类业务方向的最高报告通过率：26.67%–65%

AutomationBench 1.0.6 · 各方向最高已公布成绩。各柱采用不同模型与推理档位，不构成同一模型下的方向难度排名。

纵轴：整题通过率（0–100%） · 横轴：业务方向
45.3%销售：45.3%
销售Claude Opus 5.5
50%营销：50%
营销GPT-6 Astra
65%运营：65%
运营Claude Opus 5.5
39%客服：39%
客服GPT-6 Astra
43.33%财务：43.33%
财务GPT-6 Astra
26.67%HR：26.67%
HRGemini 3.8 Flash

Zapier官方榜单 · v1.0.6 · 2026-09-27快照 · 原始来源 ↗

这里的“完成”要求所有计分断言通过。测试运行在模拟业务系统中，不能解释为同等比例的岗位可被替代。Claude Opus 5.5的default fallbacks会把被拒绝的步骤交给供应商默认后备模型。

把结果对应到具体工作

不同图表使用不同分类与指标。先找到场景，再核对输入、验收和人的责任。

销售 →营销 →运营 →客服 →财务 →人力资源 →
参照职业的AI使用观察（非完成性）

把一个岗位拆成任务

参照职业中的AI使用方式

数据与口径 →

每一行是本站一个方向的参照职业，每一段是它在O*NET中的一项任务。悬停或点击一段查看任务，点击职业名看逐项明细。

软件开发人员17项任务监控设备运行，确保系统符合规格：自动化交互 95% · AI自主度 2.65/5 · 人独立约20分钟，借助AI约2分钟（模型估计）修改现有软件：修复错误、适配新硬件、升级接口或提升性能：自动化交互 69% · AI自主度 2.87/5 · 人独立约5.1小时，借助AI约42分钟（模型估计）分析信息，建议并规划新系统的安装或现有系统的改造：自动化交互 50% · AI自主度 2.92/5 · 人独立约10.5小时，借助AI约61分钟（模型估计）分析用户需求与软件需求，判断设计在时间和成本约束下是否可行：自动化交互 44% · AI自主度 2.94/5 · 人独立约11.2小时，借助AI约58分钟（模型估计）与系统分析师、工程师、程序员等沟通系统设计，了解项目限制、性能要求与接口：自动化交互 41% · AI自主度 2.42/5 · 人独立约7.9小时，借助AI约105分钟（模型估计）撰写关于项目规格、进展或状态的报告与沟通文件：自动化交互 49% · AI自主度 2.5/5 · 人独立约4.5小时，借助AI约54分钟（模型估计）运用科学分析和数学模型设计、开发与修改软件系统，预测并衡量设计的结果：自动化交互 42% · AI自主度 3.1/5 · 人独立约14.7小时，借助AI约63分钟（模型估计）就项目状态、方案或技术问题（如系统设计与维护）与客户或其他部门沟通：自动化交互 47% · AI自主度 2.64/5 · 人独立约5.4小时，借助AI约56分钟（模型估计）制定或指导软件系统的测试与验证流程、编程及文档：该月未公布使用数据（样本未达公布门槛，不等于零）协调软件系统的安装：该月未公布使用数据（样本未达公布门槛，不等于零）存取和处理数据，用于分析系统能力与需求：该月未公布使用数据（样本未达公布门槛，不等于零）确定系统性能标准：该月未公布使用数据（样本未达公布门槛，不等于零）指导程序员、技术人员及其他工程与科研人员的工作：该月未公布使用数据（样本未达公布门槛，不等于零）与数据处理或项目经理沟通，了解数据处理项目的限制与能力：该月未公布使用数据（样本未达公布门槛，不等于零）为程序员、设计师、技术人员等分派并监督工作：该月未公布使用数据（样本未达公布门槛，不等于零）收集并评估报表格式、成本、安全需求等信息，确定硬件配置：该月未公布使用数据（样本未达公布门槛，不等于零）培训用户使用新设备或改造后的设备：该月未公布使用数据（样本未达公布门槛，不等于零）委派 3 · 协作 5 · 未公布 9
IT项目经理21项任务与项目成员沟通，发现并解决问题：自动化交互 95% · AI自主度 2.55/5 · 人独立约8.2小时，借助AI约42分钟（模型估计）监控和跟踪项目里程碑与交付物：自动化交互 100% · AI自主度 3/5 · 人独立约46分钟，借助AI约3分钟（模型估计）制定或更新IT项目计划，包括目标、技术、系统、信息规格、进度、资金与人员：自动化交互 71% · AI自主度 3.06/5 · 人独立约6.6小时，借助AI约43分钟（模型估计）收集、分析和汇总信息与趋势，撰写项目状态报告：自动化交互 67% · AI自主度 3.21/5 · 人独立约5.8小时，借助AI约30分钟（模型估计）制定并管理IT项目的工作分解结构（WBS）：自动化交互 58% · AI自主度 3.08/5 · 人独立约7.8小时，借助AI约44分钟（模型估计）发起、审查或批准项目计划的变更：自动化交互 40% · AI自主度 2.88/5 · 人独立约6小时，借助AI约56分钟（模型估计）开展风险评估并制定应对策略：自动化交互 39% · AI自主度 2.89/5 · 人独立约5.5小时，借助AI约30分钟（模型估计）管理项目执行，确保预算、进度与范围达标：该月未公布使用数据（样本未达公布门槛，不等于零）提交项目交付物，确保符合质量标准：该月未公布使用数据（样本未达公布门槛，不等于零）通过直接沟通、调查等方式评估客户当前及未来的需求与优先级：该月未公布使用数据（样本未达公布门槛，不等于零）安排并主持IT项目相关会议：该月未公布使用数据（样本未达公布门槛，不等于零）指挥或协调项目成员的工作：该月未公布使用数据（样本未达公布门槛，不等于零）识别项目初期或追加的资源需求：该月未公布使用数据（样本未达公布门槛，不等于零）制定包含成本收益或投资回报分析的实施计划：该月未公布使用数据（样本未达公布门槛，不等于零）识别、评审或选择满足项目需要的供应商或顾问：该月未公布使用数据（样本未达公布门槛，不等于零）制定并管理IT项目的年度预算：该月未公布使用数据（样本未达公布门槛，不等于零）制定并执行项目沟通计划：该月未公布使用数据（样本未达公布门槛，不等于零）跟踪项目成员的绩效，给出并记录反馈：该月未公布使用数据（样本未达公布门槛，不等于零）协调项目人员的招聘或选拔：该月未公布使用数据（样本未达公布门槛，不等于零）为项目成员分配职责与授权范围：该月未公布使用数据（样本未达公布门槛，不等于零）与项目干系人或供应商谈判，获取资源或物料：该月未公布使用数据（样本未达公布门槛，不等于零）委派 5 · 协作 2 · 未公布 14
计算机系统分析师22项任务排查程序与系统故障，恢复正常运行：自动化交互 90% · AI自主度 2.84/5 · 人独立约6.5小时，借助AI约78分钟（模型估计）帮助员工和用户解决故障、程序问题等计算机相关问题：自动化交互 87% · AI自主度 2.38/5 · 人独立约1.9小时，借助AI约57分钟（模型估计）测试、维护和监控程序与系统，包括协调程序与系统的安装：自动化交互 96% · AI自主度 3.05/5 · 人独立约3.5小时，借助AI约21分钟（模型估计）用计算机分析和解决业务问题，如开发集成的生产、库存控制与成本分析系统：自动化交互 51% · AI自主度 3.03/5 · 人独立约8.8小时，借助AI约63分钟（模型估计）协调并连接组织内的计算机系统，提高兼容性以便共享信息：自动化交互 95% · AI自主度 2.48/5 · 人独立约1.9小时，借助AI约25分钟（模型估计）使用面向对象编程语言，以及客户端与服务端应用开发、多媒体和互联网技术：自动化交互 67% · AI自主度 3.2/5 · 人独立约16.8小时，借助AI约56分钟（模型估计）审查计算机输出和性能指标，定位并修正代码问题：自动化交互 86% · AI自主度 2.93/5 · 人独立约9.1小时，借助AI约89分钟（模型估计）扩展或改造系统，以支持新用途或改进工作流程：自动化交互 69% · AI自主度 3.08/5 · 人独立约8.3小时，借助AI约49分钟（模型估计）培训员工和用户使用计算机系统与程序：自动化交互 62% · AI自主度 2.66/5 · 人独立约6.5小时，借助AI约163分钟（模型估计）评估现成应用软件包的适用性，并适配到用户环境：自动化交互 56% · AI自主度 3.17/5 · 人独立约5.1小时，借助AI约27分钟（模型估计）阅读手册、期刊和技术报告，学习如何开发满足员工和用户需求的程序：自动化交互 60% · AI自主度 2.56/5 · 人独立约3小时，借助AI约15分钟（模型估计）与客户沟通程序要解决的信息处理或计算需求：自动化交互 51% · AI自主度 2.72/5 · 人独立约10.8小时，借助AI约97分钟（模型估计）用结构化分析、数据建模等方法分析信息处理需求，并规划和设计计算机系统：自动化交互 39% · AI自主度 2.97/5 · 人独立约11.1小时，借助AI约64分钟（模型估计）推荐新的设备或软件包：自动化交互 31% · AI自主度 2.66/5 · 人独立约1.7小时，借助AI约24分钟（模型估计）定义系统目标，绘制描述程序逻辑步骤的流程图：自动化交互 44% · AI自主度 3.03/5 · 人独立约6.6小时，借助AI约30分钟（模型估计）与管理层沟通，确保就系统原则达成一致：该月未公布使用数据（样本未达公布门槛，不等于零）确定系统使用的输入，规划结果的分发与使用：该月未公布使用数据（样本未达公布门槛，不等于零）通过访谈、调查、观察或亲自操作，了解处理哪些信息以及如何处理：该月未公布使用数据（样本未达公布门槛，不等于零）指导程序员或其他系统分析师，或担任具体系统项目的负责人：该月未公布使用数据（样本未达公布门槛，不等于零）确定搭建或改造系统所需的软件或硬件：该月未公布使用数据（样本未达公布门槛，不等于零）制定、记录和修订系统设计流程、测试流程与质量标准：该月未公布使用数据（样本未达公布门槛，不等于零）开展成本收益与投资回报分析，辅助系统实施决策：该月未公布使用数据（样本未达公布门槛，不等于零）委派 12 · 协作 3 · 未公布 7
数据科学家16项任务使用统计软件分析、处理大规模数据：自动化交互 50% · AI自主度 3/5 · 人独立约9.8小时，借助AI约61分钟（模型估计）向管理层或最终用户口头或书面汇报建模与数据分析结果：自动化交互 71% · AI自主度 2.79/5 · 人独立约3.6小时，借助AI约16分钟（模型估计）使用统计软件清洗和处理原始数据：自动化交互 59% · AI自主度 2.91/5 · 人独立约7.2小时，借助AI约53分钟（模型估计）用损失函数、解释方差占比等统计指标比较模型：自动化交互 52% · AI自主度 2.81/5 · 人独立约8.6小时，借助AI约72分钟（模型估计）利用数据分析结果为预算、人员配置、营销等业务问题找到方案：自动化交互 61% · AI自主度 2.91/5 · 人独立约6.6小时，借助AI约51分钟（模型估计）用编程语言编写新的函数或应用来开展分析：自动化交互 58% · AI自主度 2.95/5 · 人独立约8小时，借助AI约54分钟（模型估计）运用数学理论与方法为工程、科学等领域提出解决方案：自动化交互 52% · AI自主度 2.6/5 · 人独立约3.3小时，借助AI约30分钟（模型估计）使用专业软件制作图表等可视化，呈现数据分析结果：自动化交互 43% · AI自主度 3.28/5 · 人独立约8.1小时，借助AI约31分钟（模型估计）测试、验证并改进模型，确保对目标结果的预测准确：自动化交互 45% · AI自主度 3.05/5 · 人独立约17小时，借助AI约90分钟（模型估计）向关键干系人提出数据驱动的解决方案：自动化交互 30% · AI自主度 2.71/5 · 人独立约7.1小时，借助AI约56分钟（模型估计）识别可能影响研究结果的关系、趋势或其他因素：自动化交互 35% · AI自主度 2.77/5 · 人独立约7.8小时，借助AI约55分钟（模型估计）识别可以通过数据分析解决的业务问题或管理目标：该月未公布使用数据（样本未达公布门槛，不等于零）对预测销售、流失、医疗使用等结果的模型应用特征选择算法：该月未公布使用数据（样本未达公布门槛，不等于零）阅读论文、会议资料等研究文献，了解新兴的分析趋势与技术：该月未公布使用数据（样本未达公布门槛，不等于零）应用抽样方法确定调查对象，或采用全面普查：该月未公布使用数据（样本未达公布门槛，不等于零）设计调查问卷、民意测验等数据收集工具：该月未公布使用数据（样本未达公布门槛，不等于零）委派 7 · 协作 4 · 未公布 5
市场研究分析师与营销专员13项任务撰写研究结论报告，用图表展示数据，把复杂发现转成文字：自动化交互 60% · AI自主度 3.18/5 · 人独立约11.2小时，借助AI约33分钟（模型估计）收集并分析客户的人口特征、偏好、需求和购买习惯，识别潜在市场与影响需求的因素：自动化交互 40% · AI自主度 2.92/5 · 人独立约4.5小时，借助AI约22分钟（模型估计）收集竞争对手数据，分析其价格、销售以及营销与分销方式：自动化交互 42% · AI自主度 2.97/5 · 人独立约11.3小时，借助AI约51分钟（模型估计）分析收集的数据，预测并跟踪营销与销售趋势：自动化交互 42% · AI自主度 2.93/5 · 人独立约9.8小时，借助AI约42分钟（模型估计）制定并实施识别广告需求的流程：自动化交互 33% · AI自主度 2.93/5 · 人独立约7.6小时，借助AI约50分钟（模型估计）收集并提供信息，帮助公司判断自身的市场定位：该月未公布使用数据（样本未达公布门槛，不等于零）与营销人员、统计人员、调查人员等合作，研究消费者观点与营销策略：该月未公布使用数据（样本未达公布门槛，不等于零）设计和评估问卷、民意调查等数据收集方法，或安排获取现有数据：该月未公布使用数据（样本未达公布门槛，不等于零）衡量和评估客户与员工满意度：该月未公布使用数据（样本未达公布门槛，不等于零）监测行业统计数据，跟踪行业文献中的趋势：该月未公布使用数据（样本未达公布门槛，不等于零）参加内部会议，向管理层提供产品推广、分销、设计和定价的信息与建议：该月未公布使用数据（样本未达公布门槛，不等于零）衡量营销、广告与传播项目及策略的效果：该月未公布使用数据（样本未达公布门槛，不等于零）指导经过培训的调查访问员：该月未公布使用数据（样本未达公布门槛，不等于零）委派 1 · 协作 4 · 未公布 8
  • 委派为主
  • 协作为主
  • 未公布使用数据

宽度：O*NET任务重要度（不是工时）；颜色：Anthropic经济指数中2026-05全球Claude聊天里该任务的交互方式。显示人们怎样用AI，不是AI完成率或岗位可替代比例。

01 / AutomationBench：独立执行到业务验收

全部计分断言通过，整题才计为成功；检查最终业务状态。API模式，最多50步，无人在环；按各方向的最优模型与推理档位展示。

模拟业务环境；各柱可能对应不同模型，不是同一Agent的全岗表现。公开600题不是官方榜单的分母。 榜单未逐项披露本次运行日期及各方向私有样本数，本站不反推或补写。

官方结果表 ↗公开任务、评分代码与方法 ↗论文 ↗
v1.0.6各方向前两名；最高档位不固定
业务方向最高成绩／模型配置第二名／模型配置关联工作
销售CRM、线索和跨应用流程45.3%
Claude Opus 5.5
Max + default fallbacks		40.17%
GPT-6 Astra
Max		任务与分类映射 →
营销营销活动、广告分析和内容运营50%
GPT-6 Astra
Max		48%
Claude Opus 5.5
Max + default fallbacks		任务与分类映射 →
运营项目、供应商和业务流程65%
Claude Opus 5.5
Max + default fallbacks		62%
GPT-6 Astra
Max		任务与分类映射 →
客服工单、SLA与知识库39%
GPT-6 Astra
XHigh		38%
Claude Opus 5.5
Max + default fallbacks		任务与分类映射 →
财务应收应付、费用和报表43.33%
GPT-6 Astra
High		37.5%
Claude Opus 5.5
Max + default fallbacks		任务与分类映射 →
HR招聘、入职与薪酬流程26.67%
Gemini 3.8 Flash
Medium		25%
Claude Opus 5.5
Max + default fallbacks		任务与分类映射 →

Claude Opus 5.5的default fallbacks会把被拒绝的步骤交给供应商默认后备模型。分方向按最佳档位取值；这是不同配置达到的边界，不是统一模型、成本或无后备模型的公平排名。

全任务集结果（原始配置）

各方向成绩不是全任务集成绩的简单平均。

交叉核查结果

OpenAI 2026-09-22发布表中的GPT-6 Sol (xhigh) 33.2%与Zapier官方表一致。OpenAI发布表与Zapier榜单数值一致；属于同一评测的引用核对，不是两次独立复现。公开仓库的600题成绩属于另一任务集，不能混入本图。

企业交付 / FDE任务 →内容与增长任务 →数据分析任务 →

关联任务仅提供场景入口；本站任务未被该评测逐题测量。

02 / Anthropic：职业相关交互中的自动化比例

数据期：2026-05-01至2026-06-01（不含结束日）；发布 2026-06-26。全球SOC职业大类，按原始CSV直接取值，不按本站五个方向重分配。自动化与协作是交互分类，不是验收结果。

研究原文 ↗下载官方数据包 ↗
六个与知识工作相关的职业大类；未按得分挑选
职业／SOC聊天自动化聊天协作API自动化API协作
计算机与数学 / 1563.9%36.1%94.58%5.42%
商业与财务 / 1342.61%57.39%94.92%5.08%
管理 / 1143.9%56.1%95.58%4.42%
艺术与传媒 / 2735.85%64.15%94.83%5.17%
销售 / 4143.79%56.21%90.78%9.22%
办公与行政 / 4356.02%43.98%94.41%5.59%

职业相关使用中的交互分类；不是该职业所有任务的自动化率或验收成功率。1P API排除Claude Code；聊天样本含Chat与Cowork。 缺失单元格不当作零；本图六类的两项指标均已公布。数据包没有task_success字段，因此没有从自动化比例推导成功率。

提取规则与可复核性

源文件：aei_claude_ai_2026-06-26.csv、aei_1p_api_2026-06-26.csv。筛选GLOBAL / soc_occupation / hierarchy_level=1、2026-05-01，SOC为15/13/11/27/41/43，指标为collaboration_bucket_automation_pct与collaboration_bucket_augmentation_pct。保留官方两位小数。

官方zip SHA-256：9be20dd451b91e4d59bd605528a8d5e55f6a182c1d280172f303f871553236da

来源Anthropic，CC-BY。本站翻译标签、重绘；无模型能力实测。

03 / OpenAI GDPval：与专业产物比较

44个职业的明确知识工作任务；与专业人员产物比较。专家偏好比较的胜或平，不是业务流程严格通过率。此处为4月历史结果，不声称当前SOTA。

2026-04-23发布表内：GPT-5.5 84.9%，GPT-5.4 83%，Claude Opus 4.7 80.3%。均为wins or ties。保留这份历史快照说明产物质量维度，不冒充当前模型榜单。

原始发布表 ↗GDPval构建与评分方法 ↗

更新与局限

本次查阅Anthropic六月Economic Index、三月任务数据，OpenAI四月GDPval及九月模型报告，并沿引用核对Zapier官方结果和评分仓库。六月经济数据是本轮找到的最近公开发布，九月OpenAI报告没有GDPval新表。未来更新按数据集与协议分别归档，不用页面访问日覆盖采样或运行日期。

返回首页 →

从研究到工作

图表里的业务方向，怎样对应本站任务？

外部评测按业务职能分类，本站按AI岗位方向组织。以下只是场景关联，没有逐题对应；研究成绩不分配到关联任务。

发现问题？提交纠错 →