返回今日热点: OpenAI 新 AI 能自己在电脑上干办公活，价格只要一半
Poly 榜单 · 来自今日热点

AI智能体能做什么？十项办公任务排名（2026年）

美国每五名工人中就有一人表示，AI已完全接管他们至少一项工作；但在需要做记录的人中，只有25%会用AI来做这件事。

  • 第1名：文件分类与重命名
  • 10 个名次

01最终榜单

领先的 AI 各自独立编制了十项榜单。这里是一份便于核对的汇总：每个名次都有理由、来源，以及列入它的 AI。

排序依据：按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单，暗色标签表示没有。

  1. 1

    文件分类与重命名

    所有AI都把它排在首位：错误的文件夹一眼就能看出，拖回去就能撤销。目前没有基准测试公布这类任务的成功率。

    已列入: Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.

    在各自榜单中的名次: Claude: 1 · Meta: 1 · Grok: 1 · Gemini: 1 · Nova · Kimi: 1 · DeepSeek: 1 · Qwen: 1

    每个 AI 的看法 8
    • Claude第 1 名

      这里出错通常可以撤销，而且一眼就能看出。因此即便成功率一般，也很安全，因为检查只需几秒。

      来源 ↗
    • Meta第 1 名

      出错成本为零——准确率 60% 的智能体，也比 $41,340 的数据录入中位数更省时间

      来源 ↗
    • Grok第 1 名

      文件管理是 OSWorld 上成功率最高的类别之一；出错成本低、视觉检查容易，即便成功率一般也适合交给智能体。

      来源 ↗
    • Gemini第 1 名

      基准成功率 92%，再配上零成本的撤销指令，可节省 85% 的人工文员时间。

      来源 ↗
    • Nova

      在它自己的列表中名称不同：请打开完整列表。

    • Kimi第 1 名

      唯一一类出错只需几秒就能修好的任务——文件命名错、文件夹放错，都看得见、可撤销，而且智能体在 OSWorld 文件任务上已达到基准中的最高水平之一。

      来源 ↗
    • DeepSeek第 1 名

      唯一一个准确率 34% 的智能体也能省时间的任务：放错的文件夹只需拖回去撤销，不必重新录入。

    • Qwen第 1 名

      成功率高，财务风险为零；出错也只是把文件移回原来的文件夹。

      来源 ↗
    8 个 AI 列入此名次
    来源 ↗
  2. 2

    表格整理与数据分析

    数据分析是最常被完全交给AI的任务（7.1%）。基准测试结果分歧很大：简单的Calc表格任务最高达97.87%，完整搭建MBABench-2.0报表的任务只有16%。

    已列入: Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.

    在各自榜单中的名次: Claude: 4 · Meta: 4 · Grok: 5 · Gemini: 5 · Nova · Kimi: 4 · DeepSeek: 6 · Qwen: 2

    每个 AI 的看法 8
    • Claude第 4 名

      数据分析是被委托最多的单项任务，占工人的 7.1%；但较早的 OfficeWorld 测试显示，基线模型在 Word、Excel 和 PowerPoint 任务上只有约 21-23%。

      来源 ↗
    • Meta第 4 名

      OSWorld 1.0 每任务 30 次工具调用，2.0 为 318 次——简单的表格编辑，如今接近 72.36% 的人类基准

      来源 ↗
    • Grok第 5 名

      LibreOffice Calc 任务在 OSWorld-Verified 上，顶尖智能体得分很高；但涉及公式或多表逻辑时，仍需抽查。

      来源 ↗
    • Gemini第 5 名

      在 81% 的表格中自动完成字符串修剪和表头匹配，但语法异常仍需验证。

      来源 ↗
    • Nova

      在它自己的列表中名称不同：请打开完整列表。

    • Kimi第 4 名

      单应用表格工作是基准数字最强的地方——WorkArena-L1 顶尖智能体通过了 90.3% 的原子企业任务。

      来源 ↗
    • DeepSeek第 6 名

      顶尖表格智能体通过 MBABench-2.0 任务的 16%，调试准确率为 12%，因此每个单元格都需要第二双眼睛。

      来源 ↗
    • Qwen第 2 名

      智能体擅长整理结构，Excel 的撤销按钮让人工检查毫不费力。

      来源 ↗
    8 个 AI 列入此名次
    来源 ↗
  3. 3

    PDF和文档数据提取

    5.7%的工人已经把阅读工作文档的任务完全交给AI，而且输出结果可以对照原文页面抽查，无需重新打字。

    已列入: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 未列入: Nova.

    在各自榜单中的名次: Claude: 2 · Meta: 3 · Grok: 6 · Gemini: 2 · Kimi: 3 · DeepSeek: 2 · Qwen: 查看列表

    每个 AI 的看法 7
    • Claude第 2 名

      阅读工作文件本身已是最常被委托的任务之一，占工人的 5.7%。这类输出可以对照原文抽查。

      来源 ↗
    • Meta第 3 名

      借助代码执行做结构化提取——撤销成本低，相比手工复制粘贴大幅节省时间

      来源 ↗
    • Grok第 6 名

      文档任务在 OSWorld 中很常见；当目标结构清晰、输出在下游使用前经过审阅时，提取的成功率很高。

    • Gemini第 2 名

      视觉智能体解析杂乱的多页收据，准确率 89%，只需抽查总额。

      来源 ↗
    • Kimi第 3 名

      最安全的提取工作，因为每个单元格都落在人可以抽查的地方；GPT-6.1 Terra 的发布宣传，正是围绕这种发票和表单的苦活设计的。

      来源 ↗
    • DeepSeek第 2 名

      LlamaParse Agentic 在 ParseBench 上得 84.88 分；人工检查只需抽查两分钟，而不必逐行审核。

      来源 ↗
    • Qwen

      在它自己的列表中名称不同：请打开完整列表。

      查看列表
    7 个 AI 列入此名次
    来源 ↗
  4. 4

    网页调研与浏览

    这个智能体只阅读，不做任何修改。但成绩波动很大：在一项网页浏览基准上为78.0%，在日常任务上只有23.5%，所以来源仍需打开核对。

    已列入: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 未列入: Nova.

    在各自榜单中的名次: Claude: 3 · Meta: 2 · Grok: 2 · Gemini: 3 · Kimi: 5 · DeepSeek: 3 · Qwen: 7

    每个 AI 的看法 7
    • Claude第 3 名

      智能体只收集信息，不改动任何东西。OSWorld 2.0 的报告称，Claude 在动态环境和跨来源推理上表现更好。

      来源 ↗
    • Meta第 2 名

      智能体现在无需监督即可阅读定价页面、比较供应商——WorkArena 网页任务成功率 42.7% 至 55%

    • Grok第 2 名

      微软工作场所 AI 数据中，最主要的用途是决策支持和信息检索（分别为 27.5% 和 13%）；工人本来就乐于把这些交出去。

      来源 ↗
    • Gemini第 3 名

      浏览智能体可稳定汇总多个网站的市场目录，且不存在改动线上数据的风险。

    • Kimi第 5 名

      如今智能体跨标签页收集信息比人快——但有记录的最佳错误率仍是 4.3%，这是幻觉的预算，而不是零。

      来源 ↗
    • DeepSeek第 3 名

      Browser Use Cloud 浏览任务得分 78.0%，但 ClawBench 的日常任务让 Claude Sonnet 4.6 降至 23.5%——核验本身就是工作。

      来源 ↗
    • Qwen第 7 名

      智能体能跨标签页收集数据，但幻觉出来的来源需要人逐行核查事实。

      来源 ↗
    7 个 AI 列入此名次
    来源 ↗
  5. 5

    CRM记录更新

    只有25%的记录工作者用AI做这件事，是十项任务中最低的。基于工具的智能体达到64–84%，而靠屏幕操作的开源智能体在赛富时上得分不到5%。

    已列入: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 未列入: Nova.

    在各自榜单中的名次: Claude: 6 · Meta: 7 · Grok: 7 · Gemini: 7 · Kimi: 7 · DeepSeek: 7 · Qwen: 3

    每个 AI 的看法 7
    • Claude第 6 名

      维护记录的工人中只有 25% 用 AI 做这件事，是所有已测任务中最低的。他们担心记录里会出现无声的错误。

      来源 ↗
    • Meta第 7 名

      WorkArena 的 CRM（客户管理）任务成功率只有 42.7%——需要人工核对，因为客户数据很难撤回

    • Grok第 7 名

      多应用与企业界面工作流仍然更难（WorkArena 列表筛选接近 0%）；只适合低风险字段，并需快速人工复核。

      来源 ↗
    • Gemini第 7 名

      基准准确率 74%，若不审核，每 4 个联系人字段就有 1 个出错，可能影响客户联络。

      来源 ↗
    • Kimi第 7 名

      原子 CRM 编辑通过率 90.3%，但同一 ServiceNow 工作的组合版本却跌至 2.1%——这 88 个点的差距，正是人工检查的存在理由。

      来源 ↗
    • DeepSeek第 7 名

      CRM-Agent-Bench 的严格成功率在 64.32-83.60% 之间，但 SCUBA 的赛富时界面测试显示，开源电脑操作智能体不到 5%——API 与屏幕是两个世界。

      来源 ↗
    • Qwen第 3 名

      智能体能轻松操作多标签页表单，但销售代表在保存前仍会核对关键客户信息。

      来源 ↗
    7 个 AI 列入此名次
    来源 ↗
  6. 6

    报销录入与发票入账

    Fable 5.1录入发票的正确率为72%，最好的人类测试者为51%；但它出错的那28%涉及资金和审计记录。

    已列入: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 未列入: Nova.

    在各自榜单中的名次: Claude: 9 · Meta: 9 · Grok: 查看列表 · Gemini: 9 · Kimi: 9 · DeepSeek: 8 · Qwen: 5

    每个 AI 的看法 7
    • Claude第 9 名

      这是一个小型数据录入任务，涉及报销和审计记录。美国数据录入岗位预计在 2023 至 2033 年间萎缩 25.9%。

      来源 ↗
    • Meta第 9 名

      涉及金钱——需要逐行核对的 90% 准确智能体，一点时间也省不下

      来源 ↗
    • Grok

      在它自己的列表中名称不同：请打开完整列表。

      查看列表
    • Gemini第 9 名

      错误的费用录入会招致审计处罚；68% 的财务人员坚持核对全部收据。

      来源 ↗
    • Kimi第 9 名

      按每小时 $21-22 左右的文员工资计算，对费用条目逐行检查的成本，与手动输入差不多——节省恰好在这里消失。

      来源 ↗
    • DeepSeek第 8 名

      Fable 5.1 通过了 72% 的发票录入任务，超过了 51% 的最佳人类，但那 28% 的失败可能动到资金。

      来源 ↗
    • Qwen第 5 名

      智能体能轻松提取日期和总额，但付款须由人批准，财务部门才会开支票。

      来源 ↗
    7 个 AI 列入此名次
    来源 ↗
  7. 7

    付款、电汇与工资发放

    按每步98%的准确率计算，一个20步的任务从头到尾只有约67%的概率成功。OpenAI、Anthropic和谷歌都建议，涉及资金的操作需要人工批准。

    已列入: Claude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen. 未列入: Nova.

    在各自榜单中的名次: Claude: 10 · Meta: 查看列表 · Grok: 查看列表 · Gemini: 10 · Kimi: 10 · DeepSeek: 10 · Qwen: 10

    每个 AI 的看法 7
    • Claude第 10 名

      即便每步 98%、连续 20 步，端到端成功率也只有约 67%。对于不可撤销的付款，这离安全还差得远。

    • Meta

      在它自己的列表中名称不同：请打开完整列表。

      查看列表
    • Grok

      在它自己的列表中名称不同：请打开完整列表。

      查看列表
    • Gemini第 10 名

      即便精确率达 88%，错误银行路由录入的不可撤销成本，仍迫使人工逐行签核。

      来源 ↗
    • Kimi第 10 名

      90% 的准确率在这里毫无价值——落进银行转账的那 10%，才是所有人记住的部分。

      来源 ↗
    • DeepSeek第 10 名

      无需基准测试：OpenAI、Anthropic 和谷歌都告诉你，涉及资金、条款和凭证的操作，要保留人工审批。

      来源 ↗
    • Qwen第 10 名

      最典型的人在回路中任务：智能体的一次误点，就可能立刻掏空公司资金。

      来源 ↗
    7 个 AI 列入此名次
    来源 ↗
  8. 8

    表单填写（非付款类）

    这是新模型的主打用途，但端到端表单基准测试中，多文件表单得分43.31，只有说明文字的表单得分15.5。每个字段仍需人工检查。

    已列入: Claude, Meta, Gemini, Nova, Kimi, DeepSeek. 未列入: Grok, Qwen.

    在各自榜单中的名次: Claude: 8 · Meta: 8 · Gemini: 4 · Nova · Kimi: 8 · DeepSeek: 5

    每个 AI 的看法 6
    • Claude第 8 名

      即便智能体准确率达 90%，人仍要检查每个字段。按录入员约 $19.88 的时薪中位数计算，这项检查可能抵消全部节省。

      来源 ↗
    • Meta第 8 名

      GPT-6.1 Terra 专为填表设计——比前代高 15 分，但仍有 38% 在靠猜

      来源 ↗
    • Gemini第 4 名

      在 ServiceNow WorkArena 上完成率达 84.8%，减少 70% 的重复手动输入。

      来源 ↗
    • Nova

      在它自己的列表中名称不同：请打开完整列表。

    • Kimi第 8 名

      表单是 Terra 的全部销售卖点——“填写表单”是 OpenAI 自己的例子——但端到端的企业表单工作流，仍是所有基准中最弱的一类。

      来源 ↗
    • DeepSeek第 5 名

      CRAFT 在多文件表单上端到端（E2E）达 43.31，但在纯说明式表单上只有 15.5——表单容易，说明却不容易。

      来源 ↗
    6 个 AI 列入此名次
    来源 ↗
  9. 9

    IT服务门户工单与申请

    单步ServiceNow任务在聚合榜单上达到79.1–90.3%（各快照数据不同）；即使用GPT-4o，服务目录表单也达到了77.8%。

    已列入: Claude, Grok, Gemini, Qwen. 未列入: Meta, Nova, Kimi, DeepSeek.

    在各自榜单中的名次: Claude: 5 · Grok: 4 · Gemini: 6 · Qwen: 6

    每个 AI 的看法 4
    • Claude第 5 名

      在 WorkArena-L1 上，一个汇总页面显示顶尖智能体约 79.1%，同一快照中 L2 最佳约 69.4%。所有较老的模型在列表筛选上得分为 0%。

      来源 ↗
    • Grok第 4 名

      WorkArena 服务目录任务，GPT-4o 级模型约达 78%；界面常规，错误也容易发现。

      来源 ↗
    • Gemini第 6 名

      WorkArena 得分显示，在内部事件分派上准确率为 79.5%，且不会暴露面向客户的沟通内容。

      来源 ↗
    • Qwen第 6 名

      WorkArena 上的端到端成功率在密码重置上很稳，但硬件申请仍需人工批准。

    4 个 AI 列入此名次
    来源 ↗
  10. 10

    多应用工作流

    最难的情况：OSWorld 2.0上最好的严格完整完成率为48.7%，由Anthropic自报；而论文中官方最好的一次运行只完成了20.6%。

    已列入: Claude, Meta, DeepSeek, Qwen. 未列入: Grok, Gemini, Nova, Kimi.

    在各自榜单中的名次: Claude: 7 · Meta: 10 · DeepSeek: 9 · Qwen: 查看列表

    每个 AI 的看法 4
    • Claude第 7 名

      OSWorld 2.0 报告把多应用工作称为最难的情形，一个任务可涉及多达五个应用。最佳完全完成率为 48.7%（Anthropic 报告）。

      来源 ↗
    • Meta第 10 名

      OSWorld 2.0 中位数 1.6 小时，318 次工具调用——短任务完全完成率 20-24%，长任务则崩盘

      来源 ↗
    • DeepSeek第 9 名

      OSWorld 2.0 最佳智能体完整完成了 108 个多应用工作流中的 20.6%，这些工作流平均需要 318 次工具调用——五分之四仍需人工介入。

      来源 ↗
    • Qwen

      在它自己的列表中名称不同：请打开完整列表。

      查看列表
    4 个 AI 列入此名次
    来源 ↗

前三名详解 ↓

02前三名详解

榜单在上方。这里进一步介绍排名前三的对象：它们是什么、为什么上榜、有哪些值得了解的事。

三者用的尺子不同：没有任何基准测试只看文件整理，另外两项基于不同的调查和测试，口径也不一样。

1文件分类与重命名

第 1 名 — 文件分类与重命名. 8 个 AI 中有 8 个将其列入榜单；在其中的中位名次：1. 出错一眼可见，把文件拖回去就能撤销，检查只需几秒钟。

你知道吗

  • 2026 年 2 月，一位风险投资人称，他让一个 AI 代理整理妻子的桌面，结果它删掉了一个装有约 15 年家庭照片的文件夹。他说，苹果公司的客服通过 iCloud 把照片找了回来。数据库将此记为一项指控。

    来源 ↗
它是什么
让 AI 代理把文件放进文件夹并重命名。
它的优势
三者中，它的错误最容易看出，也最容易撤销。
谁应该了解
对文件杂乱的人有用：它显示了哪里最适合先交给 AI 试一试。
  • 交给 AI 最安全拖回即可撤销
为什么上榜

  • 没有基准测试只针对文件整理。最接近的标尺是 OSWorld 测试，它检验整台电脑上的完整任务，其中包括文件操作：在这项早期测试中，人类完成了超过 72.36% 的任务，而最好的 AI 只完成了 12.24%。

    来源 ↗

  • 在 2026 年的一项调查中，20% 的在职成年人表示，AI 现在能处理他们曾经交给同事或外包人员的至少一项任务。这项调查没有给出文件整理的数字，但那里的错误很容易看到，也容易撤销。

    来源 ↗
历史

  • 1981 年，施乐推出了 Star，这是一台像办公室一样使用桌面屏幕的电脑。它售价 16,595 美元，因此目标是大企业。据报道，它仍卖出了“数万台”。

    来源 ↗
需要注意

  • 排名第一靠的是容易撤销，但有篇文章指出，读取操作可以撤销，而重命名、移动和删除则不行。文章还补充说，整理测试文件夹时效果很好；真正的麻烦出现在真实的账户里。

    来源 ↗

  • 同一篇文章警告说，出错的代理可能把四十个文件重命名错，或者把错误的文档分享给客户。文章认为，删除类操作需要安全带，所以在让它运行之前，先检查预览。

    来源 ↗
进一步了解

  • 在一份杂乱文件夹的副本上试试访达的批量重命名。选中文件，右键，选择“重命名”，然后选“格式”来添加序号。如果结果不对，按 Command-Z 撤销。

    来源 ↗
比较前三名 ↓

2表格整理与数据分析

第 2 名 — 表格整理与数据分析. 8 个 AI 中有 8 个将其列入榜单；在其中的中位名次：4. 这是人们最常完全交给 AI 处理的任务，但各项基准测试的结果差异很大，所以结果需要核对。

你知道吗

  • 2025 年 12 月，Simular 称其 Agent S 在 OSWorld 上的成功率达到 72.6%，略高于 72.36% 的人类基准。这是该公司自己的公告，而人类的数字是在原始设置下测得的。

    来源 ↗
它是什么
让 AI 代理整理电子表格并分析其中的数据。
它的优势
完全交出去的人，比另外两项任务都多。
谁应该了解
对处理数字的人有用：它表明大型表格任务仍然经常失败。
  • 交给 AI 最安全7.1% 完全交给 AI 处理
为什么上榜

  • 在受访者中，分析数据是工作者最常完全交给 AI 处理的任务：占 7.1%。这超过了阅读工作文档的 5.7%。在做数据分析的人中，46% 用 AI 来做这件事。

    来源 ↗

  • 大型电子表格任务难得多。在 MBABench 2.0 上，101 道金融专家任务中，表现最好的 AI 方案通过了 15.8%（101 题中的 16 题）。其他大多数方案得分在 8% 或以下。

    来源 ↗
历史

  • 1978 年，丹·布里克林看着一位哈佛教授在黑板上擦掉数字，于是想到电脑也能做这件事。VisiCalc 于 1979 年发布，据报道，当年售出的 Apple II 中，有超过 25% 用的是它。

    来源 ↗
需要注意

  • 在同一项测试中，ChatGPT 放弃了，让作者自己做分析。即使代理完成了任务，在使用之前也要把它的合计数与原始数据核对。

    来源 ↗
人们怎么说

  • And to my surprise, I discovered that not a single partner mention count done by ChatGPT was right. — Rolf Mistelbacher

    来源 ↗
进一步了解

  • 阅读谷歌表格“探索”面板如何用数据透视表回答简单问题。先从一张小样本表开始，并在信任每个答案之前，对照原始行数据核对。

    来源 ↗
比较前三名 ↓

3PDF和文档数据提取

第 3 名 — PDF和文档数据提取. 8 个 AI 中有 7 个将其列入榜单；在其中的中位名次：2.5. 许多工作者已经把这件事交出去了，而且输出结果可以对照原始页面抽查，不必重新手打。

你知道吗

  • Adobe 自己的董事会曾试图取消 PDF 格式的开发。早期采用进展缓慢。Adobe Acrobat 并不免费，不过从 2.0 版起阅读器是免费的。

    来源 ↗
它是什么
让 AI 代理从 PDF、表格和发票中提取数据。
它的优势
每个结果都能与原始页面对照，因此检查起来很快。
谁应该了解
对处理文书的人有用：它显示了哪些部分（比如表格）需要更仔细地查看。
  • 交给 AI 最安全5.7% 完全交给 AI 处理
为什么上榜

  • 在阅读工作文档的工作者中，39% 用 AI 来做这件事，而做数据分析的为 46%。完全交出去的比例为 5.7%，低于数据分析的 7.1%，所以人们仍然自己检查这类工作。

    来源 ↗

  • 在一项独立测试中，AWS Textract 正确读取发票字段的比例为 91.3%。表格解析则较弱：GPT-4o 和谷歌 Document AI 都只得了 38.5%，所以表格是需要对照原页面检查的部分。

    来源 ↗
历史

  • 1990 年，Adobe 联合创始人约翰·沃诺克撰写了“Camelot”论文，提出把纸质页面变成数字文件的计划。它后来成为 PDF，于 1993 年 6 月 15 日正式推出。

    来源 ↗
需要注意

  • 一位 UiPath 用户发现某张发票上工具出现了幻觉，并怀疑它是把费率和工时从前面的明细项里拿来的。要逐个数字对照原始页面检查，而不是只抽查几个。

    来源 ↗ ✓ 多个 AI 共同确认

  • 一项对五款 AI 模型在发票和表格上的测试发现，有些模型表现出色，另一些则会虚构总额或忽略表头。结果因工具而差异很大。

    来源 ↗
比较前三名 ↓

前三名对比

文件分类与重命名表格整理与数据分析PDF和文档数据提取
进入 AI 榜单8 / 88 / 87 / 8
交给 AI 最安全拖回即可撤销7.1% 完全交给 AI 处理5.7% 完全交给 AI 处理
排第一的 AIClaude, Meta, Grok, Gemini, Kimi, DeepSeek, Qwen——

AI 数量相同的名次，按其在各 AI 榜单中的平均名次排序。

更多榜单

03值得了解

AI 在编制榜单时注意到的内容。

工人并没有把智能体在基准测试中最拿手的事交出去：在完全委托中，数据分析（7.1%）和文档阅读（5.7%）领先，而做记录的人中只有25%用AI。

提及者:
已列入: Claude. 未列入: Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.
来源 ↗

单步和多步结果来自不同的智能体和不同年份：WorkArena-L1榜单上约为79–90%，而GPT-4o在2024年的WorkArena++任务上只有2.1%，人类完成率为93.9%。

提及者:
已列入: Claude, Grok, Kimi, DeepSeek, Qwen. 未列入: Meta, Gemini, Nova.
来源 ↗

信任落后于使用：只有27%的员工强烈同意，自己愿意把任务交给AI智能体。

提及者:
已列入: Kimi. 未列入: Claude, Meta, Grok, Gemini, Nova, DeepSeek, Qwen.
来源 ↗

各项调查对AI工作需要返工的程度说法不一：Epoch/益普索的调查发现，66%的产出被原样使用或只做少量修改；而Asana的调查发现，54%的工人需要重做或更正。

提及者:
已列入: Claude. 未列入: Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.
来源 ↗

等待也是成本的一部分：一项研究中，智能体花了12分钟修改行距，而一个人几分钟就能做完这件事。

提及者:
已列入: Claude. 未列入: Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.
来源 ↗

04大家常问的问题

AI智能体能做什么？

它们能整理文件、从PDF中提取数据、做网页调研，并处理单步IT门户任务，在聚合榜单上的成功率为79–90%。长流程、多应用工作上最高的严格完成率仍是48.7%。

来源 ↗
哪些办公任务可以交给AI智能体？

从可逆的任务开始，比如文件整理和文档阅读，已有5.7%的工人把这类任务完全交给了AI。CRM记录、报销和付款仍需人工复核。

来源 ↗
如何用AI创建自动化任务？

选一个范围窄、结果可核查的任务，用GPT-6.1 Terra这类电脑操作模型（每百万token 1美元/5美元），限定步数和花费上限，凡是涉及钱的操作都要求批准。

来源 ↗
为什么智能体在办公任务上的基准得分差距这么大？

它们测试的界面和任务长度不同：CRM智能体通过API时得分为64–84%，但在屏幕上操作赛富时时不到5%。

来源 ↗

05我们如何统计

用大白话讲，不用公式。

1问题

今天AI智能体能接手的十项办公任务，以及仍需人工复核的任务

2为什么选这个话题

把实验室的成功率与工人真正敢交给智能体的事情对照，并考虑检查所需的时长，就能看出读者现在哪些日常任务可以交出去。没有任何单一基准或调查能说明这一点。

3适用范围

全球办公与知识工作：表单填写、表格、CRM更新、PDF提取、文件整理、报销录入、网页浏览和多应用工作流

4考量标准

  • 各类任务在基准测试中的智能体成功率（OSWorld分类、WorkArena）
  • 已把该类任务完全交给AI，或拒绝这样做的工人占比
  • 人工检查和修正智能体工作所花的时间，与手工完成该任务相比
  • 出错的代价：任务是否涉及钱、客户数据或难以撤销的记录
  • OSWorld 2.0（XLang Lab，Snorkel的文章）——长流程桌面和多应用工作的成功与失败模式；未公布各类别的百分比
  • WorkArena（ServiceNow Research，原始论文）——企业网页工作流的端到端成功率：GPT-4o约42.7%，列表筛选为0%
  • WorkArena-L1榜单快照（聚合站）——第三方BrowserGym导入的单步ServiceNow任务；未核对原始来源
  • Epoch AI / 益普索调查（2026年7月）——1,106名美国工人中，完全把十项任务中每一项交给AI的占比

5谁来排名

领先的 AI：Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen。每个 AI 独立编制自己的十项榜单，并为每个名次注明来源。

6名次如何确定

不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前，它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的，没有任何人工添加。

06各个 AI 的单独榜单

🇺🇸 Claude10 个名次 · 4 条备注

同一个问题，仅由 Claude 回答。上方的最终榜单综合了所有 AI。

  1. 1
    分类、重命名和归档文档

    这里出错通常可以撤销，而且一眼就能看出。因此即便成功率一般，也很安全，因为检查只需几秒。

    来源 ↗
  2. 2
    阅读文档并从PDF中提取数据

    阅读工作文件本身已是最常被委托的任务之一，占工人的 5.7%。这类输出可以对照原文抽查。

    来源 ↗
  3. 3
    网页调研与浏览

    智能体只收集信息，不改动任何东西。OSWorld 2.0 的报告称，Claude 在动态环境和跨来源推理上表现更好。

    来源 ↗
  4. 4
    表格分析与整理（草稿、公式）

    数据分析是被委托最多的单项任务，占工人的 7.1%；但较早的 OfficeWorld 测试显示，基线模型在 Word、Excel 和 PowerPoint 任务上只有约 21-23%。

    来源 ↗
  5. 5
    常规IT门户任务与工单

    在 WorkArena-L1 上，一个汇总页面显示顶尖智能体约 79.1%，同一快照中 L2 最佳约 69.4%。所有较老的模型在列表筛选上得分为 0%。

    来源 ↗
  6. 6
    CRM记录更新（非财务字段）

    维护记录的工人中只有 25% 用 AI 做这件事，是所有已测任务中最低的。他们担心记录里会出现无声的错误。

    来源 ↗
  7. 7
    多应用工作流（在多个工具之间复制数据）

    OSWorld 2.0 报告把多应用工作称为最难的情形，一个任务可涉及多达五个应用。最佳完全完成率为 48.7%（Anthropic 报告）。

    来源 ↗
  8. 8
    表单填写（非资金类：注册、调查、申请）

    即便智能体准确率达 90%，人仍要检查每个字段。按录入员约 $19.88 的时薪中位数计算，这项检查可能抵消全部节省。

    来源 ↗
  9. 9
    报销录入与报告

    这是一个小型数据录入任务，涉及报销和审计记录。美国数据录入岗位预计在 2023 至 2033 年间萎缩 25.9%。

    来源 ↗
  10. 10
    涉及资金流动的表单（付款、发票、工资、银行转账）

    即便每步 98%、连续 20 步，端到端成功率也只有约 67%。对于不可撤销的付款，这离安全还差得远。

Claude 注意到的内容

最常被委托的任务，并不是智能体在基准测试中表现最好的。工人交出的有数据分析（7.1%）、文件阅读（5.7%）和记录保存（5.3%），而维护记录的人中只有 25% 用 AI 做这件事。

来源 ↗

单步可靠性会逐步累积。每步 98%、连续 20 步，端到端约 67%；而 OSWorld 2.0 任务平均超过 300 步。

来源 ↗

为一次行距调整运行 12 分钟的智能体，展示了节省的另一面：省下的时间，可能花在等待智能体和检查它的工作上。

来源 ↗

这项研究中流传的一个实务者观点是，后台工作“不能按曲线打分”。如果每个输出都要人来审核，那就什么劳动都没省。

来源 ↗
🇺🇸 Meta10 个名次 · 2 条备注

同一个问题，仅由 Meta 回答。上方的最终榜单综合了所有 AI。

  1. 1
    文件分类与整理

    出错成本为零——准确率 60% 的智能体，也比 $41,340 的数据录入中位数更省时间

    来源 ↗
  2. 2
    网页浏览与资料搜集

    智能体现在无需监督即可阅读定价页面、比较供应商——WorkArena 网页任务成功率 42.7% 至 55%

  3. 3
    PDF数据提取

    借助代码执行做结构化提取——撤销成本低，相比手工复制粘贴大幅节省时间

    来源 ↗
  4. 4
    表格格式与公式

    OSWorld 1.0 每任务 30 次工具调用，2.0 为 318 次——简单的表格编辑，如今接近 72.36% 的人类基准

    来源 ↗
  5. 5
    文档编辑与格式转换

    OpenAI 称，GPT-6.1 Terra 擅长技术交流，能起草方案、解读图纸

    来源 ↗
  6. 6
    邮件起草与摘要

    38% 的在职成年人用聊天机器人处理工作任务——委托比例最高，出错成本低

    来源 ↗
  7. 7
    CRM数据录入与更新

    WorkArena 的 CRM（客户管理）任务成功率只有 42.7%——需要人工核对，因为客户数据很难撤回

  8. 8
    表单填写（非财务类）

    GPT-6.1 Terra 专为填表设计——比前代高 15 分，但仍有 38% 在靠猜

    来源 ↗
  9. 9
    报销报告与发票录入

    涉及金钱——需要逐行核对的 90% 准确智能体，一点时间也省不下

    来源 ↗
  10. 10
    涉及资金或客户数据的多应用工作流

    OSWorld 2.0 中位数 1.6 小时，318 次工具调用——短任务完全完成率 20-24%，长任务则崩盘

    来源 ↗

Meta 注意到的内容

整理文件可以排在填表之上：准确率 60% 但撤销成本为零，而准确率 90% 的转账表单必须人工全面核对

来源 ↗

BLS OEWS（美国劳工统计局职业就业统计）：数据录入中位数 $41,340，约 $20/小时——智能体一次缓存后 $0.31，决定价值的是检查时间，而非 token 价格

来源 ↗
🇺🇸 Grok10 个名次 · 3 条备注

同一个问题，仅由 Grok 回答。上方的最终榜单综合了所有 AI。

  1. 1
    文件分类与整理（2026年）

    文件管理是 OSWorld 上成功率最高的类别之一；出错成本低、视觉检查容易，即便成功率一般也适合交给智能体。

    来源 ↗
  2. 2
    信息收集与调研（2026年）

    微软工作场所 AI 数据中，最主要的用途是决策支持和信息检索（分别为 27.5% 和 13%）；工人本来就乐于把这些交出去。

    来源 ↗
  3. 3
    非关键性起草与摘要（2026年）

    起草文本和摘要是最常见的 AI 任务之一；检查很快，内部草稿的出错成本低。

    来源 ↗
  4. 4
    简单的服务目录与常规表单填写（2026年）

    WorkArena 服务目录任务，GPT-4o 级模型约达 78%；界面常规，错误也容易发现。

    来源 ↗
  5. 5
    从结构化数据源录入表格（2026年）

    LibreOffice Calc 任务在 OSWorld-Verified 上，顶尖智能体得分很高；但涉及公式或多表逻辑时，仍需抽查。

    来源 ↗
  6. 6
    非财务记录的PDF和文档提取（2026年）

    文档任务在 OSWorld 中很常见；当目标结构清晰、输出在下游使用前经过审阅时，提取的成功率很高。

  7. 7
    非关键CRM字段更新（2026年）

    多应用与企业界面工作流仍然更难（WorkArena 列表筛选接近 0%）；只适合低风险字段，并需快速人工复核。

    来源 ↗
  8. 8
    基础邮件分类与日常回复（2026年）

    Thunderbird 类任务在 Verified 榜单上得分不错；工人已用 AI 起草邮件，但私人或敏感邮件仍需人来看一眼。

    来源 ↗
  9. 9
    报销与费用录入（2026年）

    常见于 OSWorld 2.0 长流程；部分进展很多，但完全完成率低，单个错误就可能动到资金或引发审计问题。

    来源 ↗
  10. 10
    涉及资金流动或更新正式记录的表单（2026年）

    即便准确率达 90%，也可能需要逐行检查，把节省的时间全部抵消；很多系统中出错成本高，且无法撤回。

    来源 ↗

Grok 注意到的内容

微软 Work Trend Index 数据显示，决策和信息检索在 AI 使用中占主导，纯任务自动化所占比例较小；工人仍把 AI 的输出当作起点。

来源 ↗

WorkArena++ 的综合企业任务几乎仍未解决（GPT-4o 约 2.1%，人类 93.9%），因此多步的客户管理或 IT 工作流仍需大量人工监督。

来源 ↗

普通知识工作者大量时间花在“给机器人当保姆”上（检查和修正）；对于高风险任务，检查时间可能抵消速度上的收益。

来源 ↗
🇺🇸 Gemini10 个名次 · 3 条备注

同一个问题，仅由 Gemini 回答。上方的最终榜单综合了所有 AI。

  1. 1
    本地文件分类与文件夹归档

    基准成功率 92%，再配上零成本的撤销指令，可节省 85% 的人工文员时间。

    来源 ↗
  2. 2
    PDF和发票数据提取到表格

    视觉智能体解析杂乱的多页收据，准确率 89%，只需抽查总额。

    来源 ↗
  3. 3
    网页调研与价格比较汇总

    浏览智能体可稳定汇总多个网站的市场目录，且不存在改动线上数据的风险。

  4. 4
    根据草稿文件填写标准网页表单

    在 ServiceNow WorkArena 上完成率达 84.8%，减少 70% 的重复手动输入。

    来源 ↗
  5. 5
    表格清理与公式标准化

    在 81% 的表格中自动完成字符串修剪和表头匹配，但语法异常仍需验证。

    来源 ↗
  6. 6
    IT服务工单分派与分类

    WorkArena 得分显示，在内部事件分派上准确率为 79.5%，且不会暴露面向客户的沟通内容。

    来源 ↗
  7. 7
    CRM线索补充与联系人更新

    基准准确率 74%，若不审核，每 4 个联系人字段就有 1 个出错，可能影响客户联络。

    来源 ↗
  8. 8
    跨外部客户的多日历排期

    跨日历推理在 32% 的边缘情况下失败（时区、邀请），需要谨慎的人工审核。

  9. 9
    公司报销提交

    错误的费用录入会招致审计处罚；68% 的财务人员坚持核对全部收据。

    来源 ↗
  10. 10
    直接发票付款与电汇录入

    即便精确率达 88%，错误银行路由录入的不可撤销成本，仍迫使人工逐行签核。

    来源 ↗

Gemini 注意到的内容

有即时“撤销”或影响范围孤立的任务，平均每次节省 14 分钟；而高风险的会计流程，因必需的审计，实际净节省为 0 分钟。

来源 ↗

据微软 Work Trend Index 显示，85% 的工人乐于委托数据整理和分类，但涉及资金转账时，超过 80% 的人拒绝自主执行。

来源 ↗

按美国劳工统计局（BLS）文员时薪中位数 $21.40 计算，每次运行成本 $0.18 的智能体，在文件与文档处理任务上可降低 95% 的成本。

来源 ↗
🇨🇳 Kimi10 个名次 · 4 条备注

同一个问题，仅由 Kimi 回答。上方的最终榜单综合了所有 AI。

  1. 1
    文件分类与文件夹整理

    唯一一类出错只需几秒就能修好的任务——文件命名错、文件夹放错，都看得见、可撤销，而且智能体在 OSWorld 文件任务上已达到基准中的最高水平之一。

    来源 ↗
  2. 2
    文档、邮件和方案的初稿

    58% 的 AI 用户说，他们现在做出的成果，一年前根本做不出来；而微软指数显示，起草文字正是被委托最多的任务。

    来源 ↗
  3. 3
    PDF数据提取到电子表格

    最安全的提取工作，因为每个单元格都落在人可以抽查的地方；GPT-6.1 Terra 的发布宣传，正是围绕这种发票和表单的苦活设计的。

    来源 ↗
  4. 4
    表格清理（格式、去重、公式填充）

    单应用表格工作是基准数字最强的地方——WorkArena-L1 顶尖智能体通过了 90.3% 的原子企业任务。

    来源 ↗
  5. 5
    网页调研与多标签页浏览摘要

    如今智能体跨标签页收集信息比人快——但有记录的最佳错误率仍是 4.3%，这是幻觉的预算，而不是零。

    来源 ↗
  6. 6
    邮件分拣与回复草稿

    整理收件箱是委托的入门——但仍有四分之一的工人断然拒绝 AI，因此瓶颈是信任，而不是能力。

    来源 ↗
  7. 7
    CRM和IT门户记录更新

    原子 CRM 编辑通过率 90.3%，但同一 ServiceNow 工作的组合版本却跌至 2.1%——这 88 个点的差距，正是人工检查的存在理由。

    来源 ↗
  8. 8
    内部表单填写（非资金类）

    表单是 Terra 的全部销售卖点——“填写表单”是 OpenAI 自己的例子——但端到端的企业表单工作流，仍是所有基准中最弱的一类。

    来源 ↗
  9. 9
    报销单录入

    按每小时 $21-22 左右的文员工资计算，对费用条目逐行检查的成本，与手动输入差不多——节省恰好在这里消失。

    来源 ↗
  10. 10
    发票审批与付款处理

    90% 的准确率在这里毫无价值——落进银行转账的那 10%，才是所有人记住的部分。

    来源 ↗

Kimi 注意到的内容

委托悖论：58% 的 AI 用户说，他们现在能做出一年前做不到的成果，但只有 27% 强烈同意自己放心把任务交给智能体——能力已经跑在信任前面，还有 26% 的工人承认在暗中回避 AI。

来源 ↗

同一平台上的 88 点断崖：智能体通过 90.3% 的 WorkArena-L1 ServiceNow 原子任务，却只通过 2.1%（GPT-4o）的 WorkArena++ 组合工作流，而人类能拿到 93.9%——“智能体能替我做 CRM”，一次只对一个字段成立，而不是一次对一整个工作流。

来源 ↗

核对本身有市场价：数据录入文员的 BLS 年薪中位数约为 $43,310-$45,930，凡是核对所需时间与亲自做完一样长的任务——费用、发票、涉及资金的表单——按当前智能体的准确率，都省不下什么。

来源 ↗

表单填写是最新模型的旗舰用途，也是最缺乏验证的：GPT-6.1 Terra 今天发布，以表单为卖点，而最有力的已公布企业证据（WorkArena++）显示，多标签页表单工作流是所有受测智能体中最弱的类别。

来源 ↗
🇨🇳 DeepSeek10 个名次 · 1 条备注

同一个问题，仅由 DeepSeek 回答。上方的最终榜单综合了所有 AI。

  1. 1
    文件分类与重命名

    唯一一个准确率 34% 的智能体也能省时间的任务：放错的文件夹只需拖回去撤销，不必重新录入。

  2. 2
    PDF数据提取

    LlamaParse Agentic 在 ParseBench 上得 84.88 分；人工检查只需抽查两分钟，而不必逐行审核。

    来源 ↗
  3. 3
    网页浏览与调研

    Browser Use Cloud 浏览任务得分 78.0%，但 ClawBench 的日常任务让 Claude Sonnet 4.6 降至 23.5%——核验本身就是工作。

    来源 ↗
  4. 4
    日程安排

    Copilot 的聊天中只有 0.4% 是日历工作，而日程安排智能体仍有 35% 的错误率——风险低，信任也低。

    来源 ↗
  5. 5
    表单填写（非付款类）

    CRAFT 在多文件表单上端到端（E2E）达 43.31，但在纯说明式表单上只有 15.5——表单容易，说明却不容易。

    来源 ↗
  6. 6
    表格数据录入与清理

    顶尖表格智能体通过 MBABench-2.0 任务的 16%，调试准确率为 12%，因此每个单元格都需要第二双眼睛。

    来源 ↗
  7. 7
    CRM更新

    CRM-Agent-Bench 的严格成功率在 64.32-83.60% 之间，但 SCUBA 的赛富时界面测试显示，开源电脑操作智能体不到 5%——API 与屏幕是两个世界。

    来源 ↗
  8. 8
    报销录入与发票入账

    Fable 5.1 通过了 72% 的发票录入任务，超过了 51% 的最佳人类，但那 28% 的失败可能动到资金。

    来源 ↗
  9. 9
    多应用工作流

    OSWorld 2.0 最佳智能体完整完成了 108 个多应用工作流中的 20.6%，这些工作流平均需要 318 次工具调用——五分之四仍需人工介入。

    来源 ↗
  10. 10
    付款审批、电汇与条款确认

    无需基准测试：OpenAI、Anthropic 和谷歌都告诉你，涉及资金、条款和凭证的操作，要保留人工审批。

    来源 ↗

DeepSeek 注意到的内容

顶尖表格智能体通过 MBABench-2.0 任务的 16%，调试准确率为 12%。需要逐行检查的表格智能体，可能一点时间也省不下。

来源 ↗
🇨🇳 Qwen10 个名次 · 2 条备注

同一个问题，仅由 Qwen 回答。上方的最终榜单综合了所有 AI。

  1. 1
    文件分类与重命名

    成功率高，财务风险为零；出错也只是把文件移回原来的文件夹。

    来源 ↗
  2. 2
    表格格式设置

    智能体擅长整理结构，Excel 的撤销按钮让人工检查毫不费力。

    来源 ↗
  3. 3
    常规CRM数据录入

    智能体能轻松操作多标签页表单，但销售代表在保存前仍会核对关键客户信息。

    来源 ↗
  4. 4
    会议记录摘要

    几乎没有不可逆损害的风险，工人乐于把这项工作交出去，省下几个小时听录音的时间。

    来源 ↗
  5. 5
    报销收据提取（PDF）

    智能体能轻松提取日期和总额，但付款须由人批准，财务部门才会开支票。

    来源 ↗
  6. 6
    IT服务门户工单处理

    WorkArena 上的端到端成功率在密码重置上很稳，但硬件申请仍需人工批准。

  7. 7
    多应用调研与浏览

    智能体能跨标签页收集数据，但幻觉出来的来源需要人逐行核查事实。

    来源 ↗
  8. 8
    客户支持邮件起草

    智能体能写出礼貌的回复，但对愤怒客户的语气不当，可能失去一个大客户。

    来源 ↗
  9. 9
    工资与福利更新

    即便是准确率 90% 的智能体也太冒险：一个错误数字就意味着美国国税局（IRS）罚款和员工怨声。

    来源 ↗
  10. 10
    电汇与供应商付款

    最典型的人在回路中任务：智能体的一次误点，就可能立刻掏空公司资金。

    来源 ↗

Qwen 注意到的内容

微软 Work Trend Index 2026 显示：工人乐于把总结和排版交给 AI，却坚决不让它碰涉及资金或人力资源记录的任务。

来源 ↗

WorkArena++ 测试了 682 个企业工作流，证明智能体擅长单应用数据录入，但任务需要在 CRM、电子邮件和表格之间切换时，表现会大幅下滑。

来源 ↗