2026 年 3 月 27 日，Scale AI 与 Center for AI Safety 联合发布了一份改变游戏规则的基准测试报告。当所有人都在喊”AI 将取代大部分工作”时，这份报告给出了一个冰冷的数字：目前最强的 AI Agent，只能自动化 2.5% 的远程工作任务。这个数字不是安慰剂，而是一面照妖镜。

一个让整个行业沉默的数字

2026 年 3 月 27 日，Scale AI 与 Center for AI Safety (CAIS) 联合发布了一份名为 Remote Labor Index (RLI) 的基准测试报告。这不是又一个”AI 能答对多少考试题”的排行榜——RLI 做了一件此前没有机构敢做的事情：它直接测量了”如果你把一个真实远程工作者一周的完整任务清单交给当前最强的 AI Agent，它到底能完成多少”。

结果是 2.5%。

具体来说，在 RLI 的综合测试中，所有参测的前沿 AI Agent 的平均自动化完成率为 2.5%。其中表现最好的是 Anthropic 的 Claude Opus 4.6 CoWork 模式，达到了 4.17%；OpenAI 的 GPT-5.4 Agent 模式紧随其后；Google 的 Gemini-3 Agent 排在第三。但即便是冠军，也不过刚刚超过 4%。

这个数字的发布时间极其微妙。就在前一天，B2BDaily 发布调查显示 59% 的雇主计划因 AI 减少人员编制。就在同一周，美国劳工统计局公布 2026 年 1 月裁员人数达到 108,435 人——同比暴增 118%，创下 2009 年金融危机以来的最高纪录。Amazon 裁 1.6 万人，UPS 裁 3 万人，Dow Chemical 裁 4,500 人，Epic Games 裁掉了 20% 的员工。

一边是 2.5% 的冰冷自动化率，一边是 10.8 万人的热血裁员。这道悖论，才是 RLI 报告真正令人不安之处。

(来源: Scale AI Labs, RLI Report, 2026-03-27)

RLI 的方法论：为什么这次不同

在 RLI 之前，关于 AI 对就业影响的研究大致可以分为三类，每一类都有致命缺陷。

第一类是”任务级评估”——测试 AI 能不能写邮件、能不能生成代码、能不能做翻译。这类研究的问题在于，它测量的是孤立的子任务，然后线性外推到整个职业。一个 AI 能写出不错的邮件回复，不意味着它能理解这封邮件背后的办公室政治、预算博弈和人际关系。麻省理工学院 (MIT) 的 David Autor 教授在 2024 年的论文中就批评过这种方法论：”你不能因为 AI 能完成一个护士 30% 的文书工作，就说护士被替代了 30%。”

第二类是”经济模型预测”——Goldman Sachs 说 3 亿个工作岗位受影响，McKinsey Global Institute 说 4 到 8 亿工人需要转岗，世界经济论坛 (WEF) 说 8500 万个岗位将被淘汰。这些数字基于经济学模型和历史类比，听起来很权威，但缺乏实证基础。没有人真的让 AI 去做一周的工作，然后测量结果。

第三类是”企业自报告”——问企业”你觉得 AI 能替代多少工作”。B2BDaily 的 59% 雇主计划减员、Forrester 的 55% 企业后悔裁员，都属于这一类。自报告的问题是认知偏差：CEO 可能高估了 AI 的能力（为了在董事会显得前瞻），也可能低估了裁员的后果（直到发现组织知识随人流失）。

RLI 的方法论打破了这三类的局限。Scale AI 的团队做了以下几件关键的事情：

首先，他们收集了真实远程工作者的一周完整任务日志——不是精心挑选的”AI 友好型”任务，而是工作者实际做的所有事情，包括那些模糊的、混乱的、需要人际判断的任务。这些任务来自客服、项目管理、市场营销、数据分析、行政协调等多个岗位类别。

其次，他们让 AI Agent 在与真实工作者相同的工具环境中操作——包括 Slack、Gmail、Google Docs、Jira、Salesforce 等企业常用工具。Agent 不是在实验室里答题，而是在真实的企业软件栈中工作。

第三，评判标准是端到端的任务完成度，而非单步操作的准确率。一封邮件的回复不仅要”正确”，还要”恰当”——语气、时机、抄送对象、跟进行动，每一个环节都要对。

第四，他们设计了分级评估：完全自动化（AI 独立完成）、部分自动化（AI 完成大部分，人类做最后检查）、辅助完成（AI 提供草稿或建议，人类大幅修改）、无法完成（AI 的输出不可用）。2.5% 指的是”完全自动化”的比例。如果算上”部分自动化”，数字会升到约 8-12%，但这意味着仍然需要一个人类在环路中。

(来源: Scale AI Labs, RLI Methodology, 2026-03-27)

Humanity’s Last Exam：考试满分生做不了实际工作

Scale AI 同一天更新的 Humanity’s Last Exam (HLE) 排行榜，提供了一个绝佳的对比视角。HLE 是由全球顶尖学者贡献的”人类最难考试”，涵盖数学前沿、理论物理、分子生物学、法理学、哲学等领域。2026 年 3 月最新排名如下：

排名 模型 HLE 得分 RLI 自动化率
1 GPT-5.4-pro 45.32% ~3.8%
2 Gemini-3-pro-preview 37.72% ~3.2%
3 GPT-5.4 36.47% ~3.5%
4 Claude Opus 4.6 thinking 36.24% 4.17%*

*注：Claude Opus 4.6 在 RLI 上排名第一，尽管在 HLE 上排名第四。

把这两组数字放在一起看，信息量爆棚：GPT-5.4-pro 在考试中答对了将近一半的”人类最后的考试题”，但在真实工作中的自动化率不到 4%。Claude Opus 4.6 在考试中排第四，却在工作中排第一。

这意味着什么？

这意味着”会考试”和”会工作”是两种完全不同的能力。考试是结构化的——有明确的问题边界、有限的答案空间、确定的评判标准。你读题、思考、作答，一切都在预设的框架内。

但工作是混沌的。”帮我处理一下那个客户的情况”——什么客户？什么情况？处理到什么程度？有没有预算限制？上次谁跟客户吵过？客户的心理价位大概是多少？这些信息分散在邮件、Slack 消息、CRM 系统、还有某个同事上周在茶水间聊的八卦里。

Anthropic 的 Claude Opus 4.6 在 RLI 上的领先，恰恰印证了 Anthropic 在产品设计上的一个哲学选择：他们更关注”有用性”（usefulness）而非”聪明程度”（intelligence）。Claude 的 CoWork 模式被设计为一个长期运行的工作伙伴，而不是一个回答问题的机器。这种设计哲学在 HLE 上不会带来优势（因为 HLE 测的就是纯粹的聪明程度），但在 RLI 上却产生了显著差异。

这也解释了为什么 Anthropic 在估值 $380B 的基础上计划于 2026 年 10 月 IPO（与 Goldman Sachs 和 JPMorgan 接洽中）——投资者押注的不是”最聪明的 AI”，而是”最能干活的 AI”。

(来源: Scale AI Leaderboard, 2026-03-27; NewsBytesApp, 2026-03-27)

10.8 万裁员 vs 2.5% 自动化：这道悖论的三种解法

如果 AI 真的只能自动化 2.5% 的远程工作，为什么美国企业在以金融危机级别的速度裁员？2026 年 1 月的 108,435 人裁员数字，同比暴增 118%，是 2009 年以来最高。2 月的就业报告更加惨淡：美国失去了 9.2 万个岗位（预期为增加 6 万），失业率升至 4.4%。

理解这道悖论，需要看到三个不同的故事同时在发生。

故事一：CEO 在押注未来，而不是回应当下。 Scale AI 的 HLE 测试显示前沿模型的考试能力在 6 个月内提升了约 50%（从 30% 到 45%）。如果这个提升速度映射到工作能力上——哪怕只有一半的速度——2.5% 可能在 18 个月内变成 10-15%。企业不想等到 AI 真的能替代 15% 的工作时才开始重组，因为大规模组织重构本身需要 12-18 个月的执行时间。所以 CEO 们在”提前下注”——宁可现在裁”多了”，也不想将来裁”晚了”。这解释了为什么即便是 Epic Games 的 Tim Sweeney，也在市场条件并非最差的时候选择了裁掉 20% 的员工。

故事二：很多裁员跟 AI 没有半毛钱关系，但”AI 转型”是最好的挡箭牌。 McKinsey 裁员 10% 的原因是”咨询业务放缓”——客户在减少外部咨询支出，部分原因确实是 AI 工具可以替代一些初级分析工作，但更大的原因是宏观经济疲软。UPS 裁 3 万人的根本原因是电商物流增速放缓和自动化仓储投资。Amazon 裁 1.6 万人主要集中在非核心业务部门。但如果你是 CEO，对董事会说”我们在进行 AI 驱动的组织转型”比说”业绩不好所以裁员”要好听一万倍。”AI 替代”正在成为裁员的万能借口。

故事三：RLI 测量的场景偏向于 AI 最不擅长的领域。 远程工作——尤其是白领远程工作——是所有工作类型中最需要”软技能”的一类。沟通、判断、协调、说服、安抚、识别潜台词、理解组织动态——这些恰好是当前 AI 最弱的领域。但在工厂产线上的质检、数据中心的日志分析、呼叫中心的标准化应答等”硬执行”场景中，AI 的自动化率可能远高于 2.5%。RLI 的数字可能正确但不完整——它揭示了一个特定截面，而不是全貌。

这三个故事叠加在一起，真实画面很可能是这样的：AI 的实际替代能力呈极端的幂律分布——5% 的工作类型已经被自动化了 50% 以上（基础数据处理、简单客服、翻译润色），50% 的工作类型被自动化了 2-5%（大部分白领知识工作），45% 的工作类型基本没受影响（需要物理操作、深度人际关系或高度创造力的工作）。但企业的裁员决策是按照 18 个月后的预期能力来做的，而不是按照今天的实际能力。

(来源: BLS, Robert Half, 2026-03-26; Financial Post, 2026-03-27; 多来源综合)

“生产力红利”vs 裁员：两种截然不同的应对哲学

在如何应对 AI 对就业的影响上，2026 年 3 月出现了两种截然对立的哲学。

第一种是”裁员替代派”。59% 的雇主计划因 AI 减少人员编制。韩国部分地区裁员率已达 30%。电信和制造业受冲击最大。这派的逻辑很简单：AI 能做的事就不要用人做，先裁为敬。

第二种是”生产力红利派”。花旗银行家 Jay Collins 提出了一个颇具创意的概念——”生产力红利”（productivity dividend）。他的核心论点是：与其裁掉员工（损失组织知识、人际网络和文化传承），不如用 AI 提升现有员工的人均产出，然后将额外产出的经济收益在公司和员工之间分配。公司获得更高的人均效率，员工获得更高的收入——双赢，而不是零和。

Collins 的论点背后有一个被忽视的经济学逻辑：裁员的真实成本远高于表面上省下的薪资。Forrester 的数据显示，55% 的因 AI 裁员的企业后来后悔了这一决定——其中 1/3 的企业发现重新招聘的花费超过了省下的。原因是：被裁掉的不只是”人”，还有这个人头脑中的组织知识、客户关系和隐性经验。这些东西不在任何数据库里，AI 也无法学习。

前商务部长 Gina Raimondo 将这个讨论推到了政策层面，提出了”新大协议”（New Grand Bargain）方案。框架是政府、企业和工人三方共同承担 AI 转型的成本和收益。政府提供再培训基金和过渡期支持；企业承诺在 AI 提效后保留核心员工并分享生产力红利；工人承诺接受技能升级和角色转变。

BlackRock CEO Larry Fink 的警告为这个讨论注入了紧迫感。他在公开场合说：”AI 将加剧贫富差距”——拥有 AI 工具和技能的人会变得更富有，而被 AI 替代的人会陷入更深的困境。如果不主动建立安全网，社会稳定将面临挑战。

值得注意的是，这些讨论不再是学术象牙塔里的理论辩论。Fink 管理着全球最大的资产管理公司（超过 10 万亿美元），Raimondo 刚从内阁卸任，Collins 在全球第三大银行。当这个级别的人开始认真讨论 AI 的社会安全网，说明问题已经从”如果”变成了”怎么办”。

62% 的雇主在投资在岗培训——这个数字与 59% 计划减员的数字几乎完美对应。这意味着大多数企业同时在做两件矛盾的事情：一边裁人，一边培训留下的人。这不是矛盾——这是一种过渡期的”双轨战略”：裁掉 AI 可以替代的岗位，同时培训留下的员工使用 AI 工具。问题是，这个过渡期有多长？谁在过渡期中会被落下？

(来源: B2BDaily, Financial Post, 多来源综合, 2026-03-26/27)

Agent 基础设施：2.5% 的瓶颈在哪里？

如果前沿 AI Agent 的自动化率只有 2.5%，瓶颈到底在哪？答案出人意料：不是模型能力不够，而是基础设施缺失。

HLE 的数据告诉我们，前沿模型已经非常”聪明”——能答对 45% 的人类最难考试题。问题出在”聪明”到”能干活”之间的鸿沟。这个鸿沟由三类基础设施缺失造成：

身份与信任。AI Agent 在企业环境中工作时，需要访问多个系统——邮箱、CRM、项目管理工具、内部文档。但当前的身份验证体系是为人类设计的（用户名+密码+多因素认证），AI Agent 在这些系统间的身份管理极其混乱。CapiscIO 正在解决这个问题——它推出了面向 Agentic 系统的身份验证与信任基础设施，为 AI Agent 和 MCP 服务器提供标准化的身份证明。这就像你不能让一个没有工牌的人在公司大楼里自由走动一样——AI Agent 同样需要”数字工牌”。

通信与协调。当多个 AI Agent 需要协作完成一个任务时——比如一个 Agent 负责收集客户信息，另一个 Agent 负责生成报价，第三个 Agent 负责审批——它们之间的通信协议是缺失的。EigenFlux（由 Phronesis AI 开发，创始人 Yongyi Hu 来自 MiniMax 和 Facebook AI Research）正在构建面向 AI Agent 的信息与通信网络。这是一个被严重低估的瓶颈——单个 Agent 的能力上限一旦触顶，多 Agent 协作就成为突破口，而协作的前提是高效的通信。

知识共享。Mozilla 推出的 “cq” 项目最令人兴奋。它为 AI coding agent 构建了共享知识库——类似于”Stack Overflow for AI agents”。目前每个 AI Agent 在解决问题时都是独立的——同一个编程问题，100 个 Agent 可能各自用不同的方式解决了 100 次，但这些解决方案不会被共享。cq 要做的就是让 Agent 之间可以共享和检索编程知识，避免重复劳动。如果这个思路推广到编程之外的所有领域，AI Agent 的集体能力将呈指数级增长。

这三个项目在同一天出现，不是巧合——它们代表了 AI 行业正在从”让模型更聪明”转向”让 Agent 能在真实环境中工作”的集体觉醒。这也意味着提升 2.5% 自动化率的最快路径，可能不是等下一代模型，而是补齐这些基础设施。

(来源: CapiscIO, AX Polytechnique/Phronesis AI, Ars Technica/Mozilla, 2026-03-27)

大多数人没看到的：2.5% 是一个”绝对下限”

以上分析了 RLI 的数字、方法论和行业影响。但大多数人没看到的是——2.5% 这个数字有一个特殊的性质：它几乎只可能向上走。

原因有三：

第一，模型能力在快速提升。HLE 上，前沿模型在 6 个月内从约 30% 提升到 45%——这是 50% 的能力增长。即使 RLI 的提升速度只有 HLE 的四分之一，18 个月后也会从 2.5% 翻倍到 5%，36 个月后可能达到 10%。

第二，基础设施在补课。身份验证、通信协议、知识共享——这些东西一旦建成，不需要模型升级就能显著提高 Agent 的工作完成率。就像给一个聪明但没有身份证、没有电话、没有参考书的人这三样东西——他的工作效率会立刻翻倍。

第三，企业环境在适应 Agent。目前很多企业的工具和流程是为人类设计的——需要人类点击按钮、填写表格、在不同系统间复制粘贴。随着更多企业开始为 AI Agent 设计接口（API 优先、结构化数据、标准化工作流），Agent 的工作效率将自然提升——不是因为 Agent 变强了，而是因为环境变得对 Agent 更友好了。

这三个因素叠加，意味着 2.5% 是一个绝对下限——它只可能向上走，问题只是速度多快。

这才是真正让人不安的地方。3 亿、8 亿、80% 这些大数字之所以不可怕，是因为它们是预测、是模型、是推断——可能对也可能错。但 2.5% 是实测——它是真实的、可追踪的、有方法论支撑的。当一个实测的数字只可能向上走时，它比任何预测都更有说服力。

前沿模型竞赛：从考试到工作的战略转向

RLI 和 HLE 的双基准体系，正在重塑前沿模型的竞争格局。

OpenAI 目前在 HLE 上遥遥领先，GPT-5.4-pro 以 45.32% 的得分甩开第二名近 8 个百分点。但在 RLI 上，OpenAI 并不是第一。Sam Altman 正在筹备代号为”Spud”的新模型，同时搁置了 Sora 视频应用和成人内容计划——Peter Kafka 在 Business Insider 上将这些战略调整解读为 IPO 准备期的”重新聚焦”。一个值得关注的信号是：OpenAI 同时成立了 Frontier Alliances 计划，联手 BCG、McKinsey、Accenture、Capgemini 等顶级咨询公司，将 AI co-worker 推向企业市场。这意味着 OpenAI 正在从”技术领先”向”商业落地”转型——而 RLI 恰恰是衡量”商业落地”能力的标尺。

Google 的策略更加多元化。Gemini-3-pro-preview 在 HLE 上拿到 37.72%，与 GPT-5.4 的 36.47% 非常接近——Google 在模型能力上已经从”追赶者”变成了”并肩者”。但 Google 更大的动作是在多模态和实时交互上：刚发布的 Gemini 3.1 Flash Live 是一款专为 AI Agent 设计的实时多模态语音模型，在 ComplexFuncBench Audio 上得分 90.8%，支持低延迟音视频和工具调用。如果 RLI 在未来加入语音和视频交互的工作场景，Gemini 的多模态优势可能转化为显著的 RLI 分数提升。此外，Apple 已获得将 Gemini 蒸馏到设备端的权限——这意味着 Gemini 的能力可能通过 Siri 触达数十亿终端用户。

Anthropic 的定位最独特。Claude Opus 4.6 在 HLE 上仅排第四（36.24%），但在 RLI 上以 4.17% 排名第一——这个”考试差但工作强”的特征，与 Anthropic 一贯强调的”有用性优先”理念完全一致。”Claude Mythos”的泄露增加了更多悬念——如果这确实是 Anthropic 的下一代模型，它可能在 RLI 上实现突破性提升。配合可能于 10 月进行的 IPO（估值 $380B，与 Goldman Sachs 和 JPMorgan 接洽中），Anthropic 正在将”工作能力全球第一”作为其 IPO 叙事的核心支柱。

这三家公司的竞争轨迹揭示了一个行业级别的战略分歧：OpenAI 在考试能力和商业联盟上双管齐下；Google 在多模态和设备端分发上建立护城河；Anthropic 在工作能力上精耕细作。RLI 的出现，让”谁做的 AI 最能干活”成为了一个可以量化比较的维度——这将深刻改变未来的模型竞争格局。

(来源: The Information, Business Insider, MarkTechPost, NewsBytesApp, 2026-03-26/27)

对投资者和从业者的实操启示

如果你是 AI 领域的投资者或从业者，RLI 的数据指向几个具体的行动方向。

投资方向一：Agent 基础设施 > Agent 应用。 当前的瓶颈不在模型能力，而在基础设施。CapiscIO（Agent 身份验证）、Phronesis AI/EigenFlux（Agent 通信）、Mozilla cq（Agent 知识共享）代表了三个关键的基础设施赛道。这些公司今天还在种子期或早期，但它们解决的问题决定了 2.5% 能不能变成 10%。历史上，基础设施公司（如 AWS、Stripe）往往比应用层公司有更深的护城河和更大的终局规模。

投资方向二：企业 AI 集成商。 OpenAI 的 Frontier Alliances 模式值得深思——他们选择与 BCG、McKinsey 合作而不是自己直接做企业部署，说明”从 AI 模型到企业实际工作”之间的最后一公里，比想象中长得多。这意味着能帮助企业把 AI Agent 真正嵌入工作流程的系统集成商，将在未来 3 年迎来爆发式增长。

职业策略一：学会”与 Agent 协作”而非”与 Agent 竞争”。 RLI 的数据显示，AI Agent 在需要人类判断力的任务上表现极差。这意味着那些能够把自己的判断力与 AI 的执行力结合起来的人——用 AI 做数据收集和初步分析，自己做最终判断和创意决策——将是最有竞争力的”人机混合”工作者。62% 的雇主正在投资员工的 AI 技能培训，这不是施舍，而是生存需求。

职业策略二：关注”强捆绑”岗位。 上周的研究（ILO/世界银行框架）将工作分为”弱捆绑”（任务可分离、可独立自动化）和”强捆绑”（任务之间高度关联、难以拆解）。RLI 的数据隐含着同样的洞察：AI Agent 在”弱捆绑”子任务（数据整理、邮件回复模板）上表现不错，但在需要多任务交织的”强捆绑”工作中几乎完全失败。选择或培养自己在”强捆绑”方向上的能力——需要同时调用专业知识、人际判断和创造性解决问题的能力——是最好的职业保险。

结论：从”AI 能替代多少”到”如何与 AI 共生”

RLI 的发布标志着一个讨论范式的转换。

在此之前，关于 AI 和就业的讨论被两种声音主导：”AI 将取代大部分工作”（恐慌派）和”AI 会创造更多工作”（乐观派）。这两种声音都缺乏实证基础——前者基于线性外推，后者基于历史类比。

RLI 给出了第一个基于严格实证的数字：2.5%。这个数字同时否定了两种极端叙事——它不支持”AI 将取代 80% 工作”的恐慌（因为实测只有 2.5%），也不支持”AI 不会取代工作”的乐观（因为 2.5% 是一个只升不降的起点，而且上升的速度可能超出所有人的预期）。

更深层的意义在于：RLI 创建了一个可量化、可追踪的指标。在此之前，关于 AI 和就业的辩论是基于预测和信仰的。从现在开始，我们有了一把尺子——每个季度都可以测量一次，看看自动化率是从 2.5% 涨到了 3% 还是跳到了 5%。这把尺子的存在本身，就比任何预测都更有价值。

正确的问题不再是”AI 能替代多少工作”，而是：

在 2.5% 到 15% 的过渡期中（大约 18-36 个月），谁在建安全网？Collins 的”生产力红利”方案、Raimondo 的”新大协议”、还是什么都不做直到社会矛盾激化？

在 Agent 基础设施的军备竞赛中，谁会率先补齐身份验证、通信和知识共享的拼图，把 2.5% 推向 10%？CapiscIO、Phronesis AI 和 Mozilla 只是起点。

在模型竞争中，”工作能力”（RLI）会取代”考试能力”（HLE）成为评价 AI 的核心指标吗？如果是，Anthropic 的设计哲学（”有用”优先于”聪明”）将被证明是正确的押注。

18 个月后回头看这篇文章时，2.5% 可能已经变成了 10% 或 15%。到那时，讨论的焦点将不再是”AI 能不能替代工作”，而是”你准备好了吗”。

今天这个数字值得记住——不是因为它小，而是因为它是第一个经过严格测量的真实起点。从这个起点出发的曲线，将定义未来 5 年的就业市场和社会结构。

对于每一个在读这篇文章的人来说，这里有一个简单的自测：把你上周做的所有工作列出来，标记哪些是”AI 今天就能完全替代的”——如果这个比例在 2-5% 左右，恭喜，你大概率是安全的（至少目前是）。但如果这个比例已经超过 20%，那么你需要认真考虑如何重新定义自己的工作价值了。因为 RLI 的曲线只会向上走，而你需要确保自己的价值曲线涨得比它更快。

这就是 2.5% 的真正含义：它不是一个让人安心的数字，而是一个起跑线的位置标记。枪已经响了。

参考资料

  1. Remote Labor Index (RLI) Report — Scale AI & CAIS, 2026-03-27
  2. Humanity’s Last Exam Leaderboard — Scale AI Labs, 2026-03-27
  3. US January 2026 Layoffs Hit 108,435 — Highest Since 2009 — Robert Half / BLS, 2026-03-26
  4. 59% of Employers Plan AI-Driven Workforce Reduction — B2BDaily, 2026-03-26
  5. OpenAI CEO Shifts Responsibilities, Preps “Spud” Model — The Information, 2026-03-27
  6. Anthropic IPO Could Surpass $60 Billion — NewsBytesApp, 2026-03-27
  7. CapiscIO: Agent Identity & Trust Infrastructure — CapiscIO, 2026-03-27
  8. EigenFlux: Communication Network for AI Agents — AX Polytechnique / Phronesis AI, 2026-03-27