AI能替人类打工赚钱吗？真实实验给出意外答案
AI打工实验：成果与困境
实验设计与执行
ScaleAI开展“远程劳动指数”实验，将各大模型当作“打工人”扔进真实项目接单。测试范围涵盖写作、3D建模等23类常见线上工作，任务来自Upwork真实订单，配备完整需求说明与素材，流程高度仿真，从理解需求到最终提交，任一环节失误都算任务失败。
实验结果展示
实验结果不尽人意，所有参与测试的AI模型对复杂项目的整体自动化率低于3%。表现最好的Manus成功率仅2.5%，240个任务只完成6个，赚到1720美元，远低于人类报酬均值。其他模型更是表现不佳，通过率均不超过3%。
失败原因剖析
AI失败集中在四类情况。45.6%的任务质量过低，成品业余；35.7%的任务不完整或格式错误；17.6%的任务存在技术与文件完整性问题；14.8%的任务有严重视觉或逻辑不一致。如珠宝设计项目，AI无视原图，新图质量差且与需求不符。
AI的优势与局限
AI在创意类和基础内容类任务上有天赋，擅长从零开始创作。但在多步骤操作、保持文件一致性或二次编辑时容易翻车。尽管出活速度快，可交付质量难以达标，人类完成项目平均28.9小时，AI投入相近“算力时间”成果多不合格。
新旧基准对比：为何新基准更重要
旧基准的问题
近两年大模型在封闭题库分数飙升，但与真实就业市场表现背离。现有基准如MMLU、MT-Bench和ARCChallenge，分别存在像闭卷知识竞赛、只能反映“聊天体感”、与现实场景脱节等问题，测的是“答题能力”，无法满足企业对“交付成果”的需求。
RLI的创新
ScaleAI推出的RLI以真实付费订单为测试题目，考验模型完成一整个工作流的能力，涵盖任务上下文、协作及产出可交付成果等方面，几乎无法“刷分”，能有效衡量模型的全流程适应力。
真实场景的挑战
现实工作中充满模糊多变的情况，如甲方临时改要求、参考资料问题或新增任务环节等，这些是传统模型能力测试未涉及的，而RLI能让模型面对更贴近现实的挑战。
AI对工作结构的影响：现状与未来
当前就业市场变化
RLI实验表明AI绝对自动化率几乎为零，短期内不会全面替代人类工作。但哈佛分析显示，AI引入后初级岗位招聘量下降，尤其在流程标准化行业，任务颗粒度变细、价格分层趋势明显。
未来岗位需求转变
未来初级岗位要求可能变为能使用AI完成部分日常杂务，并具备确保交付的能力。纯执行型技能贬值，定义问题、管理流程、整合资源的能力成为新核心竞争力。
人机协作的趋势
AI虽在考试中“聪明”，但现实中真正能“干活”的还是懂得让AI融入团队的人。人机协作是短期到中期的唯一路径，未来工作将在人机协作中不断重塑。
相关问答
“远程劳动指数”实验是如何进行的？
ScaleAI选Upwork上240个真实订单，涉及多类线上工作，给模型配备需求说明等，让其从理解需求到最终提交，全流程仿真测试。
AI在“远程劳动指数”实验中的整体表现如何？
整体自动化率低于5%，多数模型通过率不超3%，完成任务少，报酬远低于人类。
AI在实验中失败的主要原因有哪些？
主要原因包括质量过低、任务不完整或格式错误、技术与文件完整性问题、严重视觉或逻辑不一致等。
RLI与传统基准有什么不同？
RLI用真实付费订单测试，考模型完成工作流能力，贴近现实；传统基准存在与现实脱节等问题，侧重答题能力。
AI崛起对当前就业市场有什么影响？
7%，尤其在批发零售、行政支持等流程标准化行业。
未来初级岗位对能力有什么新要求？
未来初级岗位要求能使用AI完成30%日常杂务，并具备确保交付的能力，更注重综合管理能力。
