AI Agent 任務完成率從 43% 跳到 89%，你的工作習慣還在 2023 年嗎？

兩年前，研究團隊用 WorkBench 基準測試 GPT-4，AI Agent 完成複雜任務的比率只有 43%，而且每四個動作就有一個會造成非預期的副作用，比例高達 26%。這代表你根本不能放手讓 AI 去跑，得一直盯著它、改它、替它善後。 現在呢？同樣的基準，Claude Opus 4.8 的任務完成率已經到 89%，有害行為比例降到 2.5%。這不是微調，是質變。 對工程師和 PM 來說，這個數字代表的不是「AI 更聰明了」這種廢話，而是一個很具體的問題：你目前設計工作流程的假設，是建立在哪個版本的 AI 身上？ 很多人的答案是 2023 年的 GPT-4。 我在工作上看到一個常見的踩坑模式：工程師把 AI 當成「加速打字的工具」，PM 把它當成「生成第一版草稿的機器人」。這兩種用法都沒有錯，但都是把 AI 當成需要大量人工監督的助手。這個假設在完成率只有 43% 的時代是對的，現在卻讓很多人的生產力卡在一個不必要的瓶頸。 當完成率接近 90%，真正的設計問題變成：哪些任務可以直接交出去、哪些需要 checkpoint、哪些還是要人在迴圈裡？這是工程判斷，不是 AI 問題。 同樣的數據還揭露了另一件事：開源模型的效能也在快速追趕，取得高品質 AI 能力的成本正在大幅下降。這對小團隊是好消息，但對大公司的 AI 產品護城河是壓力。前陣子 Hacker News 上有很多工程師在討論是否要把 Claude/GPT 換成本地模型，這個討論在一年前幾乎不存在，現在卻是認真的評估選項。 能力提升的速度已經跑在大多數人的認知前面了。現在最貴的不是 API 費用，是還用舊思維設計工作流程的機會成本。