摘要：a16z 最新研究显示，Computer Use 类 Agent 时薪 6-8 美元，已低于印度离岸外包的 10 美元，桌面任务基准完成率也首次超过人类。但 85% 意味着每 100 个任务仍失败 15 个，基准分数不等于生产可行性。本文拆解这组数字的成立条件，分析谁先受影响、谁不用慌。
一小时的 AI Agent 现在多少钱？6 到 8 美元。
这是 a16z 合伙人 Fabrizio Serafini 在 8 月 10 日发布的研究《Can Agents Use a Computer Yet?》里给出的数字（来源：a16z 原文）。这项研究测的东西，通俗讲就是"AI 像人一样操作电脑干活"——看屏幕、点鼠标、敲键盘、填表单、跑完一个完整业务流程。它一年前还只是能演示，今年已经有人拿它批量跑生产流程了。
同一条赛道上，印度离岸 BPO 人力是 10 美元一小时，美国本土后台岗位是 30 到 45 美元。
数字一出，不少团队开始坐不住——"要不要把某个标准化外包岗位换成 Agent"成了例会上的常驻话题。
但先别急着下结论。这组数字的背后，有几个前提条件被大多数人忽略了。
三根成本柱子，怎么算出来的
先把账算清楚。Serafini 摆了三根柱子：一小时 Computer Use Agent、一小时印度 BPO 人力、一小时美国本土后台人力。
- Agent：6 到 8 美元，区间 3 到 15 美元。来自一位创业者的估算，再用主流模型 token 定价和公开推理成本交叉校验
- 印度 BPO：约 10 美元，区间 8 到 15 美元，参考 2026 年外包报价追踪平台数据
- 美国本土：30 到 45 美元，起点是美国劳工统计局客服岗位时薪中位数 20.59 美元，再叠加约三成福利和管理成本
Serafini 特意提醒：这组数字该当量级参考，不是精确报价。
而且有个关键细节容易被漏掉——6 到 8 美元是"最贵的跑法"。逐帧截图、全程调用旗舰模型，才会到这个价。真正搭得好的团队，把重复劳动交给写死的代码，只让模型处理需要判断力的环节，混合下来成本降得更快。
85% 的完成率意味着什么
成本只是半边天，另一半是准确率。
Serafini 援引 llm-stats.com 排行榜数据（截至 2026 年 6 月）：在 OSWorld-Verified 基准上，最优模型 Claude Fable 5 的完成率达到 85%，而人类测试者在同一任务集上是 72%。一年前，最优模型还只有 42%。
这个基准模拟真实桌面环境，覆盖 Ubuntu、Windows、macOS 工作流——浏览器操作、表单填写、按钮点击，都是后台岗位的日常。
85% 超过 72%，是不是意味着 Agent 已经比人强了？
不是。85% 意味着每 100 个任务有 15 个失败，而后台业务流程要求每一步都成功。Serafini 在原文里专门强调：基准分数不是生产可行性的充分条件，真正决定部署成败的是模型之外的一切——验证机制、异常上报、错误处理，以及当零售商门户一夜之间改版时，系统能不能自己修正。
一位在该领域创业的创始人说得很直接："直到 2026 年 2 月 Opus 4.6 发布之前，这些模型都不够好，无法独立用于生产环境。"能力跃升是最近半年的事，不是一直如此。
谁在用，怎么用
数字再漂亮，也要看落地。Serafini 举了两个案例：
一个消费品数据平台，部署 Agent 后每月处理 1500 万到 2000 万次门户交互任务。零售商网站更新界面导致传统爬虫失效时，系统 2 小时内完成故障诊断、流程修复和数据恢复，维护团队规模缩减 50%。
一个全球系统集成商，27 条 Agent 工作流每天处理 1800 张 IT 工单，目标是把 25% 的人力从低利润托管服务中释放出来。
注意这两个案例的共同点：都是高重复、可验证、有明确成功标准的流程。门户交互有没有成功、工单有没有处理完，结果是确定的，Agent 干完可以验证。
还有一点被很多人忽略：生产环境里，企业几乎不用 Claude、ChatGPT 这类消费级产品，而是直接调用原始 API，自己搭建沙箱虚拟机、编排逻辑、验证与重试机制。Agent 的产出质量，很大程度取决于围在模型外面的那套 harness 搭得好不好——这跟我们写代码是一个道理，框架好，业务才好。
成本结构：贵在重试
对想部署的团队来说，成本账还有个隐藏项：重试。
Agent 跑一次任务，失败也会消耗 token。如果成功率是 85%，那 15% 的失败任务都要重跑，成本要按"推理成本 + 重试成本"一起算。上下文越长、截图频率越高，利润空间越薄。
所以市场上有三种定价模式在竞争：按任务、按小时、按结果。三种模式对应不同的风险分配——按结果计费对供应商最狠，但也最能倒逼他们优化 harness。目前还没有统一标准。
国内对照：告别价格战
这组数字漂洋过海，到国内语境里要打个折扣看。
国内模型 API 价格正在上行。8 月 17 日起，DeepSeek 对 V4 全系列实行峰谷定价：高峰时段（9:00-12:00、14:00-18:00）V4-Pro 输出 27 元/百万 token，空闲时段半价 13.5 元；V4-Flash 高峰输出 9 元/百万 token（来源：DeepSeek 官方公告，2026 年 8 月）。摩根士丹利 8 月 9 日研报《告别价格战，打响智力战》统计，2026 年第二季度国内大模型 API 平均输入价格 4.9 元/百万 token、输出 21.9 元，相比 2025 年一季度分别上涨约 48% 和 80%（来源：大摩研报，2026 年 8 月）。
两个数据放一起看，结论很清楚：国内模型在 Agent 场景的单任务成本，虽然仍低于海外旗舰（DeepSeek V4-Flash 输出价格是 Claude 系旗舰的零头），但价格差在收窄，而且不再"白菜价"。拿 6 美元的海外数字直接套国内，会高估成本优势——国内企业部署 Agent 的账，得用国内定价重算。
我的判断：谁先慌，谁别慌
外包岗位，第一批受影响。但不是所有外包。受影响的是高重复、可验证、有明确成功标准的流程——数据录入、表单处理、信息核对这类。这类工作 Agent 完成率已经接近甚至超过人工，成本还便宜。
但"替换"没那么快。15% 的失败率意味着必须有人兜底、有人处理异常。企业不会一夜之间裁掉整个外包团队，更可能的路径是：Agent 处理 80% 的标准任务，人力收缩到处理剩余 20% 的异常和边缘情况。岗位数量下降，但不是清零。
企业决策者，别只看 85%。先问三个问题：我的任务每一步都可验证吗？失败了我能及时发现并重试吗？业务流程改了，Agent 能自适应吗？三个都答"是"，才值得上；答不上来，先补 harness 再谈部署。
工程师，反而是受益方。护城河从"谁的模型强"转移到"谁懂工作流、谁有验证机制、谁能把 Agent 和业务系统深度集成"。这恰恰是 8 月最值钱的能力——围绕模型搭 harness，把不确定的模型能力变成确定的生产流程。模型会越来越便宜，但搭 harness 的手艺不会贬值。
一句话收尾：拐点是真的，但它是工程拐点，不是裁员信号。慌的人，是只看到 6 美元数字的人；不慌的人，看到了 15% 失败率和 harness 的价值。
作者：唐悦玮 | 从后端出发，用 AI 拓展到全栈的工程师。
