榜單滿分，
生意只及格

01前言：模型越考越高分，生意卻沒有跟著變好

每一次新模型發布，各大榜單的分數就再刷新一次，不少通用評測已經逼近滿分。但對實際經營生意的人來說，這些進步很少等比例地轉換成工作上的進步。

以跨境電商為例，從一個產品創意到賣向全世界，中間要做市場研究、找工廠、比報價、排物流、在多個平台開店上架，最後還要算清楚這筆生意到底賺不賺錢。AI 現在能接手多少，又會卡在哪一步？

阿里巴巴國際站總裁張闊在 Accio Work 發布半年後回頭檢視。他的核心觀察很直白：團隊從真實業務整理出 107 個任務，在無人干預的情況下，最前沿的模型也只通過約 61%。

02寫程式已被全面接管，商業經營才剛開始

張闊估計，Coding Agent 的市場滲透率大概已達 99%。身邊幾乎找不到不用 AI 寫程式的工程師，而第二個垂直賽道的滲透率遠遠低於這個數字。

他認為寫程式之所以最先被 AI 接管，有兩個天然條件：

• 100% 數位化：程式碼都在 GitHub 與各種程式庫中，容易被模型大量學習。
• 結果可立即驗證：能不能編譯、結果對不對，當下就有答案。

商業場景則完全相反。資料來源多元、沒有通用流程，不同企業對「經營結果好壞」的定義也不同。更麻煩的是，驗證不是一次性的，而是以天、週、月甚至年為單位，回饋閉環極長。

因此他的判斷是：在電商這類需要複雜判斷、長程執行、結果不能馬上驗證的領域，Agent 仍處於剛剛開始的階段。

半年前的判斷，市場已經驗證

今年 3 月 Accio Work 剛發布時，張闊就認為 Anthropic 推出的 Claude Cowork，比當時爆紅的 OpenClaw 更值得關注。半年過去，「AI 同事」類產品成為最熱的賽道之一：在中國，走進任何一部電梯，最常看到的廣告就是各種通用辦公 Agent；國內有 WorkBuddy 等競爭者，美國也陸續有 Meta 的 Muse、Grok Bot 等產品推出。

各家在產品體驗上各有特色，但多數通用 Cowork 產品能交付的，仍集中在文案、計算這類較容易驗證的工作。Accio Work 鎖定的則是電商這個垂直人群，要解的是更長、更複雜、結果更難驗證的問題。

03Accio Work 的三階段演進：從搜尋到「一本生意」

Accio 一年內從「更聰明的搜尋框」走到「管理整本生意的 Agent」，可以分成三個階段：

1. 階段一

   AI 搜尋

   等同 Alibaba.com 的 AI mode，買家可用自然語言或多模態描述需求。整體搜尋成長 20%，多模態搜尋成長 130%。

2. 階段二

   Agentic trade

   採購往前延伸到市場調研與產品設計文件（design pack），往後延伸到與供應商溝通、完成交易。

3. 階段三 · 2026 年 4 月

   Accio Work

   一站式管理賣家在各平台的後台，涵蓋多平台經營、供應鏈與員工表現。

Accio Work 的底座是 Alibaba.com 與 1688 這個全球最大的供應鏈平台之一，用戶有很大一部分本身就是電商賣家：在 1688 進貨的，多半在淘寶、天貓、京東、抖音上銷售；在 Alibaba.com 進貨的，則賣到 Amazon、Shopify、eBay 等全球電商平台。Accio Work 要做的，是用一個 Agent 同時看懂賣家的多平台經營、管理整條供應鏈，連員工在日常經營中的表現也一併納入。

案例：讓植物自己開口的創業者

張闊舉了一位名叫 Edward 的商家。他喜歡種植物卻常常養死，於是想做一個能讓植物「告訴你它現在狀態」的消費電子產品。

這類產品最難的往往不是點子，而是把點子變成可製造的設計：該用什麼感測與讀取元件？成本怎麼壓到最低，賣出去時還留得住毛利？很多創業者就卡在這一步。

從想法到上架，Accio Work 串起了整個週期：輸出 design pack、匹配廣州與深圳的電子工廠、處理船期與 HS code、管理當地物流，再到 Amazon、eBay、Shopify、TikTok 等平台的上架內容與社群素材（各自要符合不同平台規則）、不同的定價計畫，以及買家回饋的管理，並依回饋持續迭代產品。供應商的反應是：從沒看過這麼專業的 design pack，因為一般買家都是拿筆在紙上畫一畫就開始談。

從「以月計」縮短到「以天計」

沒有 Agent 時，採購者要維護一份 20 欄左右的 Excel，比較十幾家供應商的產能、資質、價格、帳期與物流方案，反覆來回溝通，幾個月後才拿到樣品。有了 Agent，它先把想法拆成可製造的規格，再從平台資料與商家上傳的企業知識庫中匹配供應商，經使用者授權後主動溝通。原本要花一個月維護的報表，24 小時內就能完成，最後還算出到手價與零售毛利。

需求說得清楚，糾紛自然變少

design pack 的價值不只是省時間。過去買家與工廠之間大量的反覆溝通與糾紛，根源往往是一開始沒把想法說清楚，拿到樣品才發現跟原本想的不一樣。當 Agent 能把一個人的想法轉成工廠看得懂的規格，再一路算到到手價與零售毛利，創業者對自己這門生意的成功機率，也有了更清楚的判斷依據。

從點選介面到「說出來就好」

張闊指出，AI 產品從第一天起就是全球化的：天生沒有語言障礙，互動門檻也比過去任何軟體都低。Accio Work 雖仍保留部分圖形介面（GUI），但大多數使用者是用語言介面（LUI）在工作，把要做的事描述清楚，就能把工作交出去。這也是它能用同一個產品同時服務中國供應商與海外賣家的原因之一。

04Agent = Model × Harness × Context

張闊用一個他自己歸納的公式來描述一個好的 Agent：

之所以是乘法，是因為任何一項為零，結果就是零。三者缺一不可，而且要一起優化。

• Harness（工程框架）：連接工具、管理記憶、處理使用者授權，確保系統能連續運作數個月。電商本質上就是長程任務，這裡早期投入最多。
• Context（上下文）：阿里的天然優勢。買賣雙方的對話、商業數據、平台累積 20 多年的行業屬性與趨勢，都是 context 的一部分。
• Model（模型）：目前投入最多時間的地方。不是拿通用模型簡單微調，而是基於一定尺寸的模型做後訓練，並在訓練、推理服務（serving）與 harness 三處同步打磨。

張闊強調，模型、推理服務與 harness 必須一起優化，不能只優化其中一項、另一項直接套用通用前沿模型。目標是用最低成本拿到同樣的結果，同時把快取命中率與輸出準確率推到新水準。在他看來，競爭已變成多元、全方位的較量，這也正是垂直領域 Agent 能真正跑出來的原因：它不是「通用模型加幾句提示詞」就能做到的。

這個公式也解釋了中美版本的差異。模型可以共用，但兩地接的工具、平台與經營上下文不同，差別主要落在 harness 與 context。有意思的是，阿里過去 20 多年要分成 1688 與 Alibaba.com 兩個平台，Accio 卻從第一天起就是全球單一產品：企業版以中國供應端用得最多，個人與電商經營者則以海外用戶為主。張闊認為，只要各地需求的最大公約數夠接近，這可能是 Agent 時代的新產品範式。

中國與美國：價值相同，形態不同

就辦公場景而言，張闊認為中美差異不大，差別主要來自兩地原有的產業慣性。美國的 SaaS 生態高度垂直化，CRM、廣告、法律、醫療各有成熟的專屬軟體；中國則是由大平台把大量垂直功能整合在內。AI 進場時，兩邊自然沿著各自的軌道前進。

電商也是如此。在美國，Amazon 是平台，賣家把貨送進倉庫、透過 FBA 出貨，往往接觸不到客戶；想經營自有品牌與客戶關係的人，則選擇 Shopify 這類獨立站，而且這門生意仍在成長。在中國，商家的第一個念頭幾乎不會是做獨立站，因為淘寶與天貓介於兩者之間，既能低成本獲客，又內建了大量經營工具。最終交付給客戶的價值項是一樣的，只是在不同市場的表現形態不同。

那 SaaS 會被殺死嗎？

上半年 Claude Cowork 推出後，美股一度出現 SaaS 恐慌性拋售，投資人擔心 AI 會再一次「殺死」大批 SaaS 公司。幾個月過去，多數 SaaS 公司並沒有像預期那樣難以生存。張闊當時就認為，只要能把 AI 用好，AI 對 SaaS 反而可能是利多。

他的看法是兩邊互相整合。太簡單的 SaaS 功能確實會被 AI 取代，但 SaaS 的價值在於理解企業的本體（ontology）：各種資料代表什麼、老闆要優化的是什麼。他打了個比方：就算請一位大學畢業生進公司，如果搞不清楚各項數據代表什麼、企業最終的經營目標是什麼，也很難把事情做好。

一筆交易成交了，不代表它就是好交易。目標是利潤率還是市占率，預算怎麼花、庫存怎麼備、廣告怎麼投，做法都完全不同。張闊

過去 SaaS 要靠人推動執行，但它的優勢是掌握大量經營上下文，若再配上更好的 AI，同樣能拿到更好的結果。把通用 AI 丟進企業，並不保證能完成工作。

至於法律領域的 Harvey、醫療領域的 OpenEvidence 這類表現亮眼的 AI 原生垂直 Agent，張闊的解讀是：每個技術轉折點都會冒出屬於那個時代的公司，就像行動網路時代有行動網路的產品。既懂技術、又對經營領域理解更深的團隊，速度就會更快。

05107 個真實任務：最強模型也只拿 61 分

被問到「半年來模型進步這麼多，垂直領域的優勢是更明顯還是被削弱」時，張闊先坦言團隊對這件事的理解也在持續迭代。模型發布的頻率比半年前更快，他開玩笑說自己在矽谷待一個禮拜，光是個人助理類產品就發了好幾個；許多榜單已經考到 99 分（滿分 100），只剩小數點後的進步。

每個新模型都宣稱各方面更好，但阿里團隊在日常使用中並沒有感受到同等幅度的提升。他們的結論是：模型在寫程式、數學或通用 agentic 能力上的高分，與在電商領域能完成多少工作，相關性沒有想像中那麼高。

於是他們以 Alibaba.com 上百萬筆真實經營資料與 Accio 的真實問答，整理出 107 個任務、涵蓋七大類，並已開源。開源的用意很務實：若各家模型評測的內容都不一樣，每出一個新模型，電商工作流就得重新做大量適配；若模型廠商在訓練時就拿這套基準自我評測，Accio 也能「借點光」。評測時以 Accio 作為統一的 harness，把所有前沿模型放在同一把尺下比較，張闊認為這樣比各家自說自話更公允。

以下是張闊舉的三個例子：

任何一個環節失敗或算錯，整個任務就算沒完成。在這個標準下，最前沿模型的通過率只有 61% 多一點，連及格都有點吃力。但張闊強調，這不代表工具不能用，61% 測的是完全無人干預下能否完成。

107 只是當下的快照，團隊持續加入更複雜的題目，並在每次版本迭代時重跑評測，避免「腐化」：舊案例變差是不能接受的。

L1 到 L4：任務難度怎麼分

七大類任務，每一類都再依難度分為 L1 到 L4。任務越長程、步驟越多，結果越開放、越沒有單一標準答案，等級就越高，能通過的模型也越少。

張闊沒有逐級給出正式定義，上表依他對任務分級與使用者需求演進的描述整理。

分級帶來三個配套影響：

• 通過率：61% 是全部等級加總後的通過率。等級越高，結果越開放，能在無人干預下完成的模型越少。
• 模型路由：L3 以下的工作相對簡單，可交給小尺寸或高性價比模型；高難度、開放型的問題，以及對多模態、影片要求高的任務，才路由到前沿或特定模型。這正是 Accio Work 成本能壓到三分之一的關鍵。
• 使用者行為：團隊每天追蹤七大類任務在各等級的分布。從上線第一天到現在，任務重心一路從 L1 往 L4 推進，商家願意交給 AI 的工作越來越複雜，也越來越接近經營核心。

新模型發布了，然後呢？

對於剛發布的 GPT-6 Astra，張闊的回應是「過兩天去基準測試上看評分」。沒有基準測試，就無法量化一個模型到底好不好；模型在 3D 或電腦操作上有所突破，不代表它在商業場景的 agentic 能力就強。若有人說新模型就是 AGI，他「可以打包票，肯定不是」。對商家而言，以最高性價比完成任務才是第一優先。

這也反映了一個更大的趨勢：通用榜單逐漸飽和後，專業領域的基準與資料變得越來越重要，資料公司炙手可熱，各家模型公司也都需要具體的產業資料來訓練與評測。

在預算與供應鏈相同的條件下，用 Agent 經營一定比人賺到更多錢，這就是商業領域的 AGI。張闊對「商業 AGI」的定義

垂直 Agent 會不會把流程寫得太死？

垂直產品的常見疑慮，是流程寫得太固定，反而限制了模型原本能做到的事。張闊的回答是：Accio Work 不固定路線，只固定紅線。先界定哪些事情絕對不能做，至於怎麼完成任務，只要目標說得清楚，就讓系統不斷優化流程與操作，逐步逼近目標。

06用得起的 AI：成本只要三分之一

在跑完同一組 107 個任務、達到相同通過率的前提下，Accio Work 的成本約 3.69 美元，Codex 與 Claude Code 則都在 9 美元以上。

同等通過率下跑完 107 個任務的估算成本（美元）。Codex 與 Claude Code 僅公布「9 美元以上」，虛線長條以 9 美元繪製。

張闊很在意這個數字，因為商家最常見的反饋就是「貴」：有時是對某個特定任務覺得貴，有時是固定選用最貴的模型處理所有問題。對日常經營而言，必須是用得起的 AI 才有價值，這和為了解一道數學題而用一次的情境完全不同。成本優勢來自三個地方：

• 帕累托最優路由：把所有模型放在同一條成本與效果的曲線上，簡單任務交給小尺寸或高性價比模型，複雜問題才用前沿模型。例如後訓練過的最新小尺寸千問模型，效果已接近頂尖模型。
• 集約採購：平台大量採購，比個人直接用模型便宜。
• Harness 與 context 的效率：同一個模型，配上更好的工程與上下文管理，效率更高。

他給商家的建議是選 Auto 模式，讓系統依帕累托最優決定每項工作該用哪個模型。這也是 Codex、Claude Code 這類綁定自家模型的 Agent 難以做到的。張闊認為，美國 OpenRouter、Fireworks 這類模型託管與路由生意受歡迎，說明模型正在變成通用商品，而每隔一段時間就有更好的開源模型出現，「把對的任務交給對的模型」在相當長一段時間內都有很大優化空間。

至於支援哪些底層模型，張闊的回答是「看得到的基本上都支援」，例外只有那些已經完全落在帕累托曲線下方、在成本與效果上都被其他模型超越的模型。中國近年推出大量高性價比的模型，正好讓這套路由策略有足夠的選擇空間。

07人與 AI 的分工：重複的交出去，判斷留在手上

張闊 2011 到 2016 年在淘系負責商家平台，包括開放平台與各種工具，當時覺得後台已經做到極致。但換到 AI 的視角重新看，商家看問題與經營的方式都變得更靈活。他從使用頻率歸納出幾個最常交給 AI 的場景：

• 跨平台實時損益：多數中國商家同時經營抖音、淘系、京東、拼多多。流水多不代表有利潤，要跨平台結合投入、收入與退換貨，過去靠人工切平台、整理 Excel，還不一定算對。
• 多平台發布商品：各平台規則、受眾與媒體形式不同，商品數乘上平台數就是巨大工作量，大促與打折時更是如此。AI 先生成、放草稿箱，或經授權後直接發布。
• 客服與業務覆盤：過去要開會一條條看誰答得對，現在 AI 可以全量分析、找出更好的回答方式；對 B2B 來說，還能提前預警可能「要黃」的單子，並指出下一步最關鍵的判斷。

商家的期待也在不斷拉高，任務一路從 L1 的「回答問題」推向與經營判斷相關的 L4。但有些按鈕一定得由人來按：

這也決定了多個 Agent 意見衝突時該怎麼辦。以美國為例，各垂直電商與平台電商都推出了 Agent，張闊也認為做得不錯，但它們多半圍繞單一平台優化；Accio Work 則站在商家「一本帳」的角度，看各平台該怎麼投入、怎麼經營。不同 Agent 給出不同建議，本來就很正常。張闊明確表示，用一個 Agent 去統一所有 Agent 的意見並非產品初衷；老闆要有自己的經營目標，再拿來檢驗每個建議。一筆交易就算成交，若導致整體生意失敗，也不是好交易。

08上雲只是基本功，長程任務要先定義目標

近來許多 Agent 產品開始脫離本地電腦、搬上雲端。張闊認為上雲與長程是兩回事。上雲在技術上並不困難，Accio Work 在 PC 版推出後沒幾天就有了雲端版本，因為用戶希望本地累積的記憶放在雲端、換一台機器也能接著用。在他看來，「沒上雲就是功能還沒做完」。

真正需要想清楚的是長程：讓 AI 連續推演兩個月去解哥德巴赫猜想，也叫長程任務，但那和商業經營要的長程是兩回事。長程要先問多長、為了什麼目標。在電商領域，他拆出三種已經支援的範式：

1. 定時任務：每天的店鋪經營報告、員工工作表現檢視。
2. 事件驅動任務：買家與多家供應商溝通時，每有新資訊就推進下一步。
3. 以季計的經營任務：一個產品最終賺不賺錢，過程中不斷覆盤。

以客服為例，長程經營意味著每一次對話都要被校驗：客服的回答對不對？消費者的反應，是針對商品本身、服務，還是售後流程？這些判斷累積起來，才能回頭改進商品與營運。

他的結論很犀利：追求模型能連跑 7×24 小時、一個禮拜不當機，如果沒解決你的問題，就毫無意義。商業經營本來就是長程的，重點是持續校驗每個 OKR 是否達成、每次溝通是否正確。

09結語：AI 是中小企業的放大器

今年在洛杉磯舉辦的 CoCreate 大會，註冊到場人數估計約 1.5 萬人，報到處一路排隊到中午。張闊的感受是，美國用戶對 AI 與 Agent 的接受度明顯領先，而且已有許多客戶靠這套產品創造出自己的生意，並進一步放大。

大會每年舉辦的 CoCreate Pitch，形式類似《創智贏家》（Shark Tank）這類創業競賽節目。去年的兩位冠軍：

張闊認為，全球中小企業一直是各地經濟與就業的主力，他們的問題從來不是「AI 會不會取代工作」，而是缺資源、缺經驗，卻想把生意做大、想用上全球供應鏈。AI 加上 Alibaba.com 與 1688 的供應鏈能力，讓不需要很大的公司也能做很大的生意。

幾點觀察

1. 通用分數不等於產業能力當通用榜單趨近飽和，垂直領域的開源基準測試，將成為衡量 Agent 實力的新尺。
2. 成本是商業 Agent 的勝負手日常經營要的是以最高性價比完成任務，模型路由比追逐最強模型更重要。
3. 護城河在 context 與 harness模型越來越像通用商品，產業資料與工程能力才是差異所在。
4. 判斷權仍在人手上AI 接手重複性工作，但選題、品味與資源配置，依然決定一門生意的成敗。