硅谷101对话阿里国际站总裁张阔：为何榜单高分模型在真实商业任务中通过率仅六成？
硅谷101于2026年10月8日发布第255期节目，再次邀请阿里国际站总裁张阔，深入探讨AI Agent在电商及日常经营中的实际落地情况。针对“模型能力越强，用户感知越弱”的行业痛点，张阔分享了团队基于百万条真实数据整理的107个商业任务基准测试，指出即便最前沿模型在无人干预下的任务通过率也仅为61%左右。节目详细解析了Coding与商业任务在数字化程度、可验证性及反馈周期上的本质差异，提出了“Agent = Model × Harness × Context”的产品公式，并讨论了垂直SaaS在AI时代的生存逻辑、多模型路由的成本优化策略，以及人类在最终商业判断中不可替代的角色。
重要性实质性证据E2 未复现写法快讯
硅谷101播客于2026年10月8日发布了第255期节目《模型越来越强，为什么用户没感觉？再访阿里国际站总裁张阔》。本期节目由主持人Yiwen对话阿里国际站总裁张阔，聚焦于AI Agent从通用能力向垂直商业场景落地过程中的真实挑战与机遇。半年前双方曾就Accio Work产品进行过交流，此次回访则重点展示了半年来商家使用该工具的真实案例，试图回答一个核心问题：大模型能力的提升究竟有多少转化为了商家工作中的实际进步？
节目中，张阔分享了一个关键观察：尽管许多大模型在通用评测榜单上已接近满分，但在真实的商业经营场景中，团队并未感受到同等幅度的能力提升。为量化这一落差，阿里国际站团队从Alibaba.com的百万条真实经营数据及Accio问答中提炼出107个具体任务，涵盖比较供应商报价、识别钓鱼邮件、预订船期和处理交易纠纷等高频商业环节。据张阔介绍，在这套特定的开源基准测试中，即便是最前沿的模型，在完全无人干预条件下的任务通过率也仅在61%左右。这一数据直观地揭示了“榜单成绩”与“实际交付”之间的巨大鸿沟，表明长程、开放性的商业任务仍是当前AI能力的短板。
针对为何Coding领域AI渗透率极高而商业场景进展缓慢，张阔分析了根本差异：代码工作本身100%数字化，且结果（如能否编译）具备即时可验证性；而商业任务数据来源多元、缺乏统一流程，且结果验证周期长（从天到年不等），不同企业对“好结果”的定义（利润、规模或速度）也存在差异。基于此，他提出了Agent构建的核心公式：“Agent = Model × Harness × Context”。他强调这三者是乘法关系，任何一项为零则整体无效。其中，Harness指连接工具、管理内存的工程框架，Context则指企业特有的经营上下文和数据积累。这意味着垂直Agent的竞争壁垒不仅在于底层模型，更在于工程框架与行业知识的深度结合。
此外，节目还探讨了AI对SaaS行业的冲击、多模型路由带来的成本优化（如Accio Work通过帕累托最优路由将成本降至竞品三分之一），以及人类在AI时代保留的判断力边界。张阔认为，虽然AI能处理大量重复性工作，但涉及预算分配、产品品味及最终商业决策的红线仍必须由人来把控。对于关注AI商业化落地、垂直领域Agent设计以及中小企业如何利用全球供应链扩大经营半径的专业读者，本期节目提供了极具参考价值的实战视角与理论框架。