AI当老板，快给10家公司干破产了…

Jay 发自 凹非寺
量子位 | 公众号 QbitAI

AI当「老板」，快给10家公司干破产了……

普林斯顿大学最近搞了个CEO-Bench，让AI运营一家虚拟SaaS初创，为期500天。

谁曾想，14位硅基CEO上场，只有4个保住了本金。

而这第四名，还是个纯rule-based算法……

AI自主运营公司？让AI当老板？？

至少现在，还是个大问号。

当然，也有一些能力突出的模型，已经展现出潜力了——

Fable 5，500天到账4715万美元，全世界最强「AI老板」。

人工智能CEO大赛

在正式开始观看本场「AI翻车」名场面前，先讲讲游戏规则。

• 启动状态：本金100万美金，零客户。

• 游戏目标：在500天的模拟周期内，尽可能多赚钱。

• 评判标准：游戏结束时账上还剩多少钱。如果中途余额跌破零，直接宣告破产，模拟终止。

还蛮容易理解的，跟玩大富翁差不多，只不过交互方式不一样。

核心是一个Python API，包含34个工具、19张数据库表。Agent接入后，可以写代码、用SQL查询数据库，再根据查询结果动态调整工作流。

博弈环境中的变量也要多得多。

定价策略、广告投放渠道、研发预算分配、基础设施扩容、客服团队配置——全得自己拿主意。

甚至还有个模拟社交网络，AI可以在上面刷帖子、看客户投诉、视奸竞争对手。

基本上能操控公司的一切，权限无限大，和人类CEO一模一样。

但这也意味着，没有人再从对话框里敲下指令。模型必须独自为每一个判断负责。

这也是这场「饥饿游戏」最有意思的地方——

广告投放后，客户可能下周才来；研发预算砸进去，产品质量提升要等好几天……

成本马上就能烧干。回报，会延迟很久。

这就是CEO最害怕的「不确定性」，错一步就会触发连锁反应。

想用统计学路线大力出奇迹？不好意思，关键变量全部「隐式」存在。

客户满意度、支付意愿、最低质量预期——这些指标，只能从退订率、工单数量、社交网络里反推。

与此同时，外部环境始终在动态变化：竞争对手会出阴招，市场偏好随时间漂移，还有宏观的经济周期……

堪称「地狱级」难度的长程决策任务。

上下文太爆炸了，不可能等所有信息去噪结束再做决定，人类CEO更多时候也是靠直觉。

事实证明，结果确实惨烈。

14位参赛选手中，绝大多数裤衩子都快亏没了。

GLM 5.1、Claude Haiku 4.5、Gemini 3 Flash、DeepSeek V4 Pro、Grok 4.20，这五位更是中道崩殂，甚至都没完赛，「破产」遗憾离场。

跑出正收益AI，只有3个：

• Claude Fable 5，4715万美元；

• Claude Opus 4.8，2780万美元；

• GPT-5.5，2130万美元。

冠军花落Fable 5——全世界最会当「老板」的模型。

毫无悬念的第一名，给本金翻了整整47倍，断层领先第二名Opus 4.8。

并且，Fable 5是唯一一个在不止一次运行中收益超过初始资金的模型。

（btw，安全限制还在发力，Fable 5多次拒绝响应）

但这不是最精彩的地方。

其实有四位选手赚到了钱，只不过第四位不是LLM……

三位最佳「资本家」之外，排在第四名的参赛选手——

是个纯rule-based的启发式算法。

完全没有调用任何语言模型。固定定价、固定配额、固定层级……全是脚本设计好的规则。

你敢信，就是这么个「阿甘」，赚了1576万美金。

超过了除Fable 5、Opus 4.8和GPT-5.5之外的所有模型。包括Qwen 3.7 Max、Opus 4.7、GLM 5.2、Kimi K2.6……

Takeaways

相当Drama了。

不过，比起比赛结果，这个过程中能提炼出的insight，或许更有价值。

这篇论文有两个核心Takeaway——

1、探索>谨慎

算是一个比较符合直觉的发现。

从模型备忘录里能看到，GPT-5.5 和 Claude Opus 4.8 会随着情况的变化不断尝试新的策略，无论是加大客户获取力度、调整层级，还是调整支持和研发预算。

相比之下，Claude Opus 4.7在遇到挫折时主要采取削减成本、保留现金的策略。

这种保守打法，虽然能让模型苟活到最后，却无法盈利。

俗话说：好死不如赖活着。

但商业世界是「赢家通吃」——仅仅是活着，可能真没什么意义。

想当一位成功的CEO，「赌博」是必备技能（bushi）。

除此之外，该论文还提炼了四项关键能力维度：

• 发现隐藏信息：比如哪个广告渠道对特定客户群最有效

• 预测未来：以四周现金流预测的误差衡量

• 快速适应变化：以模型察觉竞争对手动作的速度衡量

• 提前规划：以Agent笔记中if-then情景分析的出现频率衡量

在这四个维度上，Opus 4.8和GPT-5.5均高于其余模型的平均线。

2、编程Agent并非万金油。

Harness是最近的热门话题，这项研究也涉及了。

但结论，相当反共识。

研究员用Claude Code跑Opus 4.7，用Codex跑GPT-5.5。

结果，两位选手的行动次数显著减少，表现大幅下降……

经过分析，研究员指出原因可能出在系统提示词上。

编程Agent的系统提示词是为软件开发场景优化的，硬套在CEO角色上反而成了束缚。

强加「马鞍」，还不如裸骑。

前段时间SaaS股暴跌，全球投资者高呼「软件末日」。编程Agent + MCP + Skill，似乎能吃掉一切。

但这项研究给出了不一样的判断：

Agent可能和大模型一样——不同行业，需要特定的Harness框架，需要垂直场景的深度适配。

而这，或许会在模型厂商纷纷下场侵蚀应用层的当下，创造出新的增量空间。

毕竟，不可能每个人都会用Codex，然后自己一步步搭建工作流。与Agent交互本身就有学习成本，同一套Harness也并不能驭万马。

写作Agent、HR Agent、财务Agent……大部分用户仍然需要极致化的垂直产品。

画矩阵的人

1997年，苹果距离破产只剩90天。

然后，乔布斯画了那个经典的2x2矩阵，指向两个方向——消费级和专业级、台式机和笔记本。

随后大笔一挥，砍掉了苹果70%的产品线，宣布只为这四个格子造产品。

后来的事情大家都知道了。iMac、iPod、iPhone。

这是乔老爷子回归苹果时的「神来之笔」：在极端不确定性下，完全靠直觉，把无数可能性压缩进了一个极简框架。

回看科技史上的伟大转折，往往都源于这种「纯粹的直觉」：

黄仁勋在AlexNet惊艳亮相后，力排众议将英伟达的未来押注于深度学习；

Ilya Sutskever在曲线刚抬头时，便笃定地喊出「All in Scaling Law」；

Anthropic敏锐嗅到编程场景的潜力，在大家都在做多模态时选择了Coding，打OpenAI一个措手不及……

现在的AI，能在每个格子里，按照指定模板把颜色填满。

但画出那个矩阵的能力——

还属于人类。

官方博客：https://ceobench.com/