54 · 企业与团队落地
企业验收指标与成本测算
企业验收要同时看质量、效率、稳定性、风险、采用和总成本。一段精彩演示只能证明一次成功，代表不了流程可以长期运行。
企业验收要同时看质量、效率、稳定性、风险、采用和总成本。一段精彩演示只能证明一次成功，代表不了流程可以长期运行。
本章最终要解决的问题是：怎样证明 AI 真有价值，而不是只看演示速度？
版本说明：本章原始资料来自不同时间。界面名称、入口、模型、积分、价格、权限、连接器和企业能力如与当前客户端不一致，以当前官方说明、实际界面和企业合同为准。文中的历史数值不作为购买或合规承诺。
这一章怎么学
- 从"能不能"到"被允许什么"
- 评估 Computer Use 类产品时应核对的四件事
- 把判断放回一次真实工作
- 电脑被操作只是开始，责任能够落地才算交付
企业级应用关注统一身份、组织资产、权限、审计、成本和持续运营。 阅读正文时，把注意力放在任务输入、真实动作、交付文件和人工判断点上。
资料说明：下面的具体步骤、案例和截图根据已收集的第三方教程重组。正文中的第一人称均指原教程作者，不代表曾俊本人的经历或实测；案例数字也不能直接视为官方承诺。
AI 在电脑上完成一次点击并不难形成演示。真正进入企业环境后，同一个动作会带上更具体的问题：它操作的是哪台设备，以谁的身份进入系统，提交前是否需要确认，走偏时谁能停止，事后能否还原。企业验收的对象因此不应停在“点对了没有”，而应覆盖一次动作从授权到结束的完整责任链。 01
从"能不能"到"被允许什么"
执行边界的核心是四件事：身份、授权、接管与审计。
身份指 AI 在执行时以谁的名义、归到哪个部门、绑定怎样的凭证；授权指企业是否明确允许 AI 操作这一资源、覆盖哪些场景、是否有时效；接管指人或组织在 AI 出错或卡顿时可以立刻接过去、不能让 AI 撞到边界外不知怎么办；审计指 AI 操作的每一步是否被记录、谁看到、何时可被还原。
四件事合起来构成"执行边界"，也是 Computer Use 时代的真正门槛。能说清这四件事的产品，意味着企业能把数字员工放进核心工作流；说不清的产品，再炫目的演示也只能停在会议室。
Anthropic 在 Computer Use 类材料中明确把最小权限与可暂停列为前提，主张 session 必须有边界；arXiv 治理研究把活动日志、标识符与实时监控列为代理进企业不可或缺的三件套。这两条线索从不同的角度一致指向同一件事：执行边界不是配置项，是产品架构。
每次桌面操作必须绑定明确设备、代理身份和业务责任人。
02
评估 Computer Use 类产品时应核对的四件事
身份：每次操作背后的代理身份是否清晰，是否能与自然人/部门对应。
授权：是否对企业开放的能力清单做过白名单化，未白名单的能力默认关闭。
接管：能否分钟级暂停或撤回单个会话，紧急时谁有权做出这个动作。
审计：每一步操作是否带上下文记录，事后能否还原到具体时间、能力、责任人。
满足这四件事，Computer Use 才会从演示走入企业核心；行业竞争会从模型规模转移到执行边界，而后者决定了代理能否在企业里被真正接住。
允许动作应按能力分级，高风险提交必须保留人工确认点。
03
把判断放回一次真实工作
以一项浏览器填报任务为例，读取页面、填写草稿和点击最终提交对应三种不同责任。前两步可以在受限环境中自动推进，最终提交则可能改变客户记录、库存或资金状态，需要保留人工确认。企业若把三类动作都统计为“点击成功”，就会失去真正的风险分界。
验收时可以准备正常、资料缺失、权限不足和页面异常四组任务样本。除了记录是否完成，还要检查系统能否识别当前设备与登录身份，能否在提交前停住，能否把已经完成的步骤交给接管人。这样得到的结果才能说明桌面能力面对真实业务时会怎样工作。
同一项任务还应重复验证暂停和撤销。暂停后不应继续点击，撤销后原会话不能凭旧授权重新执行；恢复时需要由有权限的人重新确认。这个过程比一段“支持人工接管”的产品说明更能证明执行边界是否真实存在。
企业还应把结果按动作等级分别统计。读取成功不代表写入成功，写入成功也不代表最终提交已经获得授权。分层记录之后，项目组才能发现问题究竟来自页面识别、资料质量、权限配置还是人工等待，并把下一轮投入用在真正的瓶颈上。对于涉及外部发送、删除或资金变化的动作，验收还要保留原始输入、提交前画面和最终结果，避免只凭一条完成状态作结论。
此外，桌面环境本身会变化：弹窗遮挡、网络中断、窗口切换和页面更新都会改变执行条件。测试不能只用一条理想路径，应观察系统在界面变化后会继续、暂停还是求助。能够识别环境已经不同，并把控制权交回给人，比盲目把预设步骤点完更接近生产要求。这类异常样本也应进入后续版本的固定回归测试，持续验证恢复路径。
暂停、撤销和审计记录共同决定桌面任务能否安全结束。
04
电脑被操作只是开始，责任能够落地才算交付
桌面执行把 AI 从信息输出带进了真实业务动作。企业需要积累的也不只是成功点击次数，而是一套对每次动作都能授权、暂停、接管和复盘的工作记录。只有这条责任链稳定存在，Computer Use 才不再是一场演示，而能成为企业流程中的执行能力。
指标必须同时覆盖六个维度
质量看正确率、完整率、格式合格率和人工改动量；效率看端到端时间与人员投入；稳定性看连续成功率、失败类型和恢复时间；风险看越权、泄露、错误外发与关键事实错误；采用看目标用户是否持续使用；成本看账号、模型、积分、连接器、实施、维护和复核的总投入。
每个指标都要写公式、数据来源、统计周期、负责人和通过门槛。“明显提升”“员工觉得不错”无法用于验收。
建立固定测试集
测试集不能只放最干净的样本。正常样本验证主流程，缺失样本验证追问，冲突样本验证停止条件，异常格式验证兼容性，高风险样本验证权限拦截。正式试点前固定测试集版本，避免每次挑最容易通过的材料。
结果可以分为四档：通过，可进入受控使用；限用，只在特定数据或人员范围内使用；返工，流程有价值但仍需修复；停止，风险或总成本超过收益。结论要附原始证据和责任人签字或确认记录。
成本模型不要漏掉人工
单次任务成本可以拆成模型或积分、工具与连接器、运行环境、人工准备、人工复核、失败重试和维护摊销。AI 生成很快，但如果员工要花更久清理输入或逐条纠错，端到端成本可能没有下降。
测算时分别记录一次性成本和持续成本。培训、接入和知识整理通常属于前期投入；账号、调用、复核、维护和异常处理会持续发生。只有把这些项目放在同一张表里，企业才能判断扩大范围后成本怎样变化。
验收报告应同时呈现平均值和失败样本。平均时间下降并不能掩盖少数严重错误，尤其在财务、人事、合同、客户和生产场景中。
把这一章真正跑一遍
下面这条任务可以直接放进 WorkBuddy。先用脱敏副本练习，确认无误后再替换成正式材料。
为试点生成验收方案：指标定义、基线、样本、通过门槛、证据、复核人、风险事件、总成本和结论规则。不得只用“节省多少分钟”判断成功。
本章完成后，应留下这些结果：
- 基线表 已生成、能打开，关键内容能回到输入材料。
- 验收报告 已生成、能打开，关键内容能回到输入材料。
- 成本模型 已生成、能打开，关键内容能回到输入材料。
最后再看一遍实际文件和变更记录。删除、覆盖、外发、发布、付款、审批和生产写入继续由有权限的人确认。遇到材料冲突、权限不足或外部状态不确定，让任务停下并列出待处理问题。
AI 办公产品教程 · 完整版