217票的冷思考:AI智能体连报税都做不好?

一个数字就够了：10.8%。这是Claude Sonnet 5.5在DAYJOB: Tax上的通过率。50个真实税务任务，95%的评分标准才算过，最强模型十次里只合格一次。Fable 5.1是9.6%，Opus 5.5是9.2%。前三名全是Anthropic系，差距小到可以忽略。

这不是某家模型的失手。这是整个前沿模型在专业判断上的系统性天花板，被一把尺子量了出来。往下看那个案例，你就知道差在哪

这不是考试，是上班

先把DAYJOB: Tax是什么说清楚，否则你会低估这个数字的杀伤力。它不是题库。是50个工作台。1,789个文件，中位数每个任务30个文件，最狠的一个塞了123个。里面有PDF报税表、Excel底稿、K-1、W-2、IRS通知、总账、合同、邮件，还有一张手写进货收据的照片。

传统benchmark给你一道题，问你答案。DAYJOB给你一个乱糟糟的办公桌，问你交付。评分标准是95%通过率才算合格，这不是“答得不错”，这是“能签字”。任务覆盖个人税、小企业税、合伙、房产投资、遗产赠与信托、国际税、公司交易、税务争议八大领域，全部由税务专家设计，三层审核：正确性、完整性、可解性。

这是领域专家深度介入的体检，不是工程师拍脑袋出的卷子。结果就是那个10.8%。一年前这个数字可能是0%，进步曲线确实陡。但0到10.8%和10.8%到及格之间，隔着的不是努力，是物种差异

Anna的公寓，和AI不会问的那句话

有个任务是这样的：客户Anna要卖公寓，涉及25万美元免税额资格，Astra跑了五次，五次全部漏掉同一件事：2027年8月之后，她可能失去这个免税额资格。这是个截止日期。客户没问。客户不知道自己该问。Opus跑了五次，五次全部识别。

这个细节比10.8%更能说明问题。差距不在知识储备，在职业主动性。一个好税务师的价值，从来不是会算数，是知道客户没问但必须知道的事。AI能读懂那张手写收据，读不懂这句话。

更麻烦的是失败模式。如果AI是算错一个数字，人类复核能兜住。但DAYJOB暴露的失败是“漏掉客户不知道自己该问的问题”。这种错误，人类复核者大概率也发现不了。因为Anna案例里，Astra给出的结论本身是对的，两个日期都满足居住要求，复核者看一眼，点头，过。错的是那句没说的话。

这句话不是保守，是准确。税务容错率极低，一个漏掉的截止日、一个错误的多州纳税义务判断，代价是罚款、诉讼、客户关系崩塌。在这种领域，接近及格等于完全不能用。89.2%的交付不合格率，不是“还有提升空间”，是“现在不能签字”。

成本曲线里藏着的那个信号

悲观派赢了这个回合，但有个被低估的细节，乐观派没讲错。Sonnet 5.5和Opus 5.5的通过率只差1.6个百分点。高性能端挤成一团。这说明什么？专业判断能力可能正在快速商品化。 一项能力一旦被证明可习得，模型之间的差距会迅速收敛。对Anthropic是护城河，对后来者是追赶窗口。

判断放在这：12到18个月内，通过率会翻倍到20-25%区间。靠的是专项训练，用RLHF奖励“提出客户没想到的问题”这个行为。但突破40%需要架构级创新，单次前向传播很难可靠地做元认知，也就是知道自己不知道什么。这道坎，不是堆数据能过的。

行业影响分两层。短期是焦虑，不是替代。四大和Intuit、TurboTax、H&R Block会加速把Agent塞进工作流，但定位是初级助理：做底稿、查记录、初筛问题，人类做判断和签字。真正的冲击在低端报税市场，简单个人报税、标准小企业申报，10.8%配上人类抽检，经济账可能已经算得过来。高端咨询，跨境、遗产、争议，短期无虞。

“人类在环”会变成专业Agent的标配产品形态，不是过渡方案。 评测标准也会长出新指标：人机协作通过率。

最值得盯的信号有两个。Surge会不会发DAYJOB: Tax 2.0，加入对抗性任务，故意埋矛盾记录、故意给不完整信息。以及，有没有税务软件公司公开用这个benchmark做采购筛选。

在那之前，所有“AI Agent能干活了”的叙事，都还停留在演示经济

最后一句话

DAYJOB: Tax用50个任务和10.8%这个数字，给2026年的Agent狂热浇了一盆专业级的冷水。它证明AI能读懂手写收据，却读不懂客户没问但必须知道的事。

而专业服务的全部意义，就在那句话里。