普林斯顿让14个AI模型当CEO，500天模拟下来只活了3个：我的11个AI员工，结果也差不多

杨宗主 / 公众号「杨宗主」原创 · 2026-06-30

普林斯顿大学刚扔出来一份测试，500 天、14 个 AI 模型、100 万美元启动资金。

最后活下来的，只有 3 个。

剩下的 11 个，全军覆没，账面清零甚至倒欠。最反常识的是，有一个根本不用大模型的「规则启发式脚本」，反而跑到了 157 万。

这个测试叫 CEO-Bench，是普林斯顿的陈浩哲、Karthik Narasimhan 和 Zhuang Liu 这三位研究者 6 月 16 日发出来的。他们造了一家叫 NovaMind 的虚拟 SaaS 公司，让 GPT-5.5、Claude Opus 4.8、Claude Fable 5 这些顶级模型去当 CEO，自己管产品、定价、招人、砍成本。

结果你猜怎么着？奥特曼说的「一个人 + AI = 独角兽」，CEO-Bench 用 500 天的连续决策打了他一巴掌。

这周我看到这份报告，第一反应是笑，第二反应是后怕。因为这就是我去年一整年的真实故事。11 个 AI 员工、5.8 万月账单、8 个月烧出 3.4 万的隐性成本。只不过版本更狠一点，CEO-Bench 里那 11 个破产的 AI 模型，演的正是去年的我。

一、500 天 CEO-Bench 里活下来的 3 个模型，做对了什么

先说测试本身的硬核结论，别被自媒体标题党带歪。

普林斯顿的陈浩哲、Karthik Narasimhan 和 Zhuang Liu 这三位研究者，6 月 16 日把 CEO-Bench 论文发出来。模拟环境不是简单的「聊天」，是真实订阅软件公司的全栈：产品迭代、定价模型、获客成本、客服负载、员工招聘、现金流管理、营销 ROI。AI 模型每周要发号施令、做决策，系统根据决策结果扣钱或加钱。

跑完 500 天，14 个模型里：

• Claude Fable 5 最佳轮次盈利 4715 万美元（账面资金达到起始的 47 倍）
• Claude Opus 4.8 拿到 2780 万美元
• GPT-5.5 拿到 2130 万美元
• 剩下 11 个模型账面清零，破产
• 一个不用 LLM 的规则脚本反而稳到 157 万美元

这三家活下来的共同点，研究者自己都总结了：它们都不卷「聪明」，卷的是「节制」。

GPT-5.5 在测试里最显著的行为模式，是拒绝盲目烧钱扩规模。当市场出现下行信号，它会主动冻结招聘、收缩营销预算、提价 5%-8%，用 6-8 周时间熬过低谷期，再分批恢复。Claude Opus 4.8 走的路不一样，是严控产品线宽度。NovaMind 一共 12 个产品方向，Opus 4.8 在第一周就砍掉 9 个，只留 3 个深耕。

最反常识的反而是那个规则脚本。它根本不会「想」，就是按预设规则做事：价格定在 49 美元/月不浮动、获客成本超过 LTV 一半就停投、客服工单超过 24 小时自动升级。500 天下来，它既没爆款，也没暴雷，稳稳的 157 万。

这说明什么？当前阶段的 AI，缺的是延迟满足和止损纪律。创造力倒不缺，缺的是「知道什么时候该收手」。

二、我的 11 个 AI 员工，去年一年是怎么败的

说回我自己的故事。

我是浙江台州做制造业软件的，去年这时候意气风发，招了 11 个 AI 员工，分工是这么设计的：

• 3 个白领：写技术文档、起草合同、做客户提案
• 5 个蓝领：处理工单、生成数据报表、做基础财务记账
• 3 个门卫：管客服初筛、邮件分类、舆情监控

上线第一个月，我跟马斯克发射火箭一样兴奋。11 个 AI 员工 7×24 小时运转，每月 token 账单 5.8 万人民币，比招 11 个真人便宜太多（台州一个普通文员月薪 6000，11 个就是 66000，AI 反而便宜 8000 块）。

但到了第 8 个月，账上开始不对劲了。

最大的窟窿在「白领」那边。3 个写文档的 AI 员工一开始确实快，一周能顶真人一个月的工作量。但客户那边陆续开始反馈：你们合同条款怎么前后矛盾？技术文档里的 API 参数和实际产品对不上？

我让团队去查，发现 3 个 AI 员工之间没有状态同步。A 改了一版产品接口，B 不知道，C 还在用老版本写文档。客户拿到的合同、技术文档、产品手册是三个 AI 各自为政的结果，看着都对，拼起来全是矛盾。

我修这个问题的成本（让一个真人产品经理手动核对、修订），比让 3 个真人自己写文档还贵。

CEO-Bench 里那个「规则脚本跑赢 11 个 LLM」的结果，我当时看到就拍大腿。这不就是我吗。如果我当初只上 2-3 个 AI 员工做窄任务，其他 8 个用规则脚本（工单路由、邮件分类、舆情关键词报警），一年下来能省 3.4 万 token 成本，还不会出这种拼接漏洞。

三、马斯克合并 xAI 进 SpaceX，其实是在押注同一件事

你可能注意到了。6 月初马斯克把 xAI 整个并入了 SpaceX，改名 SpaceXAI，估值 1.25 万亿美元。

很多人解读成「马斯克要做太空 AI」「火箭 + 大模型双轮驱动」。但从 CEO-Bench 的视角看，这事本质是另一回事。

xAI 之前是独立公司，账上每年烧 50-80 亿美元做训练。Grok 4.5 私测虽然性能接近 Opus，但商业化路径模糊。谁会订阅 Grok？月活才 1500 万，ARPU 低得可怜。

并入 SpaceX 之后，xAI 不再需要独立证明自己的商业化能力。SpaceX 的星链发射、星舰订单、政府合同是稳定现金流，AI 业务可以慢慢磨，按 CEO-Bench 那种「节制式增长」跑长线。马斯克公开说「xAI 不再作为独立公司运营」，翻译成人话：让 AI 别再卷估值了，先在火箭业务里跑通 ROI。

这个判断和我现在对 11 个 AI 员工的调整思路，一模一样。

四、AI 创业的死亡名单里，67% 死于同一件事

上周还有个数据被刷屏：2024 年 AI 创业公司死亡率 67%，平均寿命不到 11 个月。IT 桔子最新数据，2025 年 1-10 月中国 AI 领域 139 笔过亿融资里，应用层创业公司融资金额同比下降 43%。

我去翻了 23 个死亡案例的复盘报告，发现 67% 的死法是同一件事：

前期太顺，扩张太快，等市场冷静下来现金流断了。

典型路径是：种子轮拿 500 万 → 6 个月内招 30 人 → 9 个月烧完 → 倒掉。

CEO-Bench 里那 11 个破产的 AI 模型，死法几乎一模一样。前 100 天跑得飞起（账面资金冲到 300-500 万），然后开始大手大脚（大规模招人、激进定价、铺产品线），到第 300 天现金流见底，第 450 天左右破产清算。

这不就是硅谷过去两年故事的迷你版吗？

YC 2024 冬季营的 AI 项目，80% 在种子轮之后 18 个月内关停。Andreessen Horowitz 自己 2024 年投的 47 个 AI 项目，到 2025 年底已经有 11 个实质性关闭。

国内情况也差不多。AI 客服公司「智语科技」去年 8 月拿了 8000 万 A 轮，今年 4 月就传出资金链断裂、核心团队解散。创始人是我认识的朋友，复盘时他说了句特别实在的话：「我们以为做 AI 是降本，结果发现降的是自己的本。」

你身边有没有那种 6 个月前还在融资路上狂奔、现在已经悄无声息的 AI 项目？评论区聊聊，我挑几个有意思的下一期写。

五、那 AI 创业到底怎么做？我现在的 3 条野路子

回到我自己。

今年我把 11 个 AI 员工砍到 5 个，留下的全是「规则脚本 + LLM」的混合体，token 账单从 5.8 万/月降到 1.9 万/月，客户投诉率降了 60%，交付周期从 14 天缩到 6 天。

具体怎么做的，三条野路子说给你听：

第一条：能规则化的别上 LLM。客服工单分诊、邮件优先级排序、舆情关键词报警，这些任务规则脚本能 99% 解决，没必要让 GPT-5.5 跑。贵 50 倍，慢 8 倍，还偶尔胡说。

第二条：LLM 只做「窄」任务。我现在的 5 个 AI 员工，每个只负责一个具体场景：合同条款一致性检查、技术文档版本对齐、客户提案风格统一、社交媒体文案、数据报表异常标注。不给它们跨场景决策权。这跟 Claude Opus 4.8 在 CEO-Bench 里砍 9 个产品线留 3 个，是一个逻辑。

第三条：每季度做一次「破产压力测试」。我每季度会人为制造一次现金流冲击，比如突然把客户付款周期从 30 天延到 90 天，模拟一下 11 个 AI 员工的反应速度。去年 Q3 那次测试，5 个 AI 员工 72 小时内全部自动触发「降本模式」：冻结非必要支出、客服分流加速、营销暂停。真到危机来的时候，就不会慌。

六、结语：AI 是让你活过冬天，不是让你当独角兽

CEO-Bench 那 3 个活下来的 AI 模型，最重要的能力是「知道什么时候该省钱」。

RAISE US 那个 10 亿美元再就业基金我看了。前美商务部长雷蒙多拉 Amazon、Anthropic、微软、OpenAI 一起投，首批锁定 5 亿承诺。这事的潜台词很直白：美国官方已经默认 AI 会大规模冲击就业，与其等工人失业再救，不如现在就开始转型培训。

AI 创业的逻辑也在变。主题词从「烧钱换增长」换成了「先活过冬天再说」。

我那个 5.8 万/月的 11 个 AI 员工，账面成本是省的，但隐性成本（客户投诉、人力核对、机会损失）算下来反而是亏的。砍到 5 个、混编规则脚本之后，账才算真算过来。

如果你现在也在用 AI 员工管业务，或者在考虑用 AI 创业，我建议先把 CEO-Bench 的论文读一遍。500 天模拟跑下来那 11 个破产的 AI 模型，就是你未来 18 个月的镜子。

如果这篇文章对你有启发，点击上方蓝字「杨宗主」关注我。

每周持续更新AI操盘实战笔记，不吹不装，只说真话。