CEO-Bench：不考嘴炮，考管事

为了搞清楚这件事，他们搞了一个叫 CEO-Bench 的测试。这可不是那种丢给AI几道选择题，或者让它洋洋洒洒写份商业计划书的常规考试。他们直接把AI扔进了一家名为NovaMind AI的虚拟初创公司，给了它100万美元的启动资金，然后告诉它：活下去，连续经营500天。

在这个虚拟世界里，AI不是高高在上的吉祥物，它得实打实地干活。每周它都要做决策：定价格、批预算、投广告、抓产品质量、处理客服工单，甚至还得盯着社交媒体上的舆论。它手头有34个工具，能查阅19张业务数据表，甚至还能自己写Python脚本跑数据分析。

游戏规则很简单也很残酷：到了第500天，看你手里还剩多少钱。

这事儿有意思的地方在于，大家终于不考AI的”嘴炮”能力，开始测它的”管事”能力了。

以前的AI测试，多半像是在做卷子，答对得分。但CEO-Bench更像是在玩一把真实的模拟经营游戏。在这个游戏里，因果关系是延迟且充满噪音的。

你今天一咬牙降了价，可能得下个月才能看到财报上的变化；你今天为了省钱裁了客服，下周投诉量可能就会教你做人；你今天砸钱投了广告，现金流哗哗往外流，但客户可能得过阵子才会慢吞吞地找上门。

真实世界的商业决策，从来不是即时反馈的，而且永远伴随着信息残缺。CEO-Bench就是把这些恶心人的难点全塞进了模拟器里，逼着AI不能再靠漂亮的场面话蒙混过关。

结果：有点戏剧性

那么，结果如何呢？

说实话，有点戏剧性。

在几百天的折腾后，只有少数几个顶尖模型（比如 Claude Fable 5、Claude Opus 4.8 和 GPT-5.5）在发挥最好的那次，手里的钱超过了最初的100万。

GPT-5.5 的表现特别有意思：它发挥最好的一次，最终现金冲到了2130万美元，简直是商业奇才。但别急着鼓掌——在它的3次测试里，有2次直接把公司干破产了。

Claude Fable 5 比较稳健，最佳成绩是4715万美元；Claude Opus 4.8 则是2778万美元。

更让人心情复杂的是，研究人员随手写的一个简单的规则策略，最后竟然也赚了1576万美元。

看着这份成绩单，我有一种很奇妙的感觉。

一方面，你得承认，顶尖AI确实已经具备了某种”经营直觉”。

它们不再是只会聊天的机器人，它们真的能在虚拟的商业环境里，做出一连串有效的决策。它们会看报表、会调价、会加大产品投入，甚至会在社交媒体的只言片语里寻找商业信号。论文里还提到，有些强悍的模型甚至会自己写复杂的代码，去模拟客户群体预测现金流，或者从谈判记录里挖掘客户的偏好。

但另一方面，AI离真正的CEO，差得还不是一星半点。

GPT-5.5 那次高光表现很惊艳，但现实世界里，哪家公司的董事会敢用一个”三次创业两次破产”的CEO？现实的商业经营，不仅仅是算账和调参。它关乎人心、企业文化、法律伦理，关乎怎么和投资人周旋，怎么在组织内部建立信任。而这些，在 CEO-Bench 的代码里，只能被极其有限地模拟。

所以，如果现在有人喊”AI也能当CEO了”，你可以点点头，但得在心里加个括号：（仅限于在一个可计算的、没有复杂人际关系的模拟器里）。

但这并不意味着这个测试没有意义。相反，它是一个非常关键的转折点。

CEO-Bench 证明了一件事：AI的能力边界，正在从”帮我写封邮件”这种单点任务，悄悄向”连续管理一个复杂系统”蔓延。

这才是真正让人后背发凉的地方。许多工作真正难的，从来不是做一次决定，而是今天做决定，明天看反馈，后天修修补补，下周承担后果的连续过程。

在可见的未来，AI可能不会真的挂上CEO的头衔。但更现实的画面是：它会成为CEO身边那个永远不睡觉、算力惊人的”超级副手”。

它每天盯着收入、流失率、广告投放和现金流，冷酷地给出几套方案，模拟出每种方案的后果，并在一旁提醒你：”老板，你现在的决定，正在透支公司三个月后的未来。”

人类负责拍板和承担责任，AI负责拓展人类的视野和推演能力。

在我看来，CEO-Bench 排行榜上谁是第一，其实没那么重要。真正值得我们留意的信号是：AI已经开始被扔进那种信息残缺、反馈延迟、环境多变、容错率极低的真实考验里了。

一旦AI能在这种复杂系统里持续做出好决定，它改变的就不再是打工人的办公效率了。它会开始影响一家公司怎么定价、怎么花钱、怎么找客户、怎么判断风险，甚至怎么设计组织架构。

CEO-Bench 只是一场500天的模拟游戏。

但它更像是一盏提前亮起的信号灯，提醒我们：AI，正在从一个好用的工具，慢慢走向牌桌，成为真正的经营参与者。