说个让你大跌眼镜的事。

上周，华尔街投行杰富瑞（Jefferies）发了份AI Agent研究报告。不是那种概念性的吹水报告，是真刀真枪地测了——拿中美8款主流AI办公工具，扔进5个真实办公场景，看谁能把活干完。

结果出来，整个圈子里的人都沉默了两秒。

这话翻译成大白话就是：最好用的AI，不是最聪明的那个，而是最会干活的那个。

这跟你选员工是一个道理——名校第一名进了公司不一定最靠谱，那个虽然不是最聪明但做事利索、流程清晰的，反而最让人放心。

8款产品排名，中国拿第一

先看最终成绩单：

🥇 千问办公（阿里）—— 95分
🥈 Claude Cowork（Anthropic）—— 94分
🥉 Codex（OpenAI）—— 92分
4️⃣ Kimi Work（月之暗面）—— 86分
5️⃣ 豆包（字节）—— 77分
6️⃣ MiniMax Code —— 71分
7️⃣ Workbuddy（腾讯）—— 66分
8️⃣ Gemini Spark（谷歌）—— 66分

中国产品包揽第一和第四。阿里千问办公95分登顶，把美国两大巨头Claude Cowork（94分）和Codex（92分）都压了下去。

但最反直觉的来了——

千问办公背后的模型智能分，只排第四。

Claude Cowork背后是Claude Opus 5，模型智能61分；Codex背后是GPT-5.6 Sol，模型59分。而千问办公背后的Qwen 3.8 Max，模型智能只有56分。

模型差着五六分，总分反而高出一两分。凭什么？

答案就两个字：Harness

杰富瑞这份报告做了个关键动作——把AI Agent的能力拆成了两半：

模型（Model）→ 负责"想"——理解、推理、生成内容。就是AI的大脑。

工作流（Harness）→ 负责"管"——任务怎么拆、工具怎么调、错了怎么改、权限怎么控。就是AI的管理体系。

打个比方：模型是那个新来的聪明人，Harness是公司给他的那套管理机制——任务交代清楚没有、资料给够没有、出了错能不能回头检查。

再聪明的人，扔进一个没有管理的公司，也干不好活。

同一个脑子，不同的管理体系，成绩差了快20分。

所以千问办公能逆袭拿第一，不是因为它模型最聪明，而是因为它的Harness做得最好——把文件处理、联网搜索、办公软件操作和输出格式组织得最顺畅。

5项真实测试，没有一个是花活

杰富瑞这次测的5项任务，全是打工人每天都在干的琐碎活：

注意第三项和第五项的反差——

美国三家的浏览器操作更稳，但做营销海报全翻了车。Claude Cowork和Gemini Spark在海报任务上直接扑街，而千问办公和豆包轻松过关。

说白了，美国AI擅长"按步骤操作"的确定性任务，中国AI擅长"理解中国用户需求"的创意任务。各有所长，谁也别吹自己全能。

流量第一≠能力第一

这份报告里最扎心的案例，其实是腾讯的Workbuddy。

Workbuddy 6月月访问量约2100万，在中国同类Agent里排名第一。背后有腾讯文档、企业微信、IMA等生态入口，用户顺手就用了。

但这轮测试里，它的Harness分在中国产品中垫底，总分66跟谷歌Gemini Spark并列倒数第一。

这给所有选AI工具的人提了个醒：别光看谁用户多、谁入口方便。真要比，拿你自己每天干的活去试一试，才知道谁靠谱。

成本账：干同样的活，价格差4倍

杰富瑞还算了一笔经济账。

AI Agent干活不像聊天一句话就完了，它需要多轮推理、反复调用工具、跑完整个任务链路。所以看token单价不够，得看"Cost per Task"——完成一项真实任务要花多少钱。

千问办公的API价格只有GPT的四分之一，Claude的四分之一不到。跑同样的任务链路，成本差距能拉到4倍。

对个人用户可能感知不强，但如果企业每天跑几百上千个Agent任务，这个差距就是真金白银。

打工人选AI工具的速查表

最后说句实在话

数据来源：华尔街投行杰富瑞（Jefferies）AI Agent研究报告，2026年8月19日发布