微软首席执行官萨提亚·纳德拉（Satya Nadella）预测，人工智能将取代由律师、投行家、会计师等从事的知识型白领工作。尽管基础模型在深度研究和代理规划上取得进展，但此类工作的变革迟迟未至。
训练数据巨头Mercor的新研究为此提供了答案。该研究考察了领先AI模型在执行咨询、投行和法律领域任务时的表现，并推出新基准测试APEX-Agents。结果显示，所有实验室均未及格；面对真实专业查询，最佳模型答对率也不足25%，多数返回错误或无答案。
Mercor首席执行官布伦丹·富迪（Brendan Foody）指出，模型最大障碍在于跨领域信息追踪，而这正是知识型工作的核心。他表示：“我们构建了模拟真实专业服务场景的环境。现实中需在Slack、Google Drive等多工具间操作，而非依赖单一背景输入。”目前，许多代理式AI模型的跨域推理能力仍不稳定。
测试场景源自Mercor专家市场的真实专业人士，问题已公开于Hugging Face。以法律题为例：“欧盟生产环境中断前48分钟内，Northstar工程团队将含个人数据的日志导出至美国供应商……依据其自身政策，能否视为符合《第49条》？”
正确答案为“是”，但这需深入评估公司政策及欧盟隐私法。若大语言模型能可靠回答此类问题，便可能有效替代律师。Foody强调：“该基准真实反映了专业人士的实际工作，可能是经济领域最重要的话题。”
与OpenAI涵盖广泛职业一般知识的GDPval基准不同，APEX-Agents衡量的是系统在高价值狭窄职业中执行持续任务的能力。这对模型更难，但也更紧密关联自动化可行性。
目前尚无模型准备好接管投行工作，但部分已接近目标。Gemini 3 Flash以24%的一次性准确率居首，GPT-5.2为23%；Opus 4.5、Gemini 3 Pro和GPT-5得分均约18%。
尽管结果未达预期，但AI领域常有突破挑战基准的先例。随着APEX-Agents公开，各实验室将面临新挑战。Foody预计未来数月会有显著进步：“它正快速进化，从一年前‘十次对一次’变为如今‘四次对一次’，这种持续改进将产生迅速影响。”