Google Research 本周发布的一篇博客，问了一个让整个 AI 行业不太舒服的问题：AI 模型在基准测试（Benchmark，用标准化题目衡量模型能力的统一考试）上的分数一路往上走，但它们真的把活干得更好了吗？
这是什么
Google 的研究团队指出，目前行业评估 AI 的方式存在结构性偏差。一个模型如果在某项考试里拿了高分，采购方往往默认它"能力强"，但能力（capability，能做题的能力）和有用性（utility，能把活干漂亮的能力）是两件事。一个能答对九成数学题的模型，不一定能在企业里准确填好一份 Excel 报表。
这篇博客的核心论点是：评估体系正在被"应试化"。模型的优化目标变成了刷分，而不是解决真实工作流里的具体问题。这不是 Google 第一次对评估方法论表达不满，但声音来自研究部门而非销售部门，分量不同。
行业怎么看
支持方认为，Google 戳破了一件皇帝新衣。大量 AI 厂商的发布会以刷榜为卖点，但客户落地后普遍发现效果差距很大。一家国内大厂的产品负责人私下告诉我们："内部已经不怎么相信外部榜单了，更看自己业务场景的复测。"
反对意见同样值得听。多位研究者提醒，基准测试不是没用，而是目前没有更好的替代品。若全盘否定，意味着企业采购 AI 时只能依赖主观演示和厂商自吹，决策成本反而更高。一位 AI 投资人更尖锐地指出："Google 自己在 Gemini 上也是重度依赖基准做市场宣传，这种批评有几分可信，要打个折扣。"
对普通人的影响
对企业 IT：采购 AI Agent 不能只看厂商榜单分数，必须在自己的真实业务数据上做小范围试点，否则容易花大钱买回一个"考试高手"。
对个人职场：那些宣称"提效 X 倍"的 AI 工具，到手后大概率没那么神。值得花一周时间亲自跑一遍核心工作流，再决定是否续费。
对消费市场：类似逻辑适用于所有 AI 产品。发布会演示与真实体验之间的落差，会成为接下来一年投诉的重灾区。