90% 的美国工时，落在 AI 榜单测不到的地方

模型榜单一周一换，分数涨得很快。问题在于，那张榜单上的题，和大多数人每天在干的活，几乎是两批东西。

一、发生了什么

Mercor 研究团队发布了一份「美国经济基准地图」，把现有的 AI 评测映射到就业结构上。它用的是美国劳工部的 O*NET 分类：923 个职业、18,797 个具体任务、22 个职业族。每个方块代表一个职业，颜色深浅表示这个职业的任务被基准覆盖的比例。

覆盖的门槛定得不高：一个任务至少被 5 条基准提示词命中，才算「被覆盖」。即便按这个宽松标准，结果仍然刺眼：

• 923 个职业里，只有 208 个至少有一个任务达标；
• 18,797 个任务里，被覆盖的只有 924 个；
• 22 个职业族中，有 6 个没有任何任务达标；
• 按工时加权，90% 的美国工作小时花在「几乎或完全没有基准覆盖」的任务上。

覆盖的分布也不随机。被此前研究标为「AI 暴露度高」的任务，出现在基准里的概率大约是未暴露任务的 6 倍；O*NET 里重要性评分最高的任务，被覆盖的概率是最低组的 6 到 10 倍。换句话说，基准优先测了「工资总额大、AI 相关性强、看起来重要」的活。

这份报告的思路值得记住：先问「测到没测到」，再问「考了多少分」。多数榜单只回答第二个问题。

报告还点了四个职业：投资银行、法律、会计、软件工程。在这四个职业里，能被纳入加权评分的任务不到三分之一。

报告自己承认局限：29 个基准是自选的样本，不完整清单必然低估覆盖率，结论是暂定的。

二、跟你有什么关系

靠榜单选模型的人：榜单分数高，说明它在「被覆盖的那 10%」里强。你的活如果不在这 10% 里，分数和你的体验可能完全无关。

做行业落地的人：医疗、教育、建筑这些职业族的覆盖极低，不是因为 AI 在这些行业没用，是因为没人给它们出题。这里既有机遇，也有陷阱——没有基准，就没有可比的效果证据。

写评测的人：这份地图最实用的部分是方法，不是结论。用职业—任务—提示词三层结构去查覆盖，比堆更多题目更能发现问题。

三、怎么判断：给自己建一个小测

1. 先定位你的任务。 打开 O*NET 或你自己的岗位描述，把日常工作拆成 10 到 20 个具体任务。别写「写报告」，写「把三份财报里的营收口径统一后写一段对比」。

1. 每个任务出 3 条题，凑成 30 到 60 条。 用真实输入，别用干净的示例。带上你行业里的表格、缩写、历史背景。

1. 定一个能判对错的评分方式。 要么有标准答案，要么有明确的检查项（数字对不对、格式对不对、有没有漏项）。没有评分标准的评测，最后一定会变成「感觉还行」。

1. 固定这套题，每次换模型都跑一遍。 这套题的价值随时间增长，因为它记录的是你的业务，不是别人的榜单。半年后回看记录，你会发现自己对模型的判断比任何榜单都准。

四、三个别信的说法

「榜单第一就是最适合我的。」 榜单测的是被覆盖的任务，而且偏向高曝光、高工资的活。你的任务如果属于那 90%，榜首和榜尾的差别可能小于你换个提示词。

「90% 没覆盖，说明 AI 没什么用。」 覆盖不等于能力。很多任务没被基准测过，但模型照样能干得不错。这份报告说的是「我们不知道」，不是「它不行」。区别很重要：不知道意味着你得自己测。

「多补几个基准就解决了。」 报告里有个细节值得注意：即使把基准数量翻几倍，只要选题逻辑还是「优先高工资、高曝光」，长尾职业依然会被漏掉。问题在选题的分布，不在数量。

五、一句话结论

榜单告诉你模型的天花板在哪，不告诉你它离你的地板有多远——那一段，只能自己量。

信息来源

• Mercor Research《A benchmark map of the US economy》，2026：https://www.mercor.com/research/labor-index/benchmark-map/

功能与价格以官方公告为准。本文写于 2026 年 10 月 17 日。