SaaS-Bench 实测：Claude 等大模型办公任务完全通过率不足 4%

UniPat AI 发布 SaaS-Bench 评测基准，测试 Claude、GPT-4o 等主流大模型在真实 SaaS 办公场景中的端到端任务完成能力。结果显示，所有模型的完全通过率最高仅 3.8%，AI 全自动办公远未落地。

SaaS-Bench 涵盖 CRM、项目管理、文档协作等 6 类真实办公软件，共 200+ 个多步骤任务。评测要求模型自主操作 UI 完成完整工作流，而非仅生成文本。Claude Computer-Use 在部分步骤上表现优于竞品，但整体成功率极低，暴露出大模型在复杂 GUI 交互中的脆弱性。

该评测揭示了当前 AI Agent 在真实生产环境中的核心瓶颈：多步任务中的错误累积、跨系统状态同步困难、以及对非标准化 UI 的泛化能力不足。全自动办公短期内仍属幻想。