Сможет ли ИИ не просто дать совет, а самостоятельно выполнить рабочее поручение от начала до конца? Сбер представил Cowork Bench — открытый бенчмарк, который проверяет, насколько хорошо ИИ-ассистенты справляются с офисной рутиной.
Тест включает 475 сквозных задач. Агентам нужно работать с таблицами, электронной почтой и корпоративными системами, выполняя последовательность действий, а не ограничиваясь отдельными ответами.
Но главный вывод касается не только возможностей самих моделей. Результаты испытаний показывают, что успех во многом зависит от программной среды, которая управляет контекстом и действиями ИИ. Даже мощная модель может не справиться, если система неправильно организует её работу.
Платформа GigaCowork уже вошла в число лидеров тестирования: она успешно выполнила 75,2% задач. Однако этот показатель не означает, что ИИ готов полностью заменить сотрудников. Он позволяет сравнивать решения по единому критерию и видеть, насколько надёжно они выполняют реальные поручения.
Для бизнеса такие испытания могут стать практическим ориентиром при выборе инструментов автоматизации. А разработчикам они помогут понять, как превратить ИИ из собеседника в помощника, способного доводить работу до результата.
