论文导读
哈佛大学、Agent Evaluation Science、Raycaster、斯坦福大学提出WorkWorlds：先固定员工真正能访问的完整组织状态，再把任务交给智能体。192组匹配评估中，完整工作环境让证据访问率从90.4%降到74.5%，主要差距发生在执行前的找资料阶段。
传统办公评测，可能提前替AI找好了资料
很多基准先定义任务，再挑选完成任务所需的文件、表格和邮件。智能体拿到的是一份围绕问题整理过的资料包，虽然仍要推理和操作，却省掉了真实工作中最费时间的一步：从整个岗位可见空间定位相关证据。
WorkWorlds反过来构建环境。一个“世界”先固定组织版本、日期和员工席位，生成该员工能访问的全部状态；任务稍后才加入。这样，环境不会因为已知题目而泄露哪些资料更重要，同一任务也能在完整岗位信息和人工精选资料两种条件下匹配比较。
图：同一组织世界和员工席位分别产生完整岗位信息与任务精选信息，再交给相同智能体评分。
192组匹配实验，把差距定位到证据访问
主实验使用一家合成制药公司，设计8项可测任务和6个员工岗位，共进行192组匹配评估。每组保持世界、任务、席位、智能体和计算预算相同，只改变智能体看到完整岗位资料，还是领域人员为任务挑出的子集。
完整环境中，证据访问率从90.4%降到74.5%；标准通过率从79.4%降到68.2%。一旦智能体已经访问到足够证据，后续通过率几乎没有变化。结果把主要损失指向信息定位，而不是拿到证据后的推理与写作。
图：完整岗位信息和任务精选子集条件下，864项评分标准的证据访问与通过状态分布。
同一资料包也会受整理者选择影响
研究设置两位领域整理者独立挑选任务资料，并做分层审计。两人的资料包并不完全相同，但在相同条件下证据访问率接近89.2%和90.0%。这说明“给哪些资料”本身就是评测设计决定，而不是中性的输入准备。
论文还记录智能体检查了哪些文件、调用哪些工具，以及首次找到足够证据的位置。评测因此可以区分三类失败：没有找到文件、找到后没有抽取关键证据、已经有证据却没满足交付标准。只看最终任务分数会把这些原因混在一起。
图：两位资料整理者构建的任务子集在证据访问、标准通过和敏感性分析上的对照结果。
下一步让企业评测先定义员工能看到什么
WorkWorlds目前主要依赖合成组织，任务数量也只有8项。扩展到真实企业前，还要处理权限、隐私、版本变化和不可公开数据。它给出的操作原则已经很明确：先固定岗位与组织状态，再出题；同时报告证据访问和任务完成，才能知道智能体究竟不会做，还是根本没找到材料。
