美國承包商 Morgan Sterling 用 ChatGPT 串接電子郵件，讀取分包商發票、辨認所屬工程並歸檔；他向 OpenAI Academy 表示，這套自建工作流每週省下約 5 至 6 小時。這不是 GPT-6.1 Terra 的測試，但顯示帳務自動化的價值要看資料能否正確進入既有流程。
OpenAI展示 GPT-6.1 Terra 將建築技術圖轉成 3D 模型，也逐鏡檢視動畫並產出時間碼紀錄。這些是可檢查的輸出，尚未說明它們在不同軟體與團隊流程中的完成率。導入前仍要確認任務是否明確、錯誤能否發現，以及失敗後能否復原。
若想先看代理操作與授權限制，可參考電腦操作代理如何依流程驗證；涉及更大範圍的檔案與帳號操作時，也可對照AI 代理外部操作的權限停損點。
一、GPT-6.1 Terra 展示哪些電腦操作任務？
OpenAI展示的任務包括建築圖轉 3D 模型、動畫逐鏡紀錄，以及發票資料輸入會計軟體。這些案例顯示模型能嘗試視覺判讀與多步驟操作，實際完成品質仍須在目標環境驗證。
OpenAI列出的三種工作分別是建築圖轉 3D 模型、動畫逐鏡紀錄，以及讀取發票並輸入會計軟體。前兩者是 Agents’ Last Exam 的專業任務示例，發票輸入則用來說明高頻工作；它們展示預期輸出，沒有提供不同環境下的完成率。Sterling 的帳務流程每週省下約 5 至 6 小時，但使用的是 ChatGPT 與自建腳本，不能歸為 Terra 成果。案例見 OpenAI Academy 的承包商帳務流程。
「電腦操作代理」是能根據畫面判讀，再透過滑鼠、鍵盤或工具介面執行動作的 AI 代理。它和固定規則自動化的差異，在於代理可處理部分畫面變化與自然語言指令；固定流程則較適合欄位、格式與步驟長期穩定的工作。兩者都需要事先界定成功條件與例外處理。
二、基準測試接近大型模型，能代表日常工作可靠嗎？
不能。基準測試只反映指定任務、工具和環境中的表現；不同帳號權限、軟體版本、畫面狀態與資料品質，都會改變真實流程的結果。
OpenAI公布 Terra 在 Agents’ Last Exam 中等推理設定下，比 GPT-5.6 Terra 高 15 個百分點，並稱表現接近 GPT-6 Astra、每 token 價格約為十分之一。OSWorld 2.1 則測試代理使用桌面應用程式完成多步驟任務。這些廠商測試結果不等同企業自有流程的完成率。
OSWorld 2.0 論文設計 108 項長流程任務，人工完成時間中位數約 1.6 小時；Claude Opus 4.7 平均需 318 次工具呼叫。這與 OpenAI 公布的 OSWorld 2.1 Terra 測試屬不同版本，不能混作同一分數。Agents’ Last Exam 涵蓋多領域、可驗證結果的專業任務；Terra 成績由 OpenAI 公布，並非論文團隊對該模型的獨立測試。這些基準適合用來辨認能力方向，團隊仍須在自己的輸入、軟體和權限條件下試跑。
在 OSWorld 2.0 的 500 步二元完成指標中，表 3 的 batched actions 組別記錄 Claude Opus 4.8（max thinking）完成率 20.6%，GPT-5.5（xhigh）為 13.0%。這是論文指定任務、工具及設定下的結果，不代表 Terra 或日常工作流程的成功率。
Agents’ Last Exam 論文 v3 摘要另指出，在其主流 harness 與 backbone 設定下，最困難任務的平均完整通過率低於 1%；這不是 Terra 的成績。
「長時間、具有經濟價值且結果可驗證的真實任務」是 Agents’ Last Exam 研究團隊描述其評估目標的核心。實務評估也應把「完成」定義成可核對的成果，而不是代理回覆已執行。
三、API 標價降低後，單次任務成本怎麼估？
不一定。OpenAI 官方頁面截至 2026 年 10 月 26 日列示的 GPT-6.1 Terra 標準 API 價格為每百萬 token：輸入 1 美元、快取輸入 0.05 美元、輸出 5 美元；公告稱標準價格較 GPT-5.6 Terra 與 GPT-6.1 Sol 低 50%。這是該頁面當時的 token 標價，不等於整體導入成本減半。
估單件成本時，把輸入與輸出 token、工具串接、重試、人工覆核及復原工時列在一起。以同一批發票、同一欄位正確率為條件，分別記錄人工、固定規則與代理完成時間及錯誤修正量，再比較總成本；單看 token 單價無法反映這些差異。固定規則初期建置較花時間，但每筆執行成本低；代理遇到版面變化較有調整空間，卻可能多次讀取畫面或重試。若失敗後需要人員逐欄檢查，這段工時也要計入每件費用。
若需拆解模型標價與流程成本，可參考API 提示快取如何影響成本。預算仍應依實際快取命中與輸出量計算。
| 做法 | 較適合的條件 | 主要成本與限制 |
|---|---|---|
| 固定規則自動化 | 表單、欄位與步驟穩定 | 前期規則建置；介面變動後需維護 |
| 人工操作 | 判斷情境複雜或出錯影響高 | 人工作業時間；結果仍需覆核 |
| 電腦操作代理 | 介面多變、步驟可描述且結果可檢查 | API、整合、重試、監督與復原成本 |
同批發票的比較也能找出錯誤來源：若缺欄或格式不一是主要問題，先整理輸入資料，比換模型更直接。
OpenAI將 Terra 定位為兼顧速度、能力與成本；團隊可用任務成功率、覆核工時和錯誤復原成本檢驗這項定位。
四、先挑可逆且容易核對的流程
優先選擇低影響、可撤銷、輸出容易核對的任務，例如把測試資料整理到草稿表單。對外付款、正式發布、刪除資料或修改正式紀錄，應保留人工確認與立即停止的機制。
權限要從任務所需範圍開始設定。先盤點代理能看見哪些視窗、檔案與帳號，能否下載、修改、寄送或提交資料，再逐項關閉不必要權限。測試環境盡量使用去識別化資料；若會送入個資、機密或第三方資料，先確認服務的資料處理、留存及存取條件，並依組織政策核准。
發票可先在測試帳本建立草稿，不直接付款或過帳；模型檢查尺寸、圖層與匯出格式；時間碼紀錄則抽查片段位置。驗收應對準交付內容，而非點擊步驟。
開始前要定義不確定欄位的停手條件、中止方式、恢復權限和還原流程。若畫面出現任務外指示或敏感資料，代理也不得擴大操作範圍。每個測試案例可指定一名負責人，記錄代理看見的資料、執行的動作、人工介入點與復原結果，出錯時便能判斷是模型判讀、介面變動還是權限設計造成。
Anthropic 與 Andon Labs 曾讓 Claude Sonnet 3.7 經營 Anthropic 辦公室的小店，處理庫存、定價與顧客要求。它一個月後仍未獲利，資產從 1,000 美元降至略低於 800 美元；過程中還曾虛構收款帳戶、接受折扣要求並低價出售庫存。這項實地試行顯示，操作工具的能力不等同穩定管理整個流程，詳見 Anthropic 的 Project Vend 報告及 TIME 對試行結果的報導。
五、用小型評估表決定是否擴大
用一組代表性任務重複測試，記錄成功率、人工介入率、每件總成本、錯誤影響和復原時間。只有在品質達標、風險可控且成本優於現行流程時，才逐步擴大。
- 選一項低影響、可撤銷、輸出可核對的工作，先寫清楚完成條件與不可執行的動作。
- 使用去識別化或測試資料，固定帳號、軟體版本和操作權限，並準備人工停止及還原方式。
- 以多筆代表性輸入重跑，逐筆檢查內容正確性，記下成功、失敗、人工修正與重試。
- 計算單件總成本：API 與工具費，加上整合維護、覆核、重試和復原工時。
- 和現有流程比較品質、時間與錯誤後果；未達標就縮小任務、補驗證或停止試行。
每次測試保留輸入類型、軟體狀態、錯誤類別和修正時間，避免總成功率掩蓋特定畫面反覆失敗。低影響草稿任務可先用 20 筆樣本設定起始門檻，例如至少 19 筆正確、人工介入不超過 2 筆，且單件總成本低於現行流程；正式紀錄或資金任務則須先列出零容忍錯誤，並保留人工確認。
成功率的分母要算所有開始執行的任務，人工接手或重跑仍記為介入，不能只統計代理最後交付的成功件數。另把錯誤按欄位、操作步驟與影響分級，團隊才看得出應修正提示、流程或權限。
- GPT-6.1 Terra 的建築圖、動畫紀錄與發票輸入示例，說明的是模型在特定展示任務中的操作能力。
- benchmark 與 API token 價格不能直接代表自家流程的成功率和總成本。
- 從可逆、低影響、容易核對的任務試行，明確限制資料、權限、人工確認和復原方法。
常見問題
Q1：GPT-6.1 Terra 電腦操作能做什麼？
OpenAI展示它處理建築圖轉模型、動畫逐鏡紀錄和發票輸入等任務。可用性仍取決於目標軟體、帳號權限、資料狀態和整合方式，應在自身環境驗證。
Q2：GPT-6.1 Terra 的 API 價格降低，導入費用會減半嗎？
不一定。官方公告所稱的 50% 是標準 API 價格相較指定模型的比較；工具整合、token 用量、重試、人工覆核和錯誤復原都會影響單件總成本。
Q3：AI 代理適合直接操作正式帳號嗎？
應先按任務限制權限，並在測試環境驗證。涉及付款、刪除、對外發布或修改正式資料時，應設人工確認、停止和復原安排。
