AI代理（Agent，能自主执行任务的智能程序）吹了三年，有个bug始终没人敢碰——当代码遇到真实世界的脏活，谁来擦屁股？一家叫Deploy Humans的公司给出了答案：让人类当"执行层"，分数直接飙到108。
这个分数来自HackerNoon的"有用性证明"（Proof of Usefulness）评分体系。同场竞技的Data Horizon只拿到34分，Image to Photo 28分。差距不是一倍，是断层。
108分怎么来的？
Deploy Humans的定位很刁钻：不做AI本身，做AI的"手脚"。他们的平台把人类任务执行者嵌入代理经济的工作流——当AI遇到需要物理操作、复杂判断或实时验证的环节，系统会自动派单给真人。
「我们不是在替代AI，是在补全它。」创始人这样解释。这套逻辑踩中了一个被刻意回避的真相：当前大模型的"幻觉"（Hallucination，生成虚假信息的倾向）和工具调用能力，在真实业务场景里经常掉链子。
评分细则显示，Deploy Humans在"解决真实问题"和"可扩展性"两项拿了满分。评委的备注很直接：「这是第一个把'人在回路'（Human-in-the-loop，人类参与决策流程）做成基础设施的项目，而非权宜之计。」
代理经济的"最后一公里"陷阱
过去两年，AI代理赛道挤满玩家。从AutoGPT到各种"智能体框架"，演示视频一个比一个炫——订机票、写代码、管库存。但落地时普遍卡在同一关：最后一公里的执行。
举个例子：AI代理可以生成一份市场调研报告，但让它去联系10位行业专家做深度访谈？它连对方的微信都加不上。能规划供应链优化方案，但让它去仓库盘点实际库存？它没手。
Deploy Humans的解法是把这类任务拆解为"可验证的人类工作单元"，用类似众包平台的机制匹配执行者。关键创新在于与代理系统的深度集成——AI不是发完指令就等着，而是能实时接收人类反馈，调整后续策略。
这种模式在物流、医疗合规、高端客户服务领域已有试点。某物流公司的测试数据显示，接入人类执行层后，代理处理异常订单的完成率从31%提升到89%。
为什么现在？为什么是他们？
时机选得很准。2024年下半年起，"代理疲劳"开始蔓延——企业发现，纯AI代理的ROI（投资回报率）在复杂场景里很难算平账。Gartner去年Q3的调研显示，62%的AI代理项目因"执行缺口"延期或缩水。
Deploy Humans的团队背景也耐人寻味。核心成员来自Amazon Mechanical Turk（亚马逊的众包平台）和若干失败的"全自动"代理初创公司。用他们自己的话说：「我们在两边都栽过跟头，知道纯人工和纯AI都走不通。」
融资方面，他们去年完成了种子轮，金额未披露。但HackerNoon的评分曝光后，已有两家硅谷基金主动接触——其中一家专门下注"人机混合"赛道。
108分背后的争议
高分也引来质疑。有开发者社区的声音认为，Deploy Humans的模型"不够性感"——它没有训练自己的大模型，没有端到端的自动化，本质上是个"高级外包平台"。
这种批评漏掉了一点：当前技术条件下，"性感"和"有用"往往是反义词。同场评分的Image to Photo拿了28分，它的老照片修复工具确实酷炫，但市场规模和壁垒一眼看到头。Data Horizon的GA4对话分析也是同理——功能完整，但Google Analytics本身就在往这个方向迭代。
Deploy Humans的壁垒在于网络效应。人类执行者的技能图谱、特定行业的验证标准、与代理系统的API（应用程序接口）对接深度，这些需要时间沉淀，不是砸钱能复制的。
一个细节值得玩味：他们的平台命名刻意回避了"AI"字样，叫"Human Execution Layer"（人类执行层）。这种"反潮流"的诚实，反而在审美疲劳的市场里形成了记忆点。
HackerNoon的评委在闭门讨论时提了一个问题，没写进公开评语：「当AI的能力边界持续扩张，人类执行层会不会被逐渐压缩？」Deploy Humans的回应是，他们押注的不是"人类vs AI"，而是"需要问责的场景永远需要人类签字"。
这个判断能否成立，可能取决于监管而非技术。欧盟AI法案已经把高风险场景的"人类监督"列为强制要求，美国FDA对AI辅助医疗的审批也在收紧人工审核条款。如果政策风向持续，Deploy Humans的"人肉补丁"可能从权宜之计变成合规刚需。
评分公布一周后，他们的候补执行者名单增长了340%。其中有多少是冲着108分的噱头，多少是真看懂了模式，恐怕连团队自己也分不清。
热门跟贴