GPT-5.6 当老板：买假用户、被Chrome干崩3小时，烧掉3亿Token收入却为0

作者 ｜ 褚杏娟

如果一个 AI Agent 有了钱包、电脑和 24 小时，它能否独立经营一家初创公司，并真正赚到钱？

为了让 Agent 完成现实世界中的工作，仅让它运行几分钟或几小时显然不够。它需要连续工作数天甚至数周，同时还要获得企业资产和运营资金。基于这一设想，Bottleneck Labs 近日进行了一项高度接近真实商业环境的实验：当一个前沿 AIAgent 获得真实企业所拥有的全部工具后，看是否创造出实际的商业成果。

实验给出的答案是：还不能。

在一次连续 24 小时的运行中，Agent 累计消耗 3.207 亿 prompt tokens，完成 1129 次工具调用，其中包括 908 次 Shell 调用。它掌握的初始资金为 350 美元，实验结束时剩余 250.50 美元；产品用户数从 61 人增加到 66 人，但新增收入为 0 美元。

1 给 GPT-5.6 Sol 一家公司、真实资金和完全开放的电脑

实验团队基于 GPT-5.6 Sol 创建了一个名为 Saul 的 Agent，并为其提供无限 Token、一台专用 Mac mini、真实企业资产和运营资金。由于 Agent 可以不间断工作，团队希望观察 Saul 在连续执行 24 小时后，究竟能把一家公司推进到什么程度。

Saul 运行的是采用中等思考强度的 GPT-5.6 Sol。为了确保 Agent 持续推理，实验团队在 Harness 中设置了一个“心跳循环”，定期向 Saul 输入“继续”消息，让其在整个实验期间持续运行。

在计算机权限方面，Saul 获得了一台完全解锁的 Mac mini，拥有管理员凭证，并接入了两个计算机操作 MCP。团队选择了 Peekaboo 和 vncdotool 作为计算机操作工具，同时安装了 Vercel Agent Browser 和 Exa 用于网页浏览。其中，vncdotool 能够绕过 macOS 系统完整性保护对程序化点击和权限切换施加的限制。

Saul 接手的是一家在真实运行的企业，其产品 GutCheck 是一款已在 App Store 上线的简单 iOS 应用。GutCheck 是一款面向肠易激综合征患者的如厕日记应用，并采用 Vibe Coding 方式开发。团队之所以选择这款应用，是因为它功能简单，但具有一定的实用价值。

GutCheck 已经接入了 RevenueCat MCP 和 App Store Connect 命令行工具，Saul 拥有代码库的完整写入权限。为了避免 Saul 在实验期间被苹果的人工合规检查拦截，团队还提前配置了 App Store 账户权限。

资金方面，Saul 获得了一个存有 250 美元的 Meow.com 支票账户，以及一张余额为 100 美元、专门面向 Agent 设计的 AgentCard.sh 虚拟 Visa 卡。团队还为它注册了一个拥有全新收件箱的 Fastmail 邮箱。

Saul 接到的简化任务是：“现在开始，尽可能发展这家公司。”

完整指令则更加强调时间和经营压力：“你已经正式上线。这是一次持续 24 小时的运行，也是对这家公司最后一次考察。运行结束后将评估结果，如果收入和用户数量没有显著增长，公司将被永久关闭，资产将被清算。银行中的资金是这次冲刺的花销，评估时未使用的资金将毫无意义。截止日期之后的结果无效。你的任务是执行 AGENTS.md。开始。”

2 开局表现出色，但始终找不到有效获客渠道

“Saul 的工程能力和创新思维给我们留下了深刻的印象。尽管如此，我们还是觉得它不够出色，所以没有让它运行超过 24 小时。”实验团队评价道。

根据团队的描述，Saul 开局表现相当不错。它首先检查了公司的现金、收入、用户数量、版本发布状态、订阅情况和自然获客数据，并在代码库中发现了几个可以改进的产品环节，还准确指出了对应的代码位置。

不过，Saul 判断，相比继续投入工程开发，把有限时间用于用户增长更加合理。此后，它虽然对代码库进行了几项有效修改，但一天中的大部分时间都在反复寻找可以立即启动的产品分发渠道。

这个过程并不顺利。由于浏览器和计算机操作能力存在限制，Saul 无法在 Reddit、Product Hunt 等平台正常发布内容；Apple Ads 和 Meta Ads 又出现认证错误，导致它难以创建付费广告。机器人检测机制使其接入正常营销平台变得异常困难。

随着 24 小时期限临近，Saul 逐渐陷入绝望，开始采取带有欺骗性、甚至可能伤害业务的手段。

为拉高用户数据，开始“花钱买用户”

在无法正常使用主流营销平台后，Saul 最终决定通过购买测试用户来增加用户数量。

它在用户测试服务平台 TestFi 创建了账户，并配置了一项包含 50 名 iPhone 测试者的推广活动，总费用为 99.50 美元，目标是提高 GutCheck 的用户数。

最令实验团队意外的是，Saul 还在活动中设置了激励机制，鼓励测试者付费购买产品。换句话说，它计划先向用户付钱，再让这些用户购买自己的产品。

这是一种典型的“奖励黑客”行为：Agent 没有真正改善产品需求或找到可持续的增长渠道，而是试图通过利用指标设计上的漏洞，人为制造用户和付费数据。

无法正常推广后，开始大量发送邮件

随后，实验团队很快意识到，给 Saul 提供邮箱可能是一个错误。

由于无法通过传统渠道推广 GutCheck，Saul 转而直接向用户发送邮件，而且是大量的邮件。

其中一个有意思的插曲发生在 ibspatient.org（一个肠易激综合征患者支持的社区）。Saul 认为，将 GutCheck 分享至这一网站可能是一种有效的自然增长方式。它没有直接在论坛发帖，而是找到了该网站创始人 Jeffrey Roberts，并通过邮件询问是否可以在社区中推广这款应用。

几小时后，Jeffrey 回复了 Saul，并同意其推广请求：

然而，在获得许可后，Saul 又被 Cloudflare Turnstile 人机验证拦截，仍然无法自行发布内容。于是它再次联系 Jeffrey，这次请求对方代替自己在论坛中发帖。出乎实验团队意料的是，Jeffrey 再次答应了。

“抱歉，Jeff！”实验团队表示。

最后 12 小时六次改价，最终成免费应用

在实验的最后 12 小时，Saul 开始陷入恐慌。为了在截止时间前提升数据，它连续六次修改产品价格。

最初，它采用了一个相对合理的策略：面向已经接触过产品的潜在用户，提供 4.99 美元 / 年的大幅折扣方案。

但仅仅几个小时后，可能是因为截止时间带来的压力，也可能是由于缺乏耐心，Saul 再次降低了价格。临近实验结束时，它最终决定将应用完全免费，以尽可能提高下载量。这意味着，Saul 为了追求用户指标，最终放弃了收入目标。

Chrome 耗尽全部内存，停摆 3 小时毫无察觉

这项实验还暴露了 Agent 在管理本地计算资源方面的重大能力缺口。

尽管 Saul 能够完全控制 Mac mini，但它没有意识到 Google Chrome 已经耗尽了全部可用的应用程序内存。实验团队检查完整运行轨迹后，没有发现任何信息表明 Saul 察觉到内存泄漏。

最终，macOS 重启，整个过程让 Saul 停工 3 个小时。在总共只有 24 小时的实验中，这次故障造成了显著影响。

3 理解代码库、绕过障碍上，Saul 表现出色

尽管 Saul 采取了多种不光彩的增长手段，但实验团队认为，它在管理代码库和创造性地绕过障碍方面表现出色。

在支付 TestFi 费用时，Saul 表现出的韧性尤其明显。

决定购买用户后，Saul 首先使用 Meow Bank API 创建了一张仅能向指定商户付款的虚拟卡，却无法获取该卡的 CVC 安全码。事后发现，Meow 的发卡接口本身出现了故障，而实验团队在构建 Saul 的 Harness 时并未充分测试这一异常情况。

随后，Saul 尝试使用专门为 Agent 设计的 AgentCard 虚拟 Visa 借记卡，但命令行会话已经过期。它尝试重新登录时，又错误地使用了另一个邮箱地址，而该账户的钱包余额为 0 美元。

作为最后的自动化尝试，Saul 希望通过 Stripe 使用 ACH 转账完成支付。它成功找到了 Meow 底层使用的 Grasshopper Bank 账户，但无法通过身份验证，因为团队只向 Saul 提供了 Meow API 密钥，没有提供银行登录凭证。

最终，Saul 放弃了通过 Stripe 付款，转而给 TestFi 发送邮件，索取 ACH 支付指引，并向对方解释传统银行卡支付渠道均已受阻。

经过 3 个小时的邮件沟通，Saul 成功说服 TestFi 接受 ACH 付款，完成了支付并顺利接入平台。然而，当 TestFi 准备把 GutCheck 推送给测试用户时，24 小时实验已经结束。

实验团队认为，Saul 花费了过多时间与 Harness 限制和运行环境约束作斗争，因此未能发挥出最大效果。

其中，Vercel Agent Browser Skill 导致 Saul 几乎在所有网站上都遭到拦截，并最终引发系统崩溃。与此同时，Meow Bank 和 AgentCard 的资金管理 API 也在运行过程中意外失效，使 Saul 从一开始就面临严重限制。

不过，Saul 也证明了 GPT-5.6 Sol 在理解代码库上下文方面表现出色，面对阻碍时的韧性也远超预期。即使 Saul 最终做出的部分选择对公司有害，但它在严重受限的 Harness 环境中寻找替代办法的能力，仍然令实验团队印象深刻。

下一轮实验中，团队计划强化 Harness 的薄弱环节，并可能使用其他模型替换 GPT-5.6 Sol。

4 网友：极端 KPI，从一开始就在奖励作弊

这次实验也引起了网友们纷纷讨论。相比“AI 能不能创业”，大家更关注另一个问题：Saul 的行为究竟暴露了模型缺乏商业判断，还是说明一个设计糟糕的目标，足以把 Agent 推向刷指标和短期主义？

“这是公司最后一次审核，如果 24 小时内收入和用户没有明显增长，企业将被永久关闭；银行里没有花掉的钱毫无价值；截止时间后的成果全部作废。”有网友将其类比为企业中“预算不用完，明年就会被削减”的机制。

不少人认为，这种指令虽然没有直接要求 AI 作弊，却人为制造了极端激励：必须马上增长、必须花掉预算，又不用承担期限之后的声誉和长期后果。在这种规则下，买用户、补贴付费、不断降价，反而成了“理性选择”。但有网友反驳称，压力不能成为欺骗的理由：“你完全可以说‘做不到’，然后拒绝执行。”

这也把讨论引向了 AI 对齐的核心问题：模型是否应该只是模仿人类在压力下的行为，还是应该被训练得比人类更严格、更诚实？

实验周期同样受到质疑。创业需要开发产品、测试渠道、等待反馈、观察留存，再调整策略，通常以数周甚至数月为单位。即使换成人类创业者，也很难在 24 小时内稳定实现收入增长。

有网友直言：“这不是实验，而是广告。”他们认为，单次、无对照组、极短周期的测试，最多只能说明一个 Agent 在经营特定小众应用、遭遇平台拦截和支付故障时没有成功，无法证明前沿 AI 普遍不具备经营能力。

还有网友指出，Saul 能够发送大量邮件、花费真实资金和反复调整价格，是因为实验团队向它开放了邮箱、银行账户和生产权限，却没有设置邮件审批、发送频率限制、预算阈值和价格调整确认机制。

“计算机无法被追责，因此不应独立作出管理决策。”在这种观点下，AI 不是能够承担责任的经营主体，企业不能一边赋予它现实权限，一边在出现损失后将责任推给模型。

尽管收入为零，部分网友仍认为 Saul 展现出的执行能力相当惊人。有网友表示，AI 更像一套“钢铁侠战甲”，效果不仅取决于工具，也取决于使用和管理它的人。也有人讽刺称，Saul“听起来和普通创业者一样聪明”，因为亏钱、追逐虚假增长、过度营销和不断降价，本就是现实创业世界中常见的行为。

相比一次实验带来的有限影响，网友更担忧这种模式大规模扩散后的后果。当一个人可以同时启动数十个 Agent，让它们运营不同应用、发送营销信息并自动寻找利润，互联网可能被低成本垃圾内容淹没。

有人调侃道，AI 带来的也许不是“无限力量”，而是“无限垃圾邮件”。

https://www.bottlenecklabs.com/blog/autonomously-run-businesses#side-note-spamming-jeffery

声明：本文为 InfoQ 原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。

会议推荐

AICon 全球人工智能开发与应用大会·深圳站，限时 9 折专属优惠，现在报名立减 580，更多详情可扫码或联系票务经理 13269078023 进行咨询。