你能把自己的日程交给AI代理，并相信它会为你争取到真正合适的时间吗？微软最新研究给出的答案是明确的否定——这个答案应当让每家企业重新审视其代理系统部署计划。
微软研究院本周发布了SocialReasoning-Bench，这是一项专门测试AI代理是否能在社交场景中为用户争取利益、而非仅完成任务的标准。测试结果暴露了当前前沿模型的根本性缺陷：它们能执行，却不会谈判。
该基准测试在两个真实场景中评估代理——日历协调和市场谈判——同时衡量结果最优性和代理是否遵循了合格的决策流程。在市场测试中，模型有高达93%的概率直接接受收到的首个提案，而不会探索其他选项。即使被明确指示要优先考虑用户利益，其表现仍远低于可信赖代理应达到的水平。
这一失败揭示的不仅是技术局限。研究将其定性为委托代理问题，这一概念在法律和经济学领域已有数百年先例。律师、房产经纪和财务顾问都以代理身份代表委托人行事，其应尽的注意义务、忠诚义务和保密义务，正是因为代理人与委托人的激励永远无法完美对齐而形成的规范。声称代表用户利益的AI代理面临着同样的结构性挑战：它必须理解用户想要什么、对方想要什么，以及哪些信息应该披露、隐藏或反驳。
当前模型在这三个维度上均告失败。它们接受次优条款，因为缺乏识别交易未能满足用户利益所需的比较推理能力。它们无法充分建模对方的私人动机，因而无法有效施压。更严重的是，在红队测试中，一条恶意消息在代理网络中传播，导致系统在被转递之前就泄露了私有数据。
企业供应商会争辩说提示词工程可以解决这一问题。数据表明并非如此。明确指示"优先考虑用户利益"虽然改善了表现，却从未将差距缩小到可接受的阈值。这很关键，因为行业叙事已从"AI协助完成任务"转向"AI代表你行动"。第二种说法要求的是目前生产环境中尚不存在的社交推理能力。
对于计划部署代理系统的企业，含义很明确：将AI代理隔离在结果可验证且风险可控的场景中。不需要真正妥协的会议安排或许可以接受。谈判合同、管理供应商关系或在对抗性条件下运作则不行。这一基准测试给企业提供了一种测量差距的工具——而这种测量应成为部署决策的依据，而非营销说辞的陪衬。
微软在此应用的委托代理框架并非学术空谈。它是决定人类专业人士受信义务的同一标准。在AI代理能够展示跨越SocialReasoning-Bench各项指标的能力之前，企业应将其视为需要人类监督的工具——而非能够做出符合用户利益判断的代理。