据Ethan Mollick在X平台表示，Anthropic推出的非技术版Cowork Skill可构建新技能、执行访谈并生成基准评测，显著降低了非工程用户创建任务型代理的门槛。根据Ethan Mollick的报道，该能力可用于客户调研、招聘初筛与内部质检等场景，实现需求采集与质量评估的自动化，但仍需人工把关以确保语境理解与合规。就商业影响而言，据Ethan Mollick称，这一“元技能”有助于更快迭代工作流程、标准化绩效度量，并减少对技术人员的依赖。

据Ethan Mollick在Twitter表示，当前AI评测过度集中于编程基准，忽视更广泛的知识型与运营类工作，导致对AI实际进步轨迹的认知被扭曲。根据所引arXiv论文（arxiv.org/pdf/2603.01203），基准偏向软件任务，低估了分析、写作、决策支持与流程协同等关键场景。依据该arXiv来源，这种测量盲区会影响企业落地、人才规划与ROI评估，因为大多数岗位由综合性非编程任务构成。对企业而言，正如Mollick与论文所强调，应扩展到岗位相关评测（如分析报告、客户升级处理、合规核查）、建立端到端工作流指标（质量、完成时长、交接成本），并对工具链进行纵向跟踪，以获得可运营的AI绩效视图。

据Ethan Mollick在X平台表示，Dan Shapiro在Google AI Studio推出的应用将多项AI安全与能力基准（不止METR）整合到同一面板，显示主流模型正快速“跑满”各类测试（来源：Ethan Mollick，附aistudio.google.com应用链接）。据Dan Shapiro介绍，应用内提供基准来源与细节，可直观对比模型进展，强调在软件领域出现“硬起飞”迹象时，传统静态基准易被饱和。对企业而言，这一聚合视图可用于追踪模型能力趋势、优化内部评测流程，并指引投入更难的基准、红队测试与动态评测（来源：Shapiro声明与Mollick转述）。

根据Ethan Mollick在X平台的说法，METR长任务分数与多项领先AI基准高度相关，尽管该指标有局限，但仍是衡量整体模型能力的有效代理。依据Mollick的报告，log(METR)与编码、推理及多模态等关键评测之间保持强相关，这为企业在模型选型与治理中提供统一的高层筛选指标。依照Mollick的结论，将METR与领域专项基准结合，可在智能体、代码生成与工具调用等应用中降低上线风险并提升评估效率。

据Ethan Mollick在Twitter表示，许多常用AI基准更像是人造或过度拼装的题目，难以代表真实应用价值，也不值得作为训练目标。根据Mollick于2026年2月13日的帖子，这暴露了基准过拟合与数据泄漏导致的“虚高分数”问题，可能误导产品能力宣传与采购决策。结合社区对Mollick帖文的讨论可知，公开数据上的泄漏与复用会让模型在排行榜上看似进步，却未必提升在企业场景中的稳健性。对企业方的建议是建立贴近业务流程的私有评测（如检索增强、工具链多步推理与安全红队），并采用动态轮换与不可见题库来降低“考题被训练”的风险，这一点与Mollick的批评相呼应。