Box 内部最难业务测试：Astra 比上代提升在哪
总分只涨 3 分，但影像、法务、能源等曾被放弃的任务大幅跳升，Astra 能保留例外并指出代理指标。
BoxがAstraを使って、自社の一番難しい業務テストで測った結果が、なかなかに衝撃。 GPT-6 Astra 77% 前世代 GPT-5.6 Sol 74% 平均だけ見ると総合点は3ポイントしか上がっていない。 しかし実際に点が跳ねたのは、人間が何時間もかけ、半ば諦めていた仕事のほうだった。 ・映像制作 48%→100% 複数チームの収支を合算するとき、制作税優遇を一度だけ正しく織り込めたかどうかのテストを完璧にこなす。 ・Tech 69%→97% どの地域に先に予算を付けるかについて、渡された資料には、決裁に必要な指標をあえて書いていない。前世代は一番近い数字を本物として出した。Astraは「これは代理指標だ」と自分で名指しし、成長の主張と表の数字の食い違いまで拾った。 ・法務 69%→93% 自社ポリシーとNDAを突き合わせ、両方とも「承認するな」は同じ。差は、却下の根拠を条文で示せたか。Astraは賠償上限の“構造”と“金額”を分け、決着がつく条項まで指した。前世代は同じ結論を、引用なしで論じた。 ・ヘルスケア 53%→77% 放射線レポートの誤り探し。単に「おかしい」と旗を立てるのではない。膝の画像レポートの用語ミスを拾い、それがどれくらいまずいかまで付けられたか。前世代は誤り自体を逃した。点は上がったが、まだ77%。使える芽は出た段階。 ・エネルギー 82%→97% 2拠点の年間メーターから消費レポートを作る。本当に欠けているのは片方だけ。前世代は両方とも不完全と報告した。Astraは欠測を片方に限り、もう片方の太陽光の異常値は「欠損」ではなく測定の問題だと分けた。変な数字を、全部データ不足で片付けなかった。 共通するのは、正解に近づいた、だけではない。 途中の例外を、例外のまま残して報告できた。 これは、「止まりがち、後回しにしがちな複雑仕事」が、いよいよ試す対象になってきたと見える。 ①自社で諦めている仕事は何か？ ②そこで一番高い失敗は、正解を外すことか、根拠を示せないことか、代理指標を本物と誤認することか？ ③わからないことを、わからないと言えるか？ ④失敗した瞬間、人間は何を見ればよいか？ ⑤合格線は総合点か、自社の高い失敗が減ることか？ うまくハマれば放置していた仕事の機会費用が、どこで逆転したかを説明できる。 先に動くのは情シスのモデル比較会議ではない。 事業側の「どの諦めを、今週テストするか」の決断。
这条是引用着另一条写的：x.com/levie/status/2095598710311067716