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

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。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。”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。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 S