关于 AI 是否能胜任专业数据分析工作，关键在于其处理复杂任务时的稳定性，而非偶然的正确率。
Artificial Analysis 推出的 AA-AnalystAgent 基准测试专门评估 AI 在真实财务与统计场景下的表现。该测试设定了极高的标准：执行 80 项任务，每项任务尝试 5 次，只有连续 5 次全部正确才算通过。
最新数据显示，Gemini 3.7 Flash 以 60.0% 的通过率位居榜首，Claude Opus 5 (53.8%) 和 GPT-5.5 (50.0%) 紧随其后。即便是排名第一的模型，在现实商业分析中仍有四成任务无法做通过。
