保险公司收到一份理赔申请，员工要在五个系统之间核对信息、找附件、录表格、判断走哪条审核流——每一步都不难，但写不成简单指令，也用 RPA 自动化不了，因为材料每次都不一样。这家成立 3 个月就在洽谈 10 亿美元估值的公司，做的就是把这类活交给 AI：不是给建议的同事，而是直接坐到电脑前面替你操作的"AI 员工"。

一、它在做什么：可以操作电脑的 AI 员工

Prentis 想训练的 AI 可以看懂屏幕上的文件和系统，移动鼠标、点击按钮、输入信息，在不同软件之间切换，最后把整段工作跑完。2026 年 4 月正式启动，三个月后就在洽谈一轮 1 亿美元融资、对应估值 10 亿美元——如果完成，它几乎会在成立几个月后直接成为独角兽。

二、从"帮员工写东西"到"替员工操作电脑"

过去两年大多数人接触的 AI 停留在对话框里；后来出现 AI Agent，可以调用企业开放的系统接口查询订单、发邮件、改客户信息——但前提是企业已经开放了接口并告诉 AI 怎么用。现实中的办公室并没有这么整齐：一名员工处理一项工作可能同时打开浏览器、Excel、邮箱、企业内部系统和一个十年前采购的老软件——有些系统没有接口，有些只读部分数据，大量信息藏在扫描件、邮件正文、表格备注里。传统自动化需要为每个系统单独开发连接工具再重梳流程，Prentis 选了另一条路：不要求软件先为 AI 改造，而是让 AI 学会使用企业现有的软件。这类"电脑操作模型"按循环工作：截取当前屏幕判断打开了什么、页面上有什么 → 根据任务目标决定点哪里、输入什么、打开哪个文件 → 操作后重新读屏确认变化再决定下一步。Anthropic 介绍 Claude 电脑操作能力时解释过类似原理：模型读屏幕截图、计算鼠标位置、完成点击和输入，失败则根据新页面状态重试。通俗地说：普通 AI 像坐在旁边提建议的同事，Prentis 想训练的 AI 坐到了电脑前面。

三、RPA 早就存在，为什么还要重做

用软件模拟鼠标键盘并不新鲜，银行、保险、制造和财务部门用了很多年（传统 RPA）：提前录制一套操作——打开系统、点固定位置、复制粘贴、提交——只要数据格式相同、页面布局不变就能一直重复。问题出在变化：按钮换了位置、网页弹提示、文件少一页、某个客户要特殊处理，固定脚本就停了。传统自动化执行提前写好的步骤；电脑操作 Agent 持续观察当前页面、根据实际情况决定下一步。微软的区分也很清晰：固定流程自动化适合稳定、高频、几乎无例外的工作；电脑操作 Agent 适合输入不断变化、需要读取非结构化文件、跨多系统、中途处理异常的流程。Prentis 公开提到的两个方向都符合：保险理赔（文件格式不统一，要判断完整性一致性和审核路径）和关税退款异常处理（在订单、进口申报、商品信息、付款记录之间反复核对）。它瞄准的不是最简单的复制粘贴，而是传统自动化一直没处理好的那部分：流程大体重复，但每次又不完全相同。

四、31 岁连续创业者 + LinkedIn 和 Zynga 创始人

负责日常经营的是 31 岁的 Ritankar Das：2013 年 18 岁从伯克利毕业，同时完成生物工程和化学生物学两个专业，三年修完 200 多个学分、绩点 3.99，成为伯克利一百多年来最年轻的"大学奖章"获得者；之后在牛津学生物医学工程，以盖茨学者身份进剑桥读博（研究机器学习在能源领域的应用），未完成学业。2014 年他成立投资公司 Titan Holdings——自己找方向、组建团队、创办公司，再用退出资金孵化下一个。他先后参与创办疾病预测公司 Dascena（2022 年被收购）、孤独症治疗平台 Forta Health（2024 年完成 5500 万美元融资）、AI 医疗公司 Tala Health（2025 年完成 1 亿美元种子轮）、以及被 LimeWire 收购的 AI 绘画产品 BlueWillow。另外两位联合创始人名气更大：LinkedIn 联合创始人里德·霍夫曼（OpenAI 早期投资人，曾与 Mustafa Suleyman 共同创办 Inflection AI）和 Zynga 创始人马克·平卡斯（《FarmVille》等热门游戏、2011 年上市、后被 Take-Two 收购）。两人在 Prentis 不是全职管理者，具体经营由 Das 负责。截至今年 7 月公司已招超过 25 名员工，包括曾供职 OpenAI、Google DeepMind、Meta、腾讯和阿里巴巴的研究人员——这个团队构成说明，Prentis 不打算只做调用大模型的企业应用，它要自己训练专门操作电脑的模型。

五、Hive-32B 证明了什么

Prentis 公开披露的核心模型叫 Hive-32B。据公司给投资人的材料，它在两项电脑操作测试中超过 OpenAI 的 GPT-5.4 和 Anthropic 的 Claude Opus 4.6：Windows Agent Arena（在真实 Windows 环境完成整段任务——编辑文档表格、操作浏览器、打开文件、改系统设置，微软设计的 154 项任务，AI 要找对按钮、规划步骤、确认完成）和 ScreenSpot-v2（测试能否看懂屏幕、按一句指令找到正确的按钮输入框或图标）。Prentis 还声称 Hive-32B 每完成一项任务的成本约为头部大模型接口的十分之一——如果一家公司每天要处理几十万份订单理赔和单据、每步都要调用模型，专门训练一个体量更小、只擅长界面识别和软件操作的模型，可能比每步调用大型通用模型更划算。但要清醒：这些只是 Prentis 自己的主张——公司才成立 3 个月，没有公开完整测试报告、客户部署数据和错误率；而且测试中找到正确按钮，不等于能稳定接管企业流程：真实工作往往包含几十个连续步骤，前面 99 次点击全对、最后一次把错误金额提交进理赔系统，整项任务依然失败。企业最终关心的是能不能长期稳定运行、能不能发现错误、什么情况下交还员工。

六、商业模式：不按账号收费，拿走节省成本的 20%

传统企业软件按账号数量收费——100 名员工每人每月一笔订阅费，用没用、省没省时间，收入不变。Prentis 计划按效果付费：先计算 AI 为客户减少了多少成本，再从实际节省金额中收 20%。举例：保险公司某项理赔流程原来每年花 1000 万美元人工和外包费，部署后降到 600 万，节省 400 万，Prentis 拿 80 万。这对客户很有吸引力——不需要先相信一套技术方案，只需要判断一件事：是否真的省下了钱；没效果就不用付那么多。但执行难度也大：首先要确定客户原来的成本基准；其次要判断成本下降究竟来自 Prentis 还是业务量变化、裁员、流程调整；此外 AI 可能减少了基础处理人员却增加了检查错误、维护模型的成本——哪些算节省、哪些只是成本转移，都要提前约定。按节省金额收费看起来简单，落到合同里可能比按账号收费复杂得多。

七、它真正要替代的，是没写进系统的工作

企业软件发展几十年，办公室里仍有大量靠人工连接的流程：客户发文件、员工读取录入、系统出结果再复制到另一张表、遇到异常凭经验决定找谁查什么。这些人实际上充当了不同系统之间的"人工接口"。Prentis 受关注是因为它不要求企业拆旧系统、不要求软件开放接口，AI 直接进入现有电脑环境学习员工怎么用。但这条路线有三个很实际的问题：可靠性——聊天机器人答错可以重问，电脑操作 Agent 提交错误付款、删文件、改客户记录，后果很难撤回；数据与权限——理赔医疗关税都涉敏感文件，模型持续读屏还可能接触邮箱和内部系统，必须限制它能看什么、点什么、哪些操作要员工确认，而 Anthropic 也把恶意指令攻击（AI 在网页或文件里看到隐藏指令后偏离任务）列为主要风险；部署成本——每家公司的软件、文件结构和异常处理都不一样，如果每进一家客户都要大量工程师重新整理流程训练模型，它就从软件公司变成了重交付的自动化服务公司，能不能把定制工作做成标准产品，直接影响扩张速度和利润。

八、一个比 AI 编程更大的市场

Prentis 判断：操作电脑和处理办公室流程，可能成为比 AI 编程更大的市场。这个判断不难理解——会写代码的只占劳动力一部分，但几乎每家稍具规模的公司都有员工在开文件、核信息、填表格、登录系统、处理异常。过去的 AI 产品帮这些员工提效，Prentis 想更进一步，把一整段工作从员工手中拿走；它出售的不再是供员工使用的软件，而是流程完成以后实际节省的成本。当然公司仍非常早期：融资未完成、客户未公开、合同金额依赖项目表现、模型数据未经独立验证——10 亿美元估值目前更多是市场预期而非被收入证明的价值。但这个产品方向极有启发性：如果 AI 能看懂人类正在使用的屏幕、点鼠标、填信息、找文件、处理异常，它就不必等企业把旧系统改造一遍，可以直接进入今天的办公室。一些电脑桌面前，可能不再需要固定坐着一个人。

我的总结：电脑操作 Agent 是"AI 替人干活"的最激进形态，它把风险也拉到了同一量级——权限边界和可靠性问题直接参考OpenAI 的 Agent 事故复盘和无人值守的两条权限路线；而"按节省成本分成"的定价结构，在 B 端服务里正变得越来越主流。