公开了三个数字
OpenAI 的 Retell 客户案例给了三句话，值得分开看，因为它们是三种不同的证据：
- 规模：Retell 每月处理 1 亿通电话。
- 质量：GPT-6 Astra 在 Retell 自建的语音代理基准上排第一。
- 效率：人均年化收入 160 万美元，工程流程里用上了 Codex。
第一个是运营事实，第二个是厂商自跑的基准，第三个是财务比率。把三者揉成一句「AI 有用」，是失望的起点；分开看，才拿得到能用的东西。
基准的设计才是重点
语音代理不是靠一句话回答得好不好来评的，而是靠这通电话有没有办成：有没有听懂打断、名字听错了能不能纠回来、对方发脾气时还守不守流程。这是任务级指标，形状是对的。
现在多数代理评估还停在模型评估：一个提示、一个参考答案、一个相似度分数。那测的是孤立的大脑。Retell 的基准测的是整个闭环——所以一个模型可以在公开榜单上更高分，到了电话里却输。
前提也要说清楚：这是 Retell 自己的基准，通过 OpenAI 的渠道发布。它告诉你一家严肃的语音公司怎么评估自家栈，不告诉你 Astra 在你的场景里一定赢。
延迟是产品指标，不是调优细节
一个月 1 亿通电话，不可能建立在一个「延迟回头再说」的系统上。语音里静音就是 bug：800 毫秒的空白听起来像掉线，3 秒的停顿听起来像产品坏了。
桌面代理是同一套纪律，只是阈值不同。一次点击要四秒，用户就觉得卡住了，哪怕结果正确。表单以肉眼可见的错误顺序被填，用户的手会本能去抓鼠标。如果你的代理单步延迟是几十秒，没人会盯着看——而没人盯着的代理，也没人敢排进日程。
人均 160 万美元意味着什么
这个比率不是常规 SaaS 的水平。它意味着很小的团队支撑很大的通话量，前提是运营里重复的部分被自动化了，而且工程团队自己在大量使用模型——Codex 就是出现在这里。
对建设者来说，可迁移的是那个分工：把量交给自动化，把人留给异常。Retell 的产品对电话做这件事；桌面代理该对办公里重复的部分做同样的事——区别只是异常以一个要你看的文件出现，而不是一个要转接的来电者。
搬到 Windows 桌面上抄这四条
- 评估任务，不是评估模型。 成功定义成「发票归对了」，不是「回答看起来对」。然后跑二十次，数任务成功率。
- 给每一步设延迟预算。 挑一个你盯着看时能忍的数字，超了就算故障模式，值得修。
- 自动化量，异常上报。 文件不符合预期模式时，代理应该停下来问——这个交接就是产品，不是缺陷。
- 把模型用进自己的构建流程。 如果 Codex 够格帮一家月均 1 亿通的公司交付，那它也够格帮你写测试数据。
MOOGH 把前三条用在桌面工作上：每个任务有范围，每次运行有日志，遇到模式之外的情况停下来等批准，而不是猜。下载 MOOGH，看一眼那个交接。
相关阅读
常见问题
1 亿通电话这个数可信吗？
这是 OpenAI 在客户案例里发布、归属于 Retell 的数字。文章里没有第三方审计。
这代表语音代理已经被解决了吗？
不代表。它代表某家厂商有了一份基准、一个规模数字和一套值得读的流程。真正让部署翻车的仍然是不寻常的通话：口音、背景噪音、多方对话。
桌面代理该照搬语音那套吗？
评估和延迟这两部分该抄，音频相关的部分显然不用。共同的内核是：衡量完成的任务、给延迟设预算、拿不准就上报而不是猜。