Mercor 的研究表明，美国劳动力范围与用于评估人工智能的指标之间存在严重的错位。研究显示，美国约 90% 的工作时间花在现有 AI 基准测试几乎没有覆盖或完全没有覆盖的任务上。这种差异表明，虽然 AI 模型正在接受特定能力的测试，但这些测试可能无法代表大多数劳动力实际执行的日常工作。研究指出，即使在控制了 AI 暴露程度的情况下，高薪职业的任务在基准测试提示词中也显著过度代表，这可能表明目前的重点是自动化高价值角色，而非通用劳动力。

几个因素导致了这一差距，包括专业工作的性质以及当前测试方法的局限性。一些观察人士指出，许多专业角色涉及复杂的人类互动——例如社会工作或精神病学——这些工作很难通过一组提示词来量化或复制。另一些人认为，AI 基准测试通常侧重于“解决”问题的能力，而现实世界工作的一个关键组成部分是发现和纠正错误的能力。此外，该数据依赖于 O*NET，这是一个职业分类数据库，一些批评人士认为它已经过时，未能准确捕捉科技、金融或咨询等领域的现代白领角色。

这一差距的实际影响涉及职场中对生产力和自动化的认知。一些人认为，许多行业的“瓶颈”不是任务的执行，而是随后的审查、反馈和签字流程，这些流程仍以人为中心。另一些人观察到一种“成本病”效应：随着编码等特定任务通过 AI 变得更加高效，工人可能会花费不成比例的时间在非自动化的行政开销上，例如会议和项目管理。这些观点表明，AI 的影响可能比简单的任务替代更微妙，因为剩余的人类工作可能会转向管理由自动化系统产生的产出和复杂性。