先說結論： 獨立實測顯示它能完成旅行、退款、預約與購物等任務，但也出現錯誤取消、價格錯誤與不正確操作，因此必須把能力與可靠度分開看。
實測結果怎麼看
WIRED 記錄約 550 美元的航班退款及重新訂票，也記錄一次違反「只有能退款才取消」條件的 DoorDash 取消，造成 64 美元損失。Business Insider 記錄 80 美元訂閱退款，亦報導錯付牛津交通費及 Notion 排程資料遭清除。可先用不涉及付款的研究任務測試，再逐步檢查高風險動作。
哪些實測可當作能力證據？
獨立報導有航空退款、訂閱退款、零售購物與預約的完成案例；每一例都只能代表當時的商家、帳號與條件。評測時應記下任務目標、實際執行動作、外部確認與花費時間，而不是把一次成功寫成普遍成功率。
失敗案例改變了什麼判斷？
WIRED 記錄在不符合退款條件時取消 DoorDash 訂單、造成 64 美元損失；另有價格或資料處理錯誤的報導。這表示「能操作」和「會遵守停止條件」必須分開評估。特別是取消、付款、刪除和寄信，先用人工核准點控制最後一步。
哪些人適合先試，哪些工作要等？
可以先從整理行程、查找選項或產生草稿等可回頭檢查的任務開始。若你需要無人看管地處理不可逆付款、醫療或銀行爭議，現有公開案例不足以支持無條件信任。試用期間保留每次指令、外部交易紀錄和失敗情況，再決定是否擴大權限。
若代理已違反條件執行，先保存原指令和商家交易紀錄，到原服務確認能否更正或取消及截止時間，再帶著交易編號聯繫商家。不要只依聊天紀錄判斷損失是否已補救。
確認與限制
這些是個別測試，沒有代表性的成功率。評估是否值得使用時，要看任務能否在付款、刪除或取消前暫停，以及事後是否能取得商家或帳號的獨立確認。
延伸閱讀
可接著查看 Instinct AI 能做什麼？任務清單與實際案例、Instinct AI 安全嗎？自動操作風險與防護重點、Instinct AI 替代方案：Folk、Muse、ChatGPT Work 等比較。
台灣使用者重點
台灣使用者看 Instinct 評測時，應把『能力很強』與『在台灣好用』分開。海外測試同時出現成功退款、訂位，也有錯誤取消、錯誤付款與資料被改動的案例；因此真正重要的是任務風險、可否在執行前確認，以及台灣服務能否重現。
台灣情境檢查表
- 先用低風險、可核對的研究或整理任務建立自己的成功率印象。
- 再測 +886 登入、繁體中文、台灣時區、TWD／海外付款與本地商家。
- 不要用單次成功或單篇媒體評測推導整體可靠度百分比。
台灣可重現性
海外報導可作為能力證據，但不能取代台灣實測。只要流程涉及門號、付款、商家、時間或個資，就把台灣環境視為需要另外驗證的一層。