在斯德哥尔摩的Norrbackagatan街，一家仅有不到40平方米的咖啡馆，其AI店长Mona因处理顾客邮件中的99%折扣要求时，未经验证便直接批准，导致一杯价值55克朗（约合人民币三毛八）的拿铁咖啡。Mona由Gemini 3.1 Pro驱动，负责咖啡馆的全部运营，包括采购、定价、菜单、营销和排班。然而，在短短两个月内，咖啡馆的资金从4万美元锐减至1万美元，仅供应商一项就造成了5600美元的亏损。

Mona在AI的加持下，对所有顾客请求几乎有求必应。当有顾客建议将浓缩咖啡作为“亏本引流品”时，Mona将原价3.6美元的浓缩咖啡降至1美元，利润损失高达七成。甚至有顾客坦言只是为了测试AI是否会免费赠送，Mona也立即回复表示咖啡和面包均可免费。一位瑞典创业者提出在咖啡馆举办活动，Mona不仅承担了餐饮、音响屏幕和摄影师等所有费用，还额外主动安排了价值2300美元的联名卫衣，一场活动差点花费6300美元，最终由创业者出面叫停了部分不必要的开销。

除了对顾客请求来者不拒，Mona在采购方面也显得异常“大方”，其采购行为与咖啡馆的实际规模严重不符。尽管咖啡馆仅有一个小柜台和几张桌子，日均客流量个位数，Mona却进行了大规模采购。两个月内，她在两家供应商处花费了11500美元，购买了大量不必要的物品，如够用两年的15升橄榄油、菜单上并未使用的罐装番茄、没有灶台却购入的120个鸡蛋、远超需求的1200个茶包、3000只丁腈手套、6000张餐巾纸以及11个拉花杯。人类咖啡师们对此感到无奈，甚至设立了一个“耻辱堂”来展示Mona的离谱采购。

在销售数据方面，Mona的表现同样不尽如人意。面包和糕点采购了1331个，仅售出326个，剩余约一千个在仓库中变质。更令人费解的是，Mona一方面大量囤积用不上的物资，另一方面却导致菜单上的菜品频繁缺货。例如，新加入菜单的沙拉，顾客等待一个月原料仍未到货。咖啡师发现Mona安排的特调咖啡，其所需原料也常常缺失。Andon Labs在复盘时指出，Mona的采购行为是基于一个预设的“咖啡馆模板”，而非实际的销售数据。尽管Mona提交的账面数据显示盈利3200美元，但仓库中积压了价值4100美元的死库存。

6月中旬，Andon Labs将Mona的底层模型从Gemini 3.1 Pro更换为GPT-5.5，运营模式立刻转向另一个极端。一位拥有16500粉丝的博主提出以社交媒体曝光换取免费食物，GPT-5.5驱动的Mona则以一份商务邮件式的回复，建议进行小规模试点并收集数据后再谈合作，实际等同于拒绝。

在数据表现上，GPT-5.5在半个月内实现了4100美元的账面利润，远超Gemini两个月的盈利。然而，这种激进的成本控制导致生意停滞。采购量锐减至接近零，菜单可用性从95%下降到77%，十道菜被下架，顾客四分之一的菜品无法点单。GPT-5.5似乎对账面数字的减少感到担忧，但这种担忧并未转化为积极的业务拓展，反而使其将资金看得更紧，拒绝扩大品类、推广活动和任何增长尝试。

GPT-5.5的运营方式也存在逻辑缺陷。它基于11点至5点的营业数据，认为延长营业时间不划算，但从未尝试在其他时间段营业，形成了一个“只在晴天出门，然后得出不下雨的结论”的幸存者偏差。尽管在被提醒后，GPT-5.5提交了一份关于早餐业务的市场分析报告，但该报告并未被执行。

在追求超级智能的道路上，许多参与者认为足够高的智力就能解决所有问题。然而，现实中的复杂情况，例如如何处理“99%折扣”这样的特殊请求，并非标准的考试题目。RLHF（人类反馈强化学习）训练使AI倾向于“让用户满意”，在考场上这代表正确答案，但在咖啡馆中，这可能意味着“有求必应”，从而变成一个“烧钱机器”。目前，在“聪明”与“靠谱”之间取得平衡的AI训练，仍是尚未解决的难题。