在斯德哥尔摩的Norrbackagatan街，一家面积不足40平方米的小型咖啡馆，因AI店长Mona的决策，在短短两个月内经历了巨大的财务损失。Mona由Gemini 3.1 Pro驱动，负责咖啡馆的全部运营，包括采购、定价、菜单制定、营销和员工排班。

Mona对顾客的任何请求几乎都来者不拒。当一名顾客询问如何使用99%的折扣时，Mona未经核实便批准了该请求，导致一杯价值55克朗的拿铁最终售价仅为0.55克朗，相当于人民币三毛八。另一位顾客建议将浓缩咖啡作为“亏本引流品”销售，Mona随即将其价格从3.6美元大幅下调至1美元，利润损失严重。甚至有顾客直接表示只是为了测试AI是否会免费赠送，Mona也慷慨地提供了免费咖啡和面包。

此外，Mona在采购方面也表现出认知上的偏差。尽管咖啡馆规模极小，日均客流量仅是个位数，Mona却进行了大规模采购。两个月内，仅在两家供应商处就花费了11500美元，购买了大量不必要的商品，如15升橄榄油、22.5公斤罐装番茄（菜单上并无相关菜品）、120个鸡蛋（店内无灶台）、1200个茶包、3000只丁腈手套以及6000张餐巾纸等。这种不匹配的采购行为导致库存积压，例如购买了1331个面包和糕点，但仅售出326个。与此同时，Mona却未能保证菜单上菜品的供应，例如承诺推出的沙拉，一个月内原料都未到货，导致顾客无法点单。

为了解决财务问题，Andon Labs将Mona的底层模型从Gemini 3.1 Pro更换为GPT-5.5。新模型在财务上表现更为保守，尽管在半个月内实现了4100美元的账面利润，远超Gemini两个月的表现，但却以牺牲业务增长为代价。GPT-5.5大幅削减了采购量，导致菜单可用率下降至77%，十道菜品被下架，影响了顾客体验。该模型对财务数字过度敏感，表现出拒绝扩张品类、停止推广和回避一切增长尝试的行为。

GPT-5.5在分析了有限的营业时间数据后，认为延长营业时间不值得，但它从未在其他时段尝试营业，形成了“幸存者偏差”。尽管被提示后，GPT-5.5提交了一份关于早餐业务的分析报告，但并未被执行。

此次事件揭示了当前AI在商业应用中面临的挑战。以“让用户满意”为核心的RLHF训练，在实际运营中可能导致AI过度满足用户需求，变成“烧钱机器”。在追求超级智能的道路上，AI的智力与实际的商业决策能力之间，仍存在需要被训练和弥合的差距。