一篇来自公众号「思想钢印」的评论提出，OpenAI 对 GPT-6 Astra 的定位是「Computer Use」，即让 AI 直接操作网页以及 CRM、表格、文档等各类桌面软件，而不只是生成内容。作者认为，外界用「做 3D 模型、做小游戏效果一般」来评价它，角度本身就偏了——它真正的意义不在生成质量，而在于 AI 能否介入一段完整的工作流。

文章把 AI 的三种形态做了区分：聊天是帮人思考，Agent 是帮人执行，而 Computer Use 是用你习惯的软件帮你执行。作者判断，这可能是比写代码更大的故事，并可能推动大模型 ARR（年度经常性收入）上行。

为什么 AI Coding 能先跑出来？文章给出的解释是：程序员的工作过程是代码，最终产物也是代码，AI 的工作方式同样是写代码，两者一一对应、无缝衔接。程序员可以让 AI 先生成再修改，也可以只介入其中一段，随时观察、随时接管，出错时能定位到具体环节，以最小代价修正，而不必推倒重来。

其他职业目前做不到这一点。以视频生成为例，整段生成看似省力，但总有几个地方不合要求；想只改一小段，往往又牵出别的问题，最后只能重做，费钱费时更费人力。作者认为关键症结在于：使用者看不到大模型的中间工作状态，不知道哪个环节出了错，也就无法改进输出，更无法调整自己的工作流程去配合 AI。Computer Use 的思路是反过来——让 AI 用人类习惯的软件、按行业通行流程干活，这不仅是技术路线选择，更是商业模式上的变化，使其更容易被企业采用。

文章以平面设计师为例说明「工作流」为何最难替代。接到一张中秋促销海报的任务，原本流程包括客户经理转达需求、找视觉参考并请总监确认、打开 Photoshop 建文件修图、与文案配合排版调色、总监确认后提交客户、多轮修改、最终导出。通用多模态大模型可以把其中若干步骤压缩成一步，小公司自用、要求不高时确实够用。但服务大客户时真正的挑战才开始：客户会提出「加产品元素但不破坏原图」「调性在理性之上多一点温暖」这类具体要求。把这些要求直接交给 AI，稍复杂一点，输出就可能与预期不符——因为你并不知道 AI 是怎么完成工作的，你所要求的「修改」，本质上是一项新任务。

由此带来一个结构性难题：过去设计流程中，客户的修改意见都指向一个确定结果，设计师要尽量把已确认的部分固定下来；而 AI 的工作流程容易「改了旧问题、又带来新想法」，新想法又催生新的修改意见，每一轮修改都通向不可知的未来，而不是越来越确定的成品。

文章进一步区分「任务」与「职业」：很多人高估了 AI 对专业人士的替代速度，是因为把「AI 能完成这个任务」误当成「AI 能替代这个职业」。开小店做一张海报发群里，只是完成一项设计任务；而设计师承接客户全部商业设计工作，才叫职业。任务只要求知识与技能，职业还包括工作流程、客户沟通与交付责任。商业运营要的是可预测、可控制、可盈利，如果过程不可控，AI 就很难自然嵌入工作流，也难以证明其提高了产出效率。

在作者看来，要让更多企业像为 AI Coding 付费那样为 AI 付费，只有两条路：一是让 AI 无需人类介入就能精确完成大部分商业工作，即所谓「自我递归」能力，但过程不可见，伦理与法律争议大；二是让 AI 像人一样工作，过程可理解、可修正、可介入、即插即用。GPT-6 Astra 选择的是后一条路线，绕开最尖端也最具争议的问题，回到商业价值本身，其经济意义可能远大于一次普通基准测试的提升。

文章还从数字资产角度展开。自 1949 年英国剑桥大学 EDSAC 运行以来，人类在数字世界积累了海量软件，如 Photoshop、Excel、Premiere、AutoCAD、SAP、Salesforce，经数十年迭代功能极其庞大，另有一些小众但专业价值不可替代的软件。专业技术人员的流程很大程度靠这些软件实现，而 AI 此前缺少一只足够可靠的「手」进入其中，只能走 AI Coding 路线——那意味着要重做 AI 原生软件、改变文件格式与权限体系、培训员工、重设流程，还要外部协作方与客户交付方式跟着变，企业自然谨慎。Computer Use 的逻辑则是什么都不用改，AI 直接操作现有软件，从而降低「组织采用成本」。此前的 API 模式虽也能操控软件，但需要软件公司专门开发 API、插件和自动化接口，大公司尚可，多数专业软件做不到；Computer Use 更接近 AI 像人一样看屏幕、理解界面、移动鼠标、点击按钮、输入文字。

作者由此推论，这一方向会改变许多专业职业的壁垒。凡招聘要求「熟练运用某某软件」的岗位，如设计师、剪辑师、财务、分析师、建筑师、运营等，都存在软件操作壁垒。这类能力通常分两层：以设计师为例，一层是审美、创意、品牌理解与沟通，另一层是 Photoshop 等软件熟练度，二者难以互相替代。在 Computer Use 环境下，员工仍需熟悉软件，以「内行管内行」的方式控制 AI，特殊情况可直接接手；相比「外行管内行」的纯原生 AI，这种模式商业化阻力更小，资深员工也更易接受。文章也留下一个疑问：如果新入行的设计师不再有大量亲手操作软件的机会，未来如何积累这种熟练度。

总结部分，作者认为过去一年 Coding 改变了程序开发，但介入流程更复杂的工作时困难重重；Computer Use 让 AI 获得「操作人类过去数字世界」的能力，可能把 AI 劳动力市场从程序员扩展到所有以软件操作为专业壁垒的职业。不过文章强调，这目前只是一种可能性：Astra 测评成绩不错，但成功案例仍少；能力也不等于实际职业效率，除流程可控度外，还要解决客户沟通、团队协作，以及权限、异常情况、数据安全、责任归属等问题，才能从「能够操作」走到「可以放心自主操作」。作者判断这可能是漫长过程，但每延伸一步，就延展可服务的劳动力总量（TAM），这决定了大模型 ARR 的想象空间，也有助于投资者判断大型云厂商 AI 基建的巨额投资是否过剩。