ARTICLE · 1023473
AI开始替你操作电脑,先改3个工作习惯
AI开始替你操作电脑,先改3个工作习惯氪獭新知经验 · NO.011 · 2026年9月12日 这个月 AI 圈子最实在的一条新闻：GPT-6 Astra 把「替人操作电脑」当成了主课——官方给的场景是填表单、更新 CRM、整理日历、装软件、排障，一个桌面任务平均 40 分钟就能跑完，上代要 75 分钟。能力涨到这一步，最先需要调整的其实不是工具，是习惯：从「自己做」切换到「描述任务、验收结果」。 01它现在能干到什么程度 先建立一个准确的印象。OSWorld 2.0 是衡量模型操作真实电脑桌面的基准，Astra 拿到 72.6%，上代 GPT-5.6 Sol 是 65.7%；屏幕定位专项 92.7，任务执行专项从 18.1 翻到 41.4。全部为厂商自报，没有第三方复测——这个前提要记住。 放进日常坐标系里更直观：一个桌面任务是一次「打开软件—移动到操作区—处理—保存」的完整动作链，40 分钟跑完意味着它已经能独立接手「一顿饭功夫」量级的杂事。但和人类一样，任务链条越长、牵涉的软件越多，出错概率越高——自动化任务执行专项只有 41.4 分（满分 100），说明的正是这件事：短任务已经能用，长任务还要人盯着。 另一个容易被忽略的数字是幻觉率：4.2%（上代 12.2%）。它不是零。这决定了正确姿势不是「全交出去」，而是把任务分成两类：结果容易验收的，可以交；结果错了代价大的，先别交。 
02为什么是现在改，而不是等它完善 模型操作电脑的成熟度还不均匀：简单桌面任务成功率不错，长链条任务、涉及多软件协作的任务仍会出错。但限量的开放节奏已经在动——先机构、再逐步推到 ChatGPT Plus/Pro/Business、API 和云平台。而在一段时间内，参与的企业看不到底层权限，个人用户也还没排上——但等行业完全成熟再学，等于把适应期全押后。 同类产品的进度条也都在早期位置：Anthropic 的 Mac 原生屏幕交互至今挂着 research preview 标签，只对部分订阅用户开放；Google 更早的独立产品 Project Mariner 五月已经关停，能力并回了助手和浏览器。行业的方向是确定的，节奏是不确定的——这正是「现在开始练习、但不急着把整个工作流押上去」的窗口期。 更现实的理由是「验收能力」需要练习期。同一份自动化结果，不同的人检查出来的问题数量可能差出很多——这是经验活，不是读说明学会的。现在用低风险任务练，比将来在重要文件上试错划算得多。 03三个可以现在就改的习惯 习惯一：把任务写成「验收标准」，而不只是需求。同样是「整理这周的日程」，补上一句「按项目分色、冲突项标出来」，结果的可检查性就完全不同。写清楚「做完长什么样」，既提升 AI 的成功率，也让自己知道该检查什么。Anthropic 官方的 agent 使用指南也把「先写清成功标准」列为建议之一。 习惯二：留一道人工关口，且关口要具体。付款、邮件群发、涉及隐私的文件，这几类动作都卡在「确认」那一步——这是 OpenAI Preparedness Framework 给 Astra 的 Critical 级安全定的调子（首个被评 Critical 网络安全级别的模型），思维链难监控也写进了官方承认；欧盟 AI 法案第 14 条，同样把「人类监督」设为高风险 AI 系统的硬性要求。顺着这个思路管自己的流程：让 AI 做到「待确认」，签字笔始终在自己手里。 习惯三：每周留一个「对账日」。AI 处理过的台账、表格、清单，每周花十几分钟抽查一遍：完成的是什么、错在哪、下次描述任务时补什么词。这种做法在行业里有现成的名字——human-in-the-loop（人在回路）：自动化的产出，最后仍由人来核对把关。把自己的工作流当成一个持续迭代的系统来维护。 本周就能做的三件事01挑一个低风险重复任务（整理文件、填表），完整跑一次「描述→验收」流程 02给常用任务写一份「验收标准」，存成模板反复用 03在日历上固定一个每周 15 分钟的「AI 对账」时段 04一个任务的全过程：以「整理本周日程」为例 把上面三个习惯串起来，跑一遍完整流程，感受会更具体——就用一个几乎人人每周都要做的事做演示： 第一步，描述。「把本周所有会议按项目分色，冲突的标红，周三下午留出一个 2 小时空档。」注意这句话里每个要求都可以检查：颜色、冲突标记、空档位置。这就是「可验收」的描述。 第二步，执行。让它去跑，这一步不要一直盯着看——任务平均 40 分钟，盯着只会浪费时间，去处理别的事，等结果就行。这个「不在场」本身，就是自动化省下来的第一块时间。 第三步，检查。回来看三样东西：冲突项标得对不对、颜色有没有分错、空档是不是真的留出来了。检查时间应该明显短于自己动手做的时间——这是这件事划算的前提，也是练「验收能力」的日常场。 第四步，归档。这周跑得顺口的描述，存进自己的「任务模板」；踩过的坑（比如「留空档」要说清是全天还是仅下午）写成一句补充说明。下次同类任务直接调用，就是前面说的「对账」习惯的日常版。 整条流程里，你付出的核心成本是两件事：把要求说清楚，以及验收。这两件事恰恰是最难被替代的部分——这也正是本篇说「先改习惯」，而不是「先装工具」。 05三个常见误区 误区一：把它当搜索框用。「帮我看看这个文件」是搜索式用法；「把这个文件里的表格提取出来，按日期排序存成新文件」才是任务式用法。委托的是动作，不是提问——这是和聊天机器最本质的区别。 误区二：只看「做没做完」，不看「做得对不对」。幻觉率 4.2% 意味着二十多个环节里可能有一个是错的，而且它错得很自信。抽样式检查比放心式交付重要。 误区三：一次性委派整条工作流。先从单个任务跑起，跑顺了再串联。任务链越长，验收成本越高——这是自动化基准里长程任务得分普遍偏低的结构性原因，不是哪一家模型的问题。把期待值放对，「翻车」就不容易变成对这件事的误判。 06边界：哪些先别交出去 「重试次数减少、按任务计费更便宜——官方这套账的前提是幻觉率数据可信，而它同样出自官方报告。」—— 据本文对 Astra 官方技术报告的整理 三条边界线，都是从上面的事实里直接推出来的：幻觉率非零，所以「错了无所谓」的任务先来；安全评级刚起步，涉及权限的动作往后放；任务时长仍是分钟级，别指望它替你盯着实时流程。把这三条当成默认设置，比重读十篇评测都管用。 07编辑观察 模型替人操作电脑这件事，短期看是效率工具，中期看更像一次「工作习惯的体检」：哪些任务你描述得清楚、哪些结果你会验收、哪些动作你敢不敢放手——这些问题以前没有机会暴露，现在被一个 40 分钟能跑完任务的新物种摆到了台面上。 顺带说一句可能不受欢迎的判断：最先感到压力的，不会是不会用 AI 的人，而是「会用 AI 但从不检查结果」的人——工具越能干，验收能力越值钱。 如果 AI 现在就能替你跑一个桌面任务，你会先交出哪一个？ 评论区聊聊。你的答案，其实就是你对自己工作流最真实的理解。 出品 · 氪獭新知 · 经验 NO.011