AI操作浏览器vs AI操控电脑:后者为什么更难?

昨天，Claude发布了新版本的Computer Use功能(AI操控电脑），在圈子里引发了不少讨论。我和几位朋友聊起这个功能时，我提到一个问题：从去年Manus推出算起，AI操控浏览器（Browser use）这个技术已经出现在公众视野一年多了，可直到现在，Anthropic、OpenAI这些大厂才把Computer Use（AI直接操控电脑）拿出来大张旗鼓地推广。其实他们之前也试水过电脑操控功能，但效果一直不尽如人意，如今新一轮集中发布。AI用浏览器和直接操控电脑，核心差别到底在哪？

先搞懂关键概念：什么是DOM？
在讲两者区别前，必须先解释一个核心词——DOM。
DOM，Document Object Model，就是网页的结构化文本描述，相当于一份纯文字版的网页说明书，没有图片、没有像素，全是文本信息。里面会清清楚楚写明：页面上这个元素是按钮还是输入框，它的名字叫什么、类型是什么，有哪些专属属性，该执行什么操作。
而大语言模型天生就是处理文本、理解文本的，和这种文本化的结构信息高度契合。AI只要读懂DOM，就能精准知道该操作哪里，完全不需要依赖视觉分析、不需要截图猜位置，这也是AI操控浏览器的核心优势。
AI操控浏览器 vs AI操控电脑：本质天差地别
很多人觉得浏览器也是电脑软件，AI操作两者应该差不多，实则完全不同，核心差距就在于有没有结构化信息、有没有设备主动配合。
AI操控整台电脑（Computer Use）
不管是打开桌面软件、操作Excel/Word，还是管理电脑文件，AI都没有专属的“说明书”。
它只能通过截取电脑屏幕画面，用视觉模型识别界面元素，再计算鼠标坐标，下达点击、输入的指令。全程靠“看图猜点位”，没有任何结构化信息支撑，容易点错、卡顿，稳定性极差，这也是之前该功能效果不好的核心原因。
AI操控浏览器
浏览器看似是普通软件，却给AI开了“绿色通道”，而且目前绝大多数AI工具，都只选用谷歌浏览器。
因为谷歌浏览器会主动配合AI调用，开放了专门的调试接口，能让AI顺畅读取DOM结构；而微软Edge、苹果Safari等浏览器，并没有做这种针对性的适配配合，所以AI工具普遍把谷歌浏览器作为操作网页的唯一通道。
也正是有了浏览器的主动配合，AI操控浏览器不用只靠视觉，还能分层次操作，适配不同类型的网页。
AI操作浏览器的三个层次，越标准越好用
AI操控浏览器不是单一模式，而是按照“优先结构化，视觉做辅助，兜底靠坐标”的逻辑层层降级，效率和稳定性相差极大：
第一层：纯DOM操作，零视觉依赖（最优解）
遇到标准简单的网页，每个元素都有专属ID、name，操作就是基础的click，没有复杂JS事件，AI完全不截图、不看页面，直接读取DOM文本信息，精准执行操作，成功率接近100%，又快又稳。
第二层：视觉辅助，DOM为主（复杂页面适配）
如果网页结构稍复杂，比如有图表、富文本编辑器，DOM读取不够清晰，AI会截一张图辅助理解页面布局、元素位置，确认方向后，核心操作依然通过DOM和浏览器接口完成，不是单纯靠坐标点击，兼顾理解度与精准度。
第三层：坐标兜底，纯视觉操作（最后备选）
遇到DOM结构复杂的特殊页面，例如多个DIV层层嵌套，还有比较复杂的JS事件流程。AI才会降级成和操控电脑一样的模式，靠截图识别坐标点击，这是最无奈的兜底方案，准确率会大幅下降。
网页想对AI友好？新做、老改造都有方法
明白了DOM的重要性，想让网页适配AI，不管是新开发还是老旧页面，都有对应的办法：
新页面制作：从源头规范DOM
从零开发网页时，只要做好这几点，就能天生适配AI：
1. 规范网页结构，给按钮、输入框、表单等所有交互元素，添加固定且唯一的ID、name，让DOM说明书清晰完整；
2. 简化交互逻辑，用原生的点击、填写、提交操作，减少复杂自定义JS事件，降低AI理解成本；
3. 使用语义化标签，不用杂乱代码模拟元素，保证DOM结构规整，AI能快速识别。
老旧页面改造：无需重做，加段代码即可
很多企业、单位的老旧系统，重构成本高、难度大，想适配AI不用推翻重来。
像谷歌等厂商都推出了简易方案，给老网页嵌入一段专属JS代码，不用改动原有功能，就能自动给元素补全标识、封装复杂操作、生成清晰的DOM说明书，几分钟就能让老网页变成AI友好型，成本极低，效果却立竿见影。
最后总结
回到开头的话题，AI操控电脑之所以晚一年多才成熟，就是因为它只能靠视觉猜点位，而AI浏览器操作早有DOM+谷歌浏览器的主动配合，天生更高效。
简单来说：
• AI操控电脑：无说明书，全靠视觉，稳定性差；
• AI操控浏览器：有DOM文本指引，谷歌浏览器主动配合，分三层操作，精准又高效；
• 网页适配AI：新页面规范DOM，老页面加段代码，无需大改就能实现。
这也是为啥Claude的Computer Use现在才发力，而浏览器AI早已成熟落地，两者的技术逻辑和落地难度，从一开始就不一样。