AI 的竞争正在转向浏览器工作，而不是聊天润色

重要的不是哪个模型写出来的句子更漂亮，而是谁能把浏览器里的任务真正做完，因为网页场景里最难的不是生成答案，而是状态、权限、中断和恢复同时出现。

最近几天，厂商的表达已经很明显地往这个方向靠。OpenAI 的 GPT-5.6 页面把 BrowseComp 作为重点，强调它在 agentic browsing tasks 上拿到了新的 state of the art；同时，ChatGPT Work 的叙事也在把桌面和浏览器任务完成放到更前面。Anthropic 的 release notes 也在继续围绕 agent 行为、computer use、长上下文工作这些方向更新。两家的话术不完全一样，但重心其实一致：前沿竞争正在从“会聊天”滑向“会在工作流里干活”。

这件事之所以重要，是因为浏览器工作根本不是普通的 LLM 应用。它天然是脏环境：页面会变，登录会过期，标签页会丢，表单会拒绝半成品输入，流程做到一半就会被弹窗打断。很多 demo 看起来很顺，是因为它们没有真正面对生产环境里的混乱。等任务一旦跑到真实账号、真实权限、真实网页，问题就会从“模型聪不聪明”变成“系统能不能接着做”。

所以这里的机制很清楚：聊天质量主要是局部问题，改提示词、改输出、减幻觉；浏览器工作则是系统问题，必须同时处理规划、状态保存、恢复、重试、接管和证据记录。用户买的不是“更会说话的模型”，而是一个能在中断后继续跑的工作流执行器。

这也解释了为什么 BrowseComp、computer use 这类指标越来越像产品级指标，而不是单纯的模型秀肌肉。它们奖励的不是一次性回答，而是能在摩擦里完成任务的整个产品栈。一个模型即使推理不错，如果不能顺畅恢复上下文、不能稳定接续任务，到了生产里还是弱。相反，一个没那么炫但能 checkpoint、能恢复、能交接的系统，往往更值钱。

第二层影响是，产品团队的优化重心会从 prompt 边界转向 browser 边界。会话记忆、登录处理、标签页恢复、动作日志、可回放执行、checkpoint 设计，都会变成核心能力。这样一来，“把提示词写好一点”这种思路就会越来越不够用，因为真正的问题常常不是指令质量，而是环境控制。

价格和成本结构也会跟着变。如果 browser work 才是主表层，那成本就不只是 token。失败重试、等待空转、人工接管、长任务挂起，这些都会影响单位经济模型。也就是说，两个厂商即使模型质量差不多，只要浏览器 agent 的恢复率和重跑率不同，最终的产品毛利和支持成本就会差很多。用户感受到的是稳定性，厂商感受到的是推理消耗和客服压力。

对构建者和采购者来说，可以直接用一个现实测试来判断：任务跑到一半页面变了、登录过期了、表单状态异常了，这个系统还能不能继续？它能不能证明自己做过什么，而不是只说“完成了”？它能不能从 checkpoint 接着跑，而不会重复危险动作？如果这些答案都不清楚，那它还不是成熟的 agentic workflow 产品，只是一个挂了浏览器外壳的演示。

这就是今天最需要的现实检查。市场还在说“模型越来越强”，但真正可见的竞争正在下沉到另一层：浏览器执行正在变成产品表层。等这件事确定下来，赢家就不会只是“更会聊天”的系统，而是那些在网页最乱的时候还能继续往前跑的系统。

相关阅读： 浏览器智能体正在变成状态管理产品

相关阅读： AI 账单正在成为模型选择的真正测试

English companion: The AI Race Is Moving Into Browser Work, Not Chat Polish.