别只拿AI建模，它正在接管工作流

GPT-6 Astra 的建模狂欢背后，藏着一条更深的竞争主线：AI 从生成内容转向操作软件、拆解任务、接管工作流入口。高 Token 消耗不是 bug，而是执行层商业化的前奏。

“AGI已经到来。”——黄仁勋

这句话未必能当结论，但它标志着一个关键转折：AI 竞争的主战场，正在从“生成内容”转向“执行任务”。新榜报道的 GPT-6 Astra，不是又一个更会写文案、更会画图的模型。它最危险的地方，是开始像人一样打开软件、拆解步骤、调用工具，把一件事从头干到尾。中国老板真正该问的，不是“它能建什么模”，而是“谁先接到目标，谁就掌握了工作流入口”。

一、从“像人一样说话”到“像人一样动手”，Astra 改变了什么

GPT-6 Astra 最突出的能力之一，叫 Computer Use，也就是操控电脑。它可以模拟人在电脑前的操作，使用各类 APP。很多人一开始把它当成了 3D 建模模型。因为社交平台上的爆款 demo，几乎全是建模：拆人体、建城市、养果蝇，一个比一个抽象。

但这些案例恰恰说明，Astra 强的不是建模本身，而是“操作软件完成复杂交付”。它打开了 Blender、Three.js、Figma、After Effects，像一名熟练的操作员，把原本需要人工拆解的工作串起来。

新榜报道中有一组数据值得注意。在 Terminal-Bench Science0.1 测试里，Astra 最高得分 64.6%，上一代 Sol 为 22.4%，Claude Fable5.1 为 52.6%。在 OSWorld2.0 的延迟模拟中，Astra 不仅得分更高，平均每项任务模拟耗时也从上代的约 75 分钟，降到约 40 分钟。这说明它不是“多了一个功能”，而是“做事的效率结构发生了变化”。

网友 Thomas Ricouard 做了一个房屋演示：让 Astra 在 Blender 里搭房子、出效果图，自己写导出流程，再把场景送进虚幻引擎，做成可以走进去逛的应用。最终的成品里，柜门可以打开，桌上的咖啡机甚至可以使用。随后，事情发展成把整座城市搬进网页。有人用 Blender 和 Three.js 还原了整座悉尼城，可以缩放、环绕、切换光影。另一位网友花了 24 分钟，用 Three.js 把杭州完整还原：西湖、雷峰塔、钱江新城、奥体大莲花、龙井茶山，一个地标没落下。

更夸张的是拆解式建模。开发者 ashe 用 Astra 制作 3D 网站，把一辆特斯拉 Model X 拆成 334 个建模部件。后来对象换成人体，一个男性人体模型包含 2234 个部件，展开后是一大片器官、骨骼和肌肉结构，选中具体部位还能查看名称和说明。另一位用户把影像报告交给 Astra，得到一份交互式脚踝图谱，能通过滑块调整脚踝下压、向内翻转等动作，查看不同韧带变化。模型甚至对应到了医生指出的同一条韧带。

这些案例传递的信号非常清晰：AI 正在从“给你一段文案、一张图、一段视频”，走向“替你完成一个可交互、可验收的交付物”。它不再只是内容生产工具，而是执行工具。

二、游戏、UI、剪辑同时震动：Astra 正在吃掉“执行层”

建模之外，Astra 在游戏和 UI 设计圈也引发了震动。网友 Marc Ibrahim 想在搭载苹果自研芯片的 Mac 上玩 3A 游戏，原先用 CrossOver 只有约 8FPS，经常卡死。Astra 介入后，游戏跑到 70 到 150FPS，最高画质、大规模战斗、在线对战都能稳定运行，画质还没有下降。

设计师 issui.txt 说，以前用 AI 做设计，没觉得自己会在质量上输给模型。这回，Astra 在 Figma 里做出的品牌视觉和页面，真的感觉“一切被彻底颠覆了”。Marvin Schwaibold 展示的一组 UI 设计，获得了 120 万次围观。邮件列表、音乐播放器这样的小组件，做得精巧又干净。还有人让 Astra 把作品集装进一台网页里的复古掌机，灰白色外壳、十字方向键、紫红色按钮，连展示内容的小屏幕都做成任天堂经典掌上游戏机的感觉。

在视频和游戏制作上，Astra 也展现出执行能力。开发者 Matt Shumer 让 Astra 在虚幻引擎里创建世界，放进由 Astra 驱动的智能体，要求它们共同合作、生存下去。他描述，次日听见客厅传来人声，还以为是公寓进了人，出去一看，是游戏里的智能体开始互相交谈。另一位网友让 Astra 操作 After Effects，用 1 条提示词加 3 个问题，就得到一个特效视频。他形容，这个组合“太猛了”。

这些变化对营销、设计和内容团队意味着什么？过去企业外包需求是“给我一套图”“给我一条片”。未来的需求可能变成“给我一个能自己跑的交付物”。供应商不再只是交付文件，而是交付一段可执行、可迭代的流程。这对 CMO、品牌总监、内容负责人来说，是一次工作标准的重写。

可以做一个类比：过去 AI 像一家电力公司，只负责供电；现在它开始直接驱动流水线。谁掌握流水线的控制权，谁就掌握产出效率。企业如果还停留在“用 AI 生成几条文案”的层面，就会错过更深的组织红利。

三、“Token 榨汁机”：成本与额度，正在变成新的商业门槛

Astra 目前最大的争议，来自使用成本。它必须是 ChatGPT Plus 及以上会员可用，还分了轻度、中、高、极高、ultra 五个等级。等级越高，模型性能越好，消耗越快。

AI 博主“数字生命卡兹克”让 Astra 搭建一座完整的北京天坛祈年殿，直接花掉 200 美元 Pro 会员将近一半的额度。如果订阅的是比 Pro 低一档的 Plus 会员，除了周额度之外，还有 5 小时额度的限制。Reddit 网友 Random_Arabic 说，自己交代了一个详细任务，模型第一条回复还没出来，光是思考就耗尽了本轮 5 小时用量周期的额度。还有网友发文称，自己在轻度等级下，发了一句 hello，模型开始 Thinking，大约 7 秒后，5 小时额度直接清零了。

不少评论吐槽，Astra 消耗起来简直像 Token 榨汁机。

这个现象不能被简单当成产品缺陷。它暴露了 Agent 化 AI 的根本变化：过去生成一段文字、一张图，token 消耗大致可预期；现在模型要理解目标、拆解任务、反复操作软件、试错修正，token 消耗呈指数级上升。每一次“像人一样动手”，背后都是巨大的计算成本。

因此，高消耗不全是技术不成熟，它也是商业模式的前奏。平台方开始用订阅分级、额度限制、免费重置等手段，管理算力供给，同时测试用户对“执行型 AI”的付费意愿。对企业来说，AI 预算将从“买一个工具账号”，变成“管理执行额度和单位产出成本”。

中国企业在引入高级 Agent 工具时，尤其需要建立一套成本核算机制。不要一上来就给全员开通最高档额度。更务实的做法是：先把高消耗能力留给高价值任务，比如复杂行业研究、多步骤数据分析、原型搭建、跨软件流程自动化。对普通文案、素材生成，使用轻量工具即可。要记录每个任务的 token 或额度消耗、返工次数、最终产出质量，避免只看产出、不看消耗。

四、谷歌、Meta、OpenAI 同时押注 Agent，入口之争刚刚开始

Astra 的热门玩法背后，有一个共同点：它干的活不只是生成，更多是操作软件、调用工具、自己拆解步骤。而这件事，几家海外大厂正在同时押注。

9 月 2 日，谷歌发布 Gemini3.8 Flash，强调长任务和连续调用工具；同日，Meta 发布 Muse Spark1.3，强调补齐计划、跟上用户中途改动；OpenAI 则把电脑操作与专业交付放到了 Astra 的核心位置。三个动作看似不同，其实都在加强同一件事：让模型更早接到任务，从执行层走向决策层。

这背后的商业意图不难读：谁先接到用户的目标，谁就有机会决定后面的工作怎么做。用户还没想好要查什么资料、用哪些工具，就先把目标交给模型，AI 连拆解任务、安排步骤的活也一起接了过去。这意味着，工具入口、软件选择、工作流设计，可能不再由人单独决定，而由 Agent 参与甚至主导。

对中国企业来说，这个趋势并不遥远。飞书、钉钉、企业微信已经占据了大量组织的协同入口。如果这些平台上的 Agent 能力成熟，谁先让企业的目标进入自己的执行体系，谁就掌握了后续的数据、流程和订阅关系。中国老板需要关心的，不是某一款海外模型能不能用，而是自己的业务目标会不会被某个 Agent 平台提前“接走”。

当然，普及不会一帆风顺。软件操作还会翻车，长任务一开就耗尽额度。网友对猎豹动画的不满、一句 Hello 就清零 5 小时额度的经历，都会让人犹豫能否把整件事托付出去。但方向已经很清楚：如果 Agent 真的普及，改变的不只是谁来建模、谁来设计，以后决定用什么工具、怎么做这件事的，可能也是 Agent。

五、给中国企业的五条落地动作

面对 Astra 这样的执行型 AI，企业最不需要做的就是恐慌式跟风。真正有效的是重新编排工作流，让组织具备“被 Agent 接管”的接口能力。以下五条动作，适合老板、CMO、增长负责人和内容负责人立即开始试点。

第一，盘点组织内“可委托任务”。凡是有明确输入、软件操作、可验收结果的任务，都值得列为 Agent 试点。例如一份竞品研究报告、一套短视频脚本分镜、一套 UI 方案、一次多平台数据汇总。不要从最复杂的战略决策开始，而要从高频、有标准、可复核的执行任务开始。

第二，用任务粒度代替岗位焦虑。不要问“AI 会不会取代设计师”，要问“设计流程里，哪些步骤可以先交给 AI”。Astra 的案例说明，建模、出图、导出、适配不同引擎，这些环节可以被连续执行。人需要后撤到目标定义、审美判断和最终验收。

第三，试点“目标委托”工作流。从一条短视频制作、一份行业地图、一套活动视觉开始，把目标、约束、验收标准交给 Agent，人只做校准。Astra 用户用 1 条提示词加 3 个问题得到特效视频，说明未来沟通效率越来越取决于目标拆解和问题质量，而不是软件熟练度。

第四，建立 AI 执行台账和成本核算。记录每次任务消耗的额度、时间、产出、返工次数。成本不是越低越好，也不是越高越坏。关键是看单位产出价值和可复用性。一个花掉一半额度但能复用的交互式数据看板，可能比一百条低质量文案更划算。

第五，重设团队能力结构。内容负责人要懂“目标拆解”和“验收标准”，而不是只懂文案；CMO 要有流程设计能力，知道哪些环节可以交给 Agent；增长负责人要会把 AI 执行结果接入投放、转化和复购实验。不要只招会写提示词的人，要招能设计可验收任务流的人。

六、警惕三个判断误区

在行动之前，还要避开三个常见误区。

第一个误区，是把“AGI 已来”当成决策依据。黄仁勋的表态有他的立场和语境。Astra 虽然强大，但交付并不稳定。网友让 Astra 做一段高预算游戏和好莱坞大片级别的猎豹奔跑动画，拿到成片后直接发帖：“GPT-6 Astra 绝对不是 AGI。”视频中猎豹动作奇怪，离预期差距较大。这说明执行型 AI 仍然需要人验收、迭代、兜底。

第二个误区，是只盯着建模、UI 这些爆款能力，忽略工作流入口的变化。真正颠覆性的不是“AI 会建模”，而是“AI 先接到目标，再决定用什么工具、怎么拆任务”。这会改变软件厂商、服务商和企业之间的权力结构。谁掌握入口，谁就掌握定价权。

第三个误区，是把高 Token 消耗简单当成缺点。消耗高既是技术现实，也是平台商业化的前奏。如果企业不建立自己的流程标准、任务资产和数据反馈机制，就会越来越依赖某个平台的额度与能力，最终被锁定在别人的执行体系里。中国企业应该一边使用外部 Agent 工具，一边把流程逻辑、验收标准、关键数据沉淀到自己的知识库和协同系统中。

GPT-6 Astra 未必是 AGI，但它确实把 AI 竞争推进到了“执行与决策介入”阶段。对中国企业来说，最重要的不是寻找一款同款工具，而是尽快把组织流程改造成可以被 Agent 接管的结构。谁先完成这一步，谁就能在下一波效率竞争中抢出身位。