AI浏览器死绝后，Agent终于学会干脏活

上周有个做产品的朋友跟我大吐苦水，他们团队熬了半年搞出来的AI浏览器，日活连一千都破不了，最后老板拍板直接砍掉项目，全员转去做系统级Agent了。这真不是个例，整个行业都在为当初的入口幻觉买单。 292天前，OpenAI发布AI原生浏览器Atlas时，满世界都是Chrome杀手的狂欢。结果到了今年8月9日，Atlas直接拔管停服。官方留给用户的最后一条指引，居然是教他们怎么把书签导出回Chrome。一家想重新发明浏览器的公司，最后教用户怎么滚回老东家，这画面实在太滑稽。 不止OpenAI，这一年AI浏览器简直是排队领盒饭。Arc宣布停更，Sidekick被Perplexity吞并后直接关停，The Browser Company更是被Atlassian以6.1亿美元打包买走。做项目管理软件的收购做浏览器的，这剧情本身就透着一种体面的绝望。 大家以为的浏览器大战，其实根本没打响。Chrome的全球份额死死钉在三分之二，而这帮围攻者加起来，市场份额连1%都凑不齐。连a16z的消费AI百强榜都直接把AI浏览器除名，理由是在传统流量统计里它们根本测不出来。 入口的幻梦醒了，Agent们终于开始去系统底层干脏活。你看OpenAI，砍掉Atlas后，转头就在桌面版ChatGPT里上了语音交互，直接调用计算机操作能力去执行多步骤复杂任务。不再执着于让用户换个浏览器，而是让AI直接接管屏幕去干活。 别总想着换个壳子就能颠覆入口，用户根本不在乎你的浏览器多原生，他们在乎的是AI能不能直接帮他们把活干完。放弃不切实际的入口执念，深潜到真实工作流里去死磕，才是这轮AI浪潮真正该走的路。 既然换个壳子当入口走不通，那就不换了，直接去泥坑里滚。Agent们终于想明白了，与其让用户为了个新浏览器去适应新习惯，不如直接钻进他们最熟悉的系统底层去干脏活。 你看OpenAI，砍掉浏览器后转头就在桌面版ChatGPT里加入了语音交互功能。这可不是以前那种只能定闹钟的傻小子助手，而是直接调用系统级操作能力去跑复杂任务。开发者对着麦克风喊一嗓子，它就能建代码线程、提交代码合并请求甚至去查Bug的根源。这等于直接把手伸进了操作系统的血管里，试探着接管屏幕的绝对控制权。 再看Genspark搞的GenOffice，更是把干脏活发挥到了极致。做办公软件最难的是什么？是那些沉淀了几十年的复杂排版算法。Genspark没去搞什么花里胡哨的云端协作噱头，而是让模型直接去解析和修改文档最底层的代码格式。虽然目前一人一周手搓出来的Alpha版还有排版串行、表格错位这种烂摊子，但它实打实地打通了从内容生成到最终交付的闭环。 以前大家做AI，总想着在云端画大饼，生成一堆漂亮但根本没法直接用的文本。现在真金白银的工业化落地，逼着Agent去处理那些最脏最累的活。不管是接管屏幕还是死磕本地文件格式，本质上都是一种退让，向用户十几年积累的工作习惯退让，向系统底层的复杂工程退让。 别总惦记着推翻重来建自己的罗马，能在别人建好的地基上把活干漂亮，把那些没人愿意碰的脏活累活包揽下来，才是这轮技术洗牌里真正值钱的护城河。 既然决定去泥坑里滚，OpenAI的动作最快，直接把手伸进了操作系统的血管里。上周他们给桌面版ChatGPT上了全新的语音交互功能，这可不是手机里那个只会陪你闲聊或者定个闹钟的人工**。 这次OpenAI上了ChatGPT-Live模型，直接调用计算机操作能力。在macOS上借助Appshots，这玩意儿能直接读取你屏幕上的内容。开发者对着麦克风喊一嗓子，它就能建代码线程、提交Pull Request，甚至顺藤摸瓜找出Bug的根源。遇到需要确认的节点，它还会停下来等你发话。这早就不是简单的对话框了，这是在明目张胆地试探系统级的绝对控制权。 对比一下隔壁苹果的操作就更有意思了。最近苹果偷偷在macOS使用手册里写了让Apple智能配合阿里千问工作的文档，虽然没几天就悄悄删了。按照那个思路，Siri通过千问扩展，能在备忘录里写东西或者帮你总结文稿。大家都在往系统底层钻，但路子高下立判。苹果还是让Siri当个传话筒，把活儿派给大模型；而OpenAI的ChatGPT Voice是直接夺过鼠标和键盘，自己下场干活。 这种从对话框到接管屏幕的跨越，才是Agent真正该干的事。别总想着在浏览器里搞个新壳子，能让AI直接看懂你的屏幕、操作你的本地软件，把多步骤的复杂任务闭环在系统里，这才是让打工人愿意掏钱的硬通货。 看懂屏幕、点鼠标只是试探，真要帮打工人把活干完，还得能处理那些最让人头疼的本地文件。这就不得不提Genspark搞出来的GenOffice。 做办公软件的门槛大家都清楚，几十年的排版算法和格式兼容，坑多水深。Genspark没去画什么云端协作的大饼，而是让Agent直接去啃Word和PPT最底层的复杂代码格式。最魔幻的是，这个能直接操作底层格式的Alpha版，是一个工程师花了一周时间，烧了大概一万美金Token手搓出来的。 虽然实测下来，这玩意儿在复杂排版上还会翻车，比如文本莫名串行、表格错位，甚至英文字母变成竖条，距离平替传统Office还差得远。但它干了一件以前AI办公套件死活干不成的事，就是把生成内容直接转化为可编辑的本地成品。 以前我们用AI写东西，生成一堆漂亮但没法直接用的纯文本，最后还得自己苦哈哈地复制到软件里调格式。现在Agent直接把手伸进文件底层，从生成到最终交付的链路彻底打通了。 别总觉得AI只能当个写手或者聊天搭子，当它开始死磕本地工作流里那些最繁琐的格式转换和交付闭环时，才算真正摸到了企业级应用的门槛。能帮用户省下最后那半小时调格式的时间，比在浏览器里多塞几个AI插件值钱得多。 把这两件事放在一起看，账其实很好算。为什么搞了292天、烧了无数钱的AI浏览器连1%的市场份额都凑不齐，而直接接管系统的Agent却能让打工人觉得有点东西？ 核心原因在于，浏览器本质上只是个流量漏斗，系统底层才是真正干活的车间。以前做AI浏览器，总想着在网页里塞个侧边栏，帮你总结文章、回回邮件。但这玩意儿替代性太强，让用户为了这点甜头去改变十几年养成的Chrome习惯，纯属反人类。OpenAI自己拔管Atlas就是最响的耳光，连八亿周活的ChatGPT都带不动一个浏览器，说明颠覆入口纯粹是场幻觉。 现在这帮Agent学聪明了，不抢大门了，直接去泥坑里抢控制权。ChatGPT Voice能直接读取屏幕内容跑多步骤任务，GenOffice能直接解析Word和PPT最底层的复杂代码格式。这已经不是给你个参考答案让你自己复制粘贴，而是AI直接夺过鼠标键盘，把从生成到交付的脏活累活全包了。 换个浏览器，你只是换了个看网页的工具；接管系统，你是把整个生产力环境交给了AI。当模型开始死磕本地文件排版、处理那些连传统软件都头疼的格式兼容问题时，它才真正切入了企业级工作流的核心。 别再去卷那些虚无缥缈的入口套壳了。在别人的地基上把最硬的骨头啃下来，帮用户省下最后半小时调格式的时间，才是这轮技术洗牌里真正能收到钱的护城河。 方向是摸对了，但真到了工业化落地的深水区，水底下的暗礁和工程挑战分分钟能把人淹死。马上要在深圳开的2026AICon大会，满屏都是Agentic AI和AI工业化落地的宏大叙事。可口号喊得再响，也掩盖不了真落地时的一地鸡毛。 先说工程化这座大山。Genspark那个一人一周手搓出来的GenOffice就是活生生的例子。听着用一万美金Token Vibe Coding手搓办公软件很极客，但真放到企业里跑复杂文档，排版串行、表格错位，这种稳定性灾难在真实工作流里根本没法交付。AI写代码确实快，可传统办公软件沉淀了几十年的复杂排版算法和格式兼容，靠烧Token砸不出完美体验。从跑通Demo到稳定交付，中间隔着无数个需要死磕的工程细节。 再看生态暗礁。想接管系统底层，就必然要动巨头的奶酪。苹果前几天悄悄删掉Apple智能接入阿里千问的使用手册，这就是个极其明确的信号。系统级控制权是OS厂商的命根子，你想越过系统直接接管屏幕、读写底层文件，人家随便改改权限或者设个生态壁垒，就能让你的Agent寸步难行。 Agentic AI的工业化从来不是靠几个炫酷的演示视频就能糊弄过去的。当AI开始干脏活，它就必须面对传统软件工程里最枯燥的兼容性测试、权限适配和极端情况处理。别光在大会上吹概念，真刀真枪把那些卡脖子的工程细节和生态壁垒磨平，才是这帮Agent真正能在企业级市场收到钱的底牌。 看了这一年的热闹，我算是彻底看透了。那些整天喊着要颠覆Chrome、做个AI原生浏览器的团队，基本都成了炮灰。连手握八亿周活的OpenAI，搞了292天的Atlas最后也只能教用户怎么把书签导回老东家。这血淋淋的现实摆在这，入口幻觉早就碎了一地。 以前大家做AI应用，总喜欢在网页旁边挂个侧边栏，帮你总结总结文章、写写邮件。这种锦上添花的套壳活儿，根本替代不了用户十几年养成的肌肉记忆。现在风向变了，真正能活下来的Agent，都在往系统底层钻。Genspark那个一人一周手搓出来的GenOffice，硬刚Word和PPT几十年的排版算法；OpenAI的桌面版语音，直接读取屏幕内容去提代码合并请求。 这才是Agent该干的事。从帮你写个草稿让你自己复制粘贴，到直接帮你把文档排版好、把代码提交上去，这中间的跨越就是商业化落地的分水岭。别总想着在浅水区搞个漂亮的UI就能收钱，真到了企业级市场，客户只看你能不能把活干完。 给还在迷茫的同行一句劝，放下颠覆入口的执念。去碰那些最硬的业务骨头，去死磕本地文件解析，去处理复杂的格式兼容，去搞定系统级的权限适配。当你的产品能帮打工人省下最后半小时调格式的时间，能真正跑通从生成到交付的闭环，你才算真正拿到了这轮AI浪潮的入场券。