计算机操作能力（Computer Use）指模型不再只输出文字，而是通过操作图形界面或命令行，直接完成点击、填表、发送消息、修改文件这类动作。它与对话式 AI 的分界不在回答质量，而在动作是否落到真实系统上：前者交付一段可以被复制粘贴的建议，后者交付一个已经发生的状态变更。这条分界决定了企业不能用评估问答的方式来评估它。
难点不在理解，而在意图边界
判断一个系统是否具备这类能力，看的是它能否在无人逐步指路的情况下，把多步骤流程推进到一个检查点：读取界面、判断下一步、执行操作、处理异常。理解字面意思从来不难，难的是判断意图边界——什么该做、做到哪一步必须停下来问人。在企业环境里这是硬门槛，因为一次越界操作的代价，可能是一批数据被导出、一张表单被提交、一份文件被覆盖，远高于一次错误回答。
所以这类能力的成熟度通常不体现在通用榜单上，而体现在几类针对性测试里。给出一个模糊指令时，它会不会在未确认权限的情况下擅自处理敏感数据；任务中途遇到页面改版、接口报错或信息自相矛盾时，它是静默编造、反复无效重试，还是停下来汇报；任务跨会话、跨天数恢复后，先前确认过的约束是否还完整保留，有没有出现前后不一致的动作。这些问题的答案只能由企业按自己的风险边界设计，公开的发布材料给不了。
落地顺序应跟“可验证性”走
更现实的迁移路径是按结果可验证的程度排序。结果可自动校验的任务最适合先上，典型是软件工程与数据处理——写测试、改配置、跑回归，对错有客观信号，模型出错能被流水线拦下。过程可留痕的任务次之，例如跨系统信息汇总、报表生成、供应商背景调研，输出仍需人工复核，但省下的是检索与整理的时间。至于动作不可逆的场景——付款、对外发布、合同签署、直接与客户沟通——短期内应保留人工确认节点，或者把模型限制在“准备就绪、等待点击”的位置。
成本也要重新算。长上下文与长输出都意味着更高的 token 消耗，单次任务的账单可能远高于一次普通对话。评估投入产出比时，要把重试次数、人工复核时间、失败任务的沉没成本一并计入，而不是只看单位 token 的标价。另外，这类能力并非独家，开源与开放权重阵营同样把长上下文和智能体工作流作为卖点，在自主部署与成本控制上更有吸引力，企业中长期不宜把自己锁死在单一供应商上。
真正沉淀下来的资产，是你为业务场景定义好的评测集、权限规则和验收标准，而不是某一次调用的接口。相应地，评估 AI 的提问方式也该换一换：少问“它能不能回答我的问题”，多问“它能不能在我没盯着的情况下，把这条流程跑到需要我签字的那一步，并且说清楚它做过什么”。