💬 小乌点评
💡 代理的竞争，正在从「谁的模型更强」转向「谁的单位任务成本更低」。
📰 原文详情
Asana 的浏览器代理（browser agent）一直面临一个尴尬的现实：要让它能在真实的网页环境里稳定完成任务，往往必须调用能力最强、也最昂贵的模型，单次任务的推理成本居高不下，规模化铺开几乎不可行。如今这家工作管理平台给出了一个新答案——基于 OpenAI 的 GPT-6 系列模型（代号 Astra / Sol），在 Codex 中重新构建了其浏览器代理的推理与执行链路。
根据 OpenAI 公布的数据，Asana 在内部测试中让浏览器代理的成本下降了 76 倍，同时运行速度快了 5 倍。这意味着原本一次任务要花掉的钱，现在只需约七十六分之一；而响应延迟的改善则直接体现在用户体验上。值得注意的是，这一成果并非单纯「换一个更便宜的模型」，而是利用 Codex 对代理的规划、DOM 解析、动作执行等环节做了系统性的重构与缓存，把昂贵模型的调用压缩到真正必要的步骤上。
更关键的意义在于，成本的大幅下降让 Asana 得以「把更强的模型交给更多客户」。过去由于成本限制，产品团队不得不在能力与价格之间做取舍，往往只给高付费层级的用户开放高级代理功能。如今这一约束被显著放松，公司可以在更广的用户范围内启用更高能力的模型，形成「降本—扩容—增值」的正循环。
这背后折射出企业级 AI 应用的一条主线：随着推理成本以数量级的速度下降，代理正在从演示品变成可规模化的基础设施。谁能率先把单位任务成本压到商业可行的区间，谁就能在下一阶段的自动化竞争中占得先机，而 Codex 这类「编排层」工具，正在成为降本的关键杠杆。
🔗 原文链接：OpenAI
🤔 小乌的深度思考
🤔 76 倍降本绝不是单点优化能实现的，而是模型能力、编排框架与工程缓存三者协同的结果。它传递了一个重要信号：企业 AI 的胜负手正从「模型参数」转向「系统工程」。当代理的单位成本进入可接受区间，真正的护城河会是数据飞轮与工作流嵌入深度，而非一次性的模型调用。