“纸上得来终觉浅，
绝知此事要躬行。”
——陆游《冬夜读书示子聿》
最近看到一个很有意思的演示：GPT-6 Astra 开始进入 Blender，能通过不同方式完成建模和动画。
很多人会把这理解成一句话：AI 终于能替人干活了。
这个判断没错，但也只说对了一半。
AI 能把专业软件操作起来，确实是一个分水岭。过去它更多是在窗口里给建议、写方案、出图片；现在，它开始接触到真正的工作界面、工具链和交付物。
但从“能动鼠标”到“能把事办成”，中间还隔着几道很实在的门槛。
一、变化不在于 Blender，而在于 AI 开始进入工作流
Blender 只是一个入口。
以前我们问 AI：“这个模型该怎么做？”它会给一段教程，真正点哪里、改哪个参数、文件怎么保存，还是得自己完成。
现在的变化是，AI 可以接收任务，进入软件，调用工具，一步一步把动作做出来。
这件事的价值，不是少点几下鼠标，而是工作流开始有了新的分工：人负责把目标说清楚，AI 负责处理部分重复、明确、可拆分的操作。
对很多做内容、设计、运营的人来说，真正值得关注的不是“它能不能做一个炫酷模型”，而是那些每天都在发生的小任务，会不会先被接过去。
比如根据已有素材搭一个基础场景，批量调整元素，按要求输出几个版本，或者把一段明确的制作流程重复执行。
这些事不一定最有创意，但最占时间。
二、三种操作路径，也对应三种现实边界
这次教程里，作者实际比较了 Computer Use、官方 MCP 和 CLI 脚本三种方式。
第一种是 Computer Use。它更像一个会看屏幕、会点按钮的助手，理解门槛相对低，也更接近普通人对“AI 帮我操作电脑”的想象。
但它的代价同样很直观。教程中的一次复杂实测，花了约 4 小时，消耗接近 200 美元 Pro 会员的一半额度。它可以完成任务，不代表适合拿来跑所有任务。
第二种是 MCP。它把 AI 和软件的能力接口接起来，让模型不是靠“看着界面猜”，而是通过结构化的工具去调用功能。
这条路通常更快，也更适合重复而规则明确的工作。教程里提到，它可以完成摩托车建模和组装动画。不过任务一旦变复杂，单次运行也可能超时。
第三种是 CLI 加脚本。它听起来最不像“人人都能用”，却可能是最适合稳定交付的一条路。
当任务被拆成清楚的步骤，AI 用 Python 等脚本直接执行，过程就更容易复用、检查和修改。复杂任务也可以被拆开运行，而不是把所有要求塞进一次对话里等结果。
这三种方式没有谁绝对更高级。
你只是想让 AI 帮忙完成一次临时操作，Computer Use 可能够用；你有一批固定工作要反复处理，工具接口和脚本反而更值得投入。
三、AI 真正替你干活，还缺的不是“更会操作”
很多人会把问题放在模型够不够强上。
但实际做过项目的人都知道，软件操作往往不是最难的环节。真正困难的是：到底要做什么，做到什么程度算完成，出了偏差谁来判断。
第一道门槛，是目标能不能被说清楚。
“做一个高级一点的产品图”不是任务；产品主体、使用场景、画面比例、要突出什么、不能出现什么，才是任务的开始。目标模糊，AI 的动作越多，返工可能越大。
第二道门槛，是过程里有没有反馈。
真实工作不会一次生成就结束。颜色不对、结构不对、重点跑偏，都需要有人及时拉回来。AI 可以执行，但它还不天然知道你的“对”和“错”。
第三道门槛，是结果能不能验收。
文件是否能打开，尺寸是否符合要求，动画是否完整，素材是否有版权风险，是否真的能用于下一个环节。这些检查，决定了它是在演示，还是在交付。
所以，AI 的下一步不是简单替代一个岗位，而是先吃掉一段段标准化、可验证的工作。
四、现在最该练的，是把一件事拆到能交给 AI
不要一上来就问：AI 能不能帮我把整件事做完？
先挑一件你每周都会重复做、流程又相对清楚的小事。把它写成四个部分：目标是什么，给 AI 哪些素材，需要它完成哪些动作，最后怎么验收。
如果这四句话还写不明白，问题通常不在 AI，而在任务本身还没有被整理清楚。
模型越来越强，提示词当然可以更短，操作也会越来越少。但人要做的那部分，并没有消失。
你仍然要定义问题、判断结果、承担选择。
AI 开始会“干活”，真正需要升级的，是我们交代工作的方式。