上週 AI 三連發：哪個更新離你的工作最近？
打開信箱，一整頁顧客回饋等著分類；另一個工作跑到一半，臨時想到主管版要先看結論；桌邊還有一疊合約和研究資料，讀完後得逐條查漏。
上週四天內，三家公司接連更新：7 月 21 日 Google 發布 Gemini 3.6 Flash；7 月 23 日 OpenAI 把 Voice 帶進 ChatGPT 桌面版的 Work 與 Codex；7 月 24 日 Anthropic 發布 Claude Opus 5。
三則消息看起來都在談「更強的 AI」，實際上靠近的是三種不同工作：大量重複、途中改方向，以及難又長。回到自己的桌面，差異會清楚很多。
7 月 21 日：Google 靠近大量、重複的工作
想像一個常見下午：五百則活動回饋剛匯出，需要先分成抱怨、建議與稱讚，再各寫三種長度的摘要。這類任務的難處通常不在單一問題多深，而在數量多、格式固定、每一輪都要花時間。
Google 對 Gemini 3.6 Flash 的定位，正好貼近這個場景。官方公告指出，依 Artificial Analysis 的測量，它相較 Gemini 3.5 Flash 平均少用 17% 輸出 token，也就是模型產生文字時使用的計量單位；開發者使用時的 API 定價為每百萬輸入 token 1.5 美元、輸出 token 7.5 美元。對大量分類、摘要與多版本改寫來說，速度與用量會直接影響等待時間和成本。
這裡要分清楚另一個數字：官方提到每秒約 350 個輸出 token，指的是同日預覽的 Gemini 3.5 Flash-Lite，不是 Gemini 3.6 Flash。Google 把兩個模型放在同一篇公告裡，但它們解的問題並不相同。
17% 是官方引用的整體測量結果，不能直接換算成每一份繁中工作都會省下相同比例。真正值得觀察的是：當任務可以批次處理時，完成時間、輸出長度和人工修正次數有沒有一起下降。
Google 官方公告：
7 月 23 日：OpenAI 靠近工作途中
第二個場景發生在工作已經開始之後。
假設 ChatGPT Work 正在整理一份長報告，跑到一半才想起兩件事：「先不要發出去」和「主管版先放結論」。過去得切回視窗、找到輸入框、打完新指令；現在 OpenAI 讓使用者在 ChatGPT 桌面版以語音啟動工作、詢問進度，也能在執行途中打斷並改方向。
Work 適合研究、文件、試算表、簡報、報告與 Sites 等長工作；Codex 則靠近軟體開發和本機專案。這次更新的意義，在於對話從「下完指令後等待」往工作中的即時協作移動。
這項能力目前針對 macOS 與 Windows 桌面版，Voice 在 Work 與 Codex 裡的用法也不同於一般語音聊天。公司文件、程式碼或內部資料仍要沿用原本的權限與審查流程；說話比較快，不代表可以跳過確認。
看一次官方 Voice 示範
OpenAI 更新記錄與 Work／Codex 說明：
7 月 24 日：Anthropic 靠近難又長的工作
第三個場景是一疊不能草草讀過的材料：合約、研究報告、訪談逐字稿和既有決策紀錄。問題之間彼此牽動，最後還得檢查引用、例外條款與前後矛盾。
Claude Opus 5 把重心放在這種長時間、高複雜度工作。官方資料列出 100 萬 token 的上下文視窗，也就是一次能帶進模型參考的材料範圍，以及最高 12.8 萬 token 輸出；官方也強調模型會在長工作中持續驗證自己的成果。API 定價維持每百萬輸入 token 5 美元、輸出 token 25 美元，與 Claude Opus 4.8 相同。
Anthropic 把 Opus 5 描述為接近 Claude Fable 5 的能力、價格約為一半。產品層級上，它是 Max 方案的預設模型，也是 Pro 方案中能力最強的選項；Fable 仍是另一個更高階模型。若每天的核心工作只是短摘要，這些能力可能離你很遠；若工作要跨大量材料推理、留下可檢查的長成果，它才會靠近。
Anthropic 官方公告與模型說明：
把三則新聞放回你的桌上
把手上的任務攤開，先看它屬於哪一種：
- 大量、重複、對等待與成本敏感：例如批次分類顧客回饋、整理表單、產生多版摘要。Gemini 3.6 Flash 距離較近。
- 工作已在進行，常臨時補條件或改方向：例如研究跑到一半要先看進度、報告生成途中要換受眾。ChatGPT Voice 搭配 Work 或 Codex 距離較近。
- 材料很多、推理鏈長，最後還要查漏：例如合約審閱、跨文件研究、長篇規格與程式專案。Claude Opus 5 距離較近。
這是一張工作地圖。相同工具放進不同工作，距離會變；同一個人到了不同專案，也可能需要完全不同的選擇。
明天只做一個三行測試
不用一次搬走整套流程。明天挑一件真的要完成的工作，在開始前寫三行：
- 量有多大、重複有多高？ 數十到數百筆、格式固定，優先觀察批次速度、用量和人工修正。
- 途中改方向的機率有多高？ 常追問進度、補限制或切換受眾，優先觀察中途介入是否順手。
- 需要讀多深、撐多久、查幾次？ 材料彼此牽動且錯誤代價高，優先觀察長上下文、推理一致性與自我檢查。
接著只選離這件工作最近的工具，記下三個結果：等了多久、改了幾次、交接給人之前還漏了什麼。這比同時打開三個模型、丟一道抽象題目更接近你的真實成本。
工具沒有好壞，只有遠近
上週的三連發提醒了我一件事：每次模型更新，最先問「誰贏了」，很容易把自己的工作留在畫面外。
更有用的問題是：它靠近我明天要完成的哪一件事？若答案說不出來，再高的分數也只是遠方的新聞；若剛好貼住一段反覆卡住的流程，一個看似小的更新就可能省下整個下午。
工具沒有好壞，只有遠近。
