01 触发事件
OpenAI 在 macOS 版 ChatGPT 桌面应用上线 Computer History 功能, opt-in 模式, 持续记录用户的点击和按键, 构建一条活动 timeline, ChatGPT 与 Codex 在后续请求中都可以引用。产品负责人 Ari Weinstein 在 X 上确认, 系统会自动忽略 incognito / 私密浏览内容, 用户可手动 exclude 特定 app 和网站, 也可逐条删除。
来源 The Verge 报道。我没在 macOS 上实测过这个 feature, 下面是基于公开信息做的判断。
02 这事的真正含义
问题不在 OpenAI 加了一个 productivity feature, 而在 OpenAI 在做 distribution + training data 的双重 flywheel, 而且这次是同时向两个方向转。
表面叙事: 让 ChatGPT 更懂你的工作流, 给出更精准的 suggestion。 底下那层:
- Product 维度: Computer History 喂给 Codex, 等于把 agent 从 "等你下指令" 升级成 "看见你卡在哪, 主动接上"。这跟 Anthropic 的 Claude Code / Cursor 的 agent loop 完全是两个物种。
- Data 维度: 用户长期的 click + keystroke 流, 是 fine-tuning agent 的金矿。OpenAI 在 2024 年把 o-series / GPT-5 系列往 agent 方向推, 现在回头补 data infrastructure。
这跟 Ben Thompson 讲的 aggregation theory 一脉相承。Google 通过 Chrome + Search 成为上网入口; 现在 OpenAI 想通过 desktop app 成为你整个数字生活的入口。一旦 Computer History 积累了几个月上下文, 用户切到 Claude / Gemini 的 switching cost 急剧上升 — 不是模型能力差异, 是 你的工作流记忆不在那里了。
03 历史类比
最直接的对照是 2024 年 6 月 Microsoft Recall。当时 Recall 设计成 opt-out、截图级别监控, 被安全社区和媒体围剿, 微软被迫推迟、删截图、加 BitLocker 加密。一年后 adoption 依然惨淡。
OpenAI 显然吃掉了这个教训:
- opt-in 而非 opt-out
- 可排除特定 app / 网站
- 支持条目级删除
- 自动跳过 incognito
这是更老练的隐私 design。但 Recall 的教训还有下半句: design 做对了, 品类本身 仍有信任门槛。用户对 "AI 持续观察你" 的本能抵触, 不会因为 opt-in 就消失。
更远一层的类比是 2012 年的 Google Now。当年 Google 用 Gmail / Calendar / Search / Location 拼出 ambient assistant, 被吹成 "搜索之后的下一站"。结果 Google Now 被 Assistant 取代, Assistant 被 Gemini 取代。原因是: data flywheel 听起来美好, 但 daily driver 的产品体验极难做。
OpenAI 这次会不会重蹈覆辙, 是后面一年真正要回答的问题。
04 对 AI builder 意味着什么
这周要调的决策:
- 产品定位: 如果你在做 macOS 上的 productivity / dev tool, 你的用户现在面对一个 "AI 已经在看一切" 的对照组。你的反向定位可以是 local-only / 不上传活动流, 在 legal / healthcare / finance 这种 privacy-sensitive 行业是有杠杆的。
- Exclude list 审计: 评估你的 app / 网站是否会被用户主动 exclude, 如果是, 意味着 OpenAI 的 AI 看不到你的用户在用你的产品, 这本身就是数据劣势。
这个季度要观察的:
- Codex 的 agent 能力会快速爬升, 因为 OpenAI 在构建 closed-loop 的真实 user behavior data, 这条数据线 Anthropic 和 Google 短期内补不上。
- Agent SDK 的战争会更分化: 闭源 lab 拿真实用户行为数据, 开源阵营 (Qwen / DeepSeek / Llama) 只能靠 synthetic + public corpus。这个差距在 agent 这个品类上会越拉越大, 因为 agent 训练恰恰最依赖真实环境交互数据。
- 协议层的 MCP / A2A / OpenAI Apps SDK 这条线, 会被 本地 timeline 这个新维度加一层: 未来 agent 之间的 negotiation, 不只是工具调用, 还包括 "我能否读取你的 computer history"。
一个具体的 build idea: 即使你的产品用户量小, 垂直深度 的 behavioral data 也有价值。一个专注在法务 / 设计 / 游戏的 agent, 即便只有几千重度用户, 积累下来的 click stream 也比通用爬虫数据更值钱。
05 反方观点
我可能在以下地方判断错了, 列出来:
第一, 用户根本不会打开这个 feature。Recall 的故事提醒我, 即便 privacy design 做得足够老练, 用户对 "AI 一直看着我" 的信任门槛依然很高。Computer History 的 opt-in 模式意味着大部分用户会保持关闭, OpenAI 拿到的真实 data 量可能远低于我的假设。
第二, training data flywheel 我想得太重。用户 click / keystroke 直接拿来训练下一代模型, 在 EU AI Act / 各州隐私法下限制非常多。这个 feature 很可能只在 product 层的 personalization 闭环, 不会回流到 pretraining / fine-tuning 数据集。这一点我没看到 OpenAI 公开确认, 可能是误判。
第三, macOS sandbox 是硬约束。Apple 对 accessibility / keystroke hook 的限制比 Windows 严得多。Computer History 在 macOS 上的实际观察深度, 可能远不如 Recall 在 Windows 那种 free run 的程度。如果是这样, 它对 OpenAI 的战略价值会大打折扣。
第四, switching cost 被我高估。真正的 moat 不是 data, 是 workflow integration。用户换电脑 / 换账号 / 清理 storage, 积累就消失了。Anthropic / Google 想用类似的本地 timeline 功能 (Google 的部分 Pixel / Chrome 早就在做), 并不存在不可逾越的壁垒。OpenAI 在这里建立的 switching cost 可能没有想象中那么厚。
最后一条, 我没在 macOS 实际跑过 Computer History, 上面所有关于 UX 体验的判断都是基于报道推导的。如果体验糟糕 (lag / battery drain / 误触发), 整个 flywheel 叙事就提前熄火。这一点要等首批用户反馈才能修正。