成本平均便宜 30~40%，微軟上線 Copilot Cowork 智能體 AI

2026年6月17日 11:29

重點摘要

微軟昨日（6 月 16 日）發佈博文，宣佈全球上線 Copilot Cowork 智能體 AI，稱對比 Copilot Cowork 和 Claude Cowork，每次提示成本平均便宜 30~40%。

站內 AI 整理稿

### 微軟推出 Copilot Cowork 智慧型代理 AI，宣稱成本較同類方案更具競爭力

微軟於昨日（6月16日）正式在全球上線 Copilot Cowork 智慧型代理 AI，並同步發布相關博文。這款新工具主打企業協作場景，定位為能夠協助用戶處理複雜任務的 AI 助手。最引人關注的，是微軟在公告中直接點名比較：與市場上另一款類似產品 Claude Cowork 相比，Copilot Cowork 每次執行提示（Prompt）的成本平均低了 30% 至 40%。這項定價策略顯示微軟試圖以「高性價比」切入企業 AI 代理領域。

### 成本優勢背後：企業導入 AI 的關鍵考量

對於多數企業而言，導入 AI 工具時除了功能表現，每趟運算的成本往往是決定能否大規模部署的關鍵。微軟這次強調每次提示成本的優勢，背後反映的是企業端對於長期營運支出的敏感度。以中小企業為例，若日常大量使用 AI 處理客戶問答、文件摘要或數據分析，單次提示的價格差異累積下來可能相當可觀。微軟正是抓住這項痛點，試圖降低客戶從傳統 AI 應用轉移至智慧型代理的門檻。

### Copilot Cowork 與 Claude Cowork 的正面對決

此次微軟直接將 Copilot Cowork 與 Claude Cowork 進行成本比較，也透露出市場競爭的白熱化。Claude Cowork 是由 Anthropic 推出的協作型 AI 代理，同樣瞄準專業工作者與團隊協作需求。兩者皆強調「代理」概念——讓 AI 在背景中自動執行多步驟任務，而非單純的一問一答。微�軟選擇在價格上做出區隔，很可能意味著它們認為功能層面已能與對手抗衡，因此改用成本優勢作為行銷亮點。

### 微軟 AI 版圖再擴張：從 Copilot 到 Cowork

微軟過去一年在 AI 領域動作頻頻，從 Microsoft 365 Copilot 到 Azure AI 服務，再到如今專為「協作」場景打造的 Copilot Cowork，逐步補足不同工作流程中的 AI 缺口。與先前專注於個人生產力的 Copilot 不同，Cowork 更強調多用戶、多任務的協調與代理能力，例如自動排程任務、跨應用執行指令等。這項產品的上線，也代表微軟將 AI 代理從單純的輔助工具進一步推向「虛擬同事」的定位。

### 可能影響：企業 AI 採購策略與市場定價壓力

Copilot Cowork 的上市可能帶來幾項連鎖效應。首先，其他競品如 Google Gemini、Claude 等可能被迫調整定價策略，以維持市場競爭力。其次，企業在評估 AI 方案時，將更明確地將「每次提示成本」納入長期總持有成本（TCO）的計算中。此外，若 Copilot Cowork 在真實使用場景中表現穩定，可能會加速企業從傳統軟體授權模式轉向以使用量計價的 AI 服務模式。

### 讀者可關注的後續發展

對於關注 AI 應用落地的讀者，建議留意以下幾個方向：微軟是否會將 Copilot Cowork 整合進現有的 Microsoft 365 方案，或推出獨立計價模式；實際使用者的回饋是否確實符合宣稱的成本效益；以及 Claude Cowork 是否會跟進降價或推出新功能以回應這波競爭。另外，企業在試用這類智慧型代理時，也應同時評估其安全性與對內部流程的適應性，避免只看價格而忽略實際契合度。

總體而言，微軟以成本優勢切入 AI 代理市場，為企業提供了一個更具彈性的選擇。隨著更多同類型產品出現，智慧型代理的價格與功能競賽才正要開始。

原始來源：IT之家 ↗

查看原始來源

TechWebAI Agent

網易有道全面向AI轉型全場景Agent矩陣亮相圖博會

{"id":"39ef5947-b77a-4904-bf03-ff6264f08dc4","object":"response","model":"deepseek-v4-flash","output":[],"stop_reason":"max_output_tokens","usage":{"input_tokens":154,"output_tokens":200,"total_tokens":354}}

剛剛閱讀分析

Hugging Face BlogAI Agent

MosaicLeaks: Can your research agent keep a secret?

Back to Articles MosaicLeaks: Can your research agent keep a secret? Enterprise Article Published June 18, 2026 Upvote - Alexander Gurung agurung Follow ServiceNow Rafael Pardinas rafapi-snow Follow ServiceNow TL;DR Deep research agents increasingly combine private local documents with external tools like web retrieval, creating a privacy risk: an agent's external queries may leak sensitive information. MosaicLeaks proposes a new deep-research task with multi-hop questions that interleave public and private information. Across the models we tested, agents frequently leaked private information, and training only for task performance made it worse. We propose a mosaic-leakage-aware RL training method, Privacy-Aware Deep Research (PA-DR), which raises strict chain success (the share of chains

16 小時前閱讀分析