第一批部署AI Agent的公司，撞上了「三堵墻」

文 | 硅基研究室，作者 | kiki

僅用兩個月，一只「小龍蝦」席卷整個AI圈。

無論是小白利用OpenClaw養龍蝦，去探索個人Agent的邊界，還是大模型廠商們紛紛推出輕量化部署方案，用CodingPlan API套餐吸引開發者直接云端一鍵部署......

開發者李然這樣形容OpenClaw帶來的溢出價值，他將AI Agent的發展對標互聯網的演進，OpenClaw加速Agent邁入第三個時代，從PC時代的「工具」到移動互聯網的「助理」再到未來在協作時代成為「同事」的可能。

這或許是AI在個人開發者及小團隊端的一個「OpenClaw時刻」：人們開始借助Agent，再通過不同的skills對任務經驗進行抽象，解決過去日常工作中依賴隱性知識和行業經驗的任務。

但耐人尋味的是，OpenClaw在大型企業里則顯得明顯落寞很多，不少人對企業AI Agent的落地還是邊走邊看，持謹慎態度，企業端的「OpenClaw時刻」還遠遠沒有到來。

1、企業OpenClaw的甜蜜與苦澀

眼前的OpenClaw風暴對企業Agent落地來說，有無參考價值？

答案是肯定的。

開發者李然認為，OpenClaw掀起了Agent開發范式的轉變浪潮。

早期的Agent形態如Dify或扣子大多以workflow形式出現，盡管「拖拉拽」的低代碼已經降低了開發門檻，但對企業組織中的非開發人員并不友好。

但OpenClaw通過系統級調用指令，能讓非開發者在常用的辦公軟件實現與Agent的交互，這是一種AI native 的Agent。

除了開發范式的轉變，還有行業專屬「方案超市」的建立，即行業知識和數據的進一步流動。

OpenClaw的工具能力依賴高質量的skill使用文檔，OpenClaw爆發后，拉動了Github里的skill風暴，AI創作者海辛就在即刻上提到，醫療、金融、教育等各個行業的人，都可以利用AI為自己的工作實現便利，編寫專屬工具，未來的GitHub可能會從「代碼倉庫」轉化為「方案超市」。

但在Openclaw的甜蜜之外，對企業Agent落地而言，還有諸多苦澀。

一位大廠技術人員告訴「硅基研究室」，他在實測企業級Openclaw發現，技術棧和能力棧上都存在挑戰。

首先，OpeClaw框架底層的任務調度存在一定優化空間，暫不適合承載高可靠性的企業級定時調度業務；其次，長期記憶模塊的原生能力也不足，還沒達到生產可用的成熟標準，另外還缺乏高質量的skill生態。

換言之，考慮到企業落地Agent的合規、成本和安全，當前OpenClaw這種高消耗的調用方式和不穩定的生態，對重權限、重可靠和強協作的企業組織來說，大規模的落地顯然還有一定的距離。

2、企業AI落地，撞上「三堵墻」

企業端對OpenClaw落地的謹慎態度也側面反映出，當前中國企業AI的大規模應用的殘酷現實。

據崔牛會的數據，當前已有43%的企業部門或崗位進入規模化使用階段，27%仍處在試點期，28%實現了廣泛滲透，還有1.9%尚未確定是否應用。

中國企業也在加速擁抱Agent，據IDC預測，預計中國企業活躍智能體數量將在2031年突破3.5億規模，年復合增長率達到135%以上，這一增速也將領先全球主要市場。

但這些「大規模落地」的數據繁榮背后，企業想要大規模落地AI還有三面看得見的墻：

認知墻、數據墻、生態墻。

所謂的認知墻，是決策層、執行層和體驗層的預期偏差。

一位車品行業客服中心負責人告訴「硅基研究室」，去年他們曾投入大量資源完成客服系統的AI化，但實際效果并不好。他們已經建立了完備的客服知識庫，也在電商大促的超負荷中使用AI接待用戶。

但她發現，一方面，很多非經驗的知識需要在實際場景中逐漸積累，AI無法完全準確理解用戶的需求。

“比如AI在問‘您的車是高配還是低配？’，有的用戶礙于面子，會回答‘中配’，人工客服會理解用戶的回答，但AI就不行。”

另一方面，用戶對AI客服的態度也有兩極分化。“有的人看出客服是真人還是人工智能，她本身就對車品知識不了解，她沒辦法完全信任AI。”

還有不少企業決策者也會因害怕錯過的焦慮，盲目上馬AI，但實際執行中發現AI對業務的價值增量并不大。

阿里云智能集團副總裁霍嘉也觀察到企業AI落地時的一個現象：“產業界對大模型能力的認知仍不足，業務領導信心很足，技術人員反而擔憂落地”。

德勤在調研企業AI落地時也指出這一「認知墻」：85%企業計劃定制Agent，但只有25%的試點項目真正上線到生產環節。同時，超三成企業認為，在3-5年內企業應用Agent才能獲得可觀的回報，這意味著企業Agent還在早期。

其次，則是數據墻。

金山辦公助理總裁朱熠鍔認為：“今天在企業AI應用側，會從模型為中心走向以數據為中心。”今天AI很多效果不好、難落地，核心原因是和外部模型的連接有關。數據錯誤會導致解析錯誤，數據過少會產生檢索問題、知識治理問題，而數據過多又會影響上下文工程。

“很多企業AI往往做出Demo，非常快，但是真的想要上線，則非常難。”朱熠鍔說。

金山辦公助理總裁朱熠鍔講解“AI時代的知識治理與應用”

在企業推進Agent的落地上，打破數據墻也成為關鍵。

第一，Agent想要實現跨生態、跨系統和多任務的調度，就必須要在企業內部實現上百個系統里實現數據的互聯和格式的統一。第二，考慮到數據的可控和可信，企業內部就必須建立分級分類的統一認證權限，保證數據的全鏈路可靠。

這無疑對企業的數據治理能力提出了更高的要求。

最后，則是生態墻。

在企業內部，需要建立AI協同機制，破解資源壁壘。

一位國企IT部門中層告訴「硅基研究室」，AI建設不是IT部門的事，而是業務全局的事。“拿數據建設來說，我們不缺數據，但缺的是怎么解決數據分散，這個時候信息化部門只能提供通用數據，業務部門必須要參與進來。”

在企業外部，也需要云廠商、智能體廠商等技術供應商的深度合作：“不是有了錘子找釘子，而是有了明確的業務痛點然后去造適合自己的錘子。”

3、企業AI，從秀場到戰場

Palantir的靈魂人物亞歷克斯·卡普曾這樣形容企業AI落地的現狀：

“如果你只是買一個大模型放在那里，卻指望它能改變你的業務，那是白日做夢。”

他的話解釋了，企業AI不是技術炫技的秀場，而是要求實際回報、產生業務價值的戰場。

我們也觀察到進入2026年，企業AI落地的變化：

一是從過去的全盤all in、內部賽馬轉向聚焦策略，有專注全渠道布局的戶外運動品牌告訴「硅基研究室」，他們會聚焦智能質檢、AI輔助接待、智能客服三大領域，今年的目標是將這些過去的成本中心轉向利潤中心。

二是越來越多的AI賣鏟人也走向務實思路，回歸業務本質。AI的落地無法繞過臟活和苦活。金山辦公CEO章慶元曾指出，AI時代的辦公軟件應是知識的容器、數字員工的載體。

圖源：金山辦公

例如在數據治理領域，WPS 365就正在構建全新的「全域知識閉環」，打造一個集「收、治、用」于一體的企業級知識治理底座，這一「企業大腦」目前已應用在上海信投、延鋒國際、中國東航等不同行業龍頭企業的AI實踐中。

回頭來看，企業對「小龍蝦」的謹慎其實是企業級AI在2026年繼續深化和務實的體現，沒到「OpenClaw時刻」不是什么壞事，而是AI真正深入業務，成為生產力工具的前夜。