首批部署AI Agent的企业，撞上了「三堵墙」

甜蜜与苦涩 仅用两个月，一只名为「小龙虾」（OpenClaw）的AI工具席卷了整个AI圈。 无论是小白利用OpenClaw养虚拟龙虾以探索个人Agent的边界，还是大模型厂商纷纷推出轻量化部署方案，通过CodingPlan API套餐吸引开发者直接云端一键部署…… 开发者李然这样形容OpenClaw带来的溢出价值，他将AI Agent的发展对标互联网的演进：OpenClaw加速了Agent迈入第三个时代，即从PC时代的「工具」到移动互联网的「助理」，再到未来协作时代成为「同事」的可能。 这或许是AI在个人开发者及小团队端的一个「OpenClaw时刻」：**人们开始借助Agent，再通过不同的技能（skills）对任务经验进行抽象，从而解决过去日常工作中依赖隐性知识和行业经验的任务。** 但耐人寻味的是，OpenClaw在大型企业里则显得明显落寞很多，不少人对企业AI Agent的落地还是边走边看，持谨慎态度，企业端的「OpenClaw时刻」还远远没有到来。 1、企业OpenClaw的甜蜜与苦涩 眼前的OpenClaw风暴对企业Agent落地来说，有无参考价值？ 答案是肯定的。 开发者李然认为，OpenClaw掀起了Agent开发范式的转变浪潮。 早期的Agent形态如Dify或扣子大多以工作流（workflow）形式出现，尽管「拖拉拽」的低代码已经降低了开发门槛，但对企业组织中的非开发人员并不友好。 但OpenClaw通过系统级调用指令，能让非开发者在常用的办公软件实现与Agent的交互，这是一种AI原生（AI native）的Agent。 除了开发范式的转变，还有行业专属「方案超市」的建立，即行业知识和数据的进一步流动。 OpenClaw的工具能力依赖高质量的skill使用文档，OpenClaw爆发后，拉动了Github里的skill风暴，AI创作者海辛就在即刻上提到，医疗、金融、教育等各个行业的人，都可以利用AI为自己的工作实现便利，编写专属工具，未来的GitHub可能会从「代码仓库」转化为「方案超市」。 **但在OpenClaw的甜蜜之外，对企业Agent落地而言，还有诸多苦涩。** 一位大厂技术人员告诉「硅基研究室」，他在实测企业级OpenClaw发现，技术栈和能力栈上都存在挑战。 **首先，OpenClaw框架底层的任务调度存在一定优化空间，暂不适合承载高可靠性的企业级定时调度业务；其次，长期记忆模块的原生能力也不足，还没达到生产可用的成熟标准，另外还缺乏高质量的skill生态。** 换言之，考虑到企业落地Agent的合规、成本和安全，当前OpenClaw这种高消耗的调用方式和不稳定的生态，对重权限、重可靠和强协作的企业组织来说，大规模的落地显然还有一定的距离。 2、企业AI落地，撞上「三堵墙」 企业端对OpenClaw落地的谨慎态度也侧面反映出，当前中国企业AI的大规模应用的残酷现实。 据崔牛会的数据，当前已有43%的企业部门或岗位进入规模化使用阶段，27%仍处在试点期，28%实现了广泛渗透，还有1.9%尚未确定是否应用。 中国企业也在加速拥抱Agent，据IDC预测，预计中国企业活跃智能体数量将在2031年突破3.5亿规模，年复合增长率达到135%以上，这一增速也将领先全球主要市场。 但这些「大规模落地」的数据繁荣背后，企业想要大规模落地AI还有三面看得见的墙：**认知墙、数据墙、生态墙。** 所谓的认知墙，是决策层、执行层和体验层的预期偏差。 一位车品行业客服中心负责人告诉「硅基研究室」，去年他们曾投入大量资源完成客服系统的AI化，但实际效果并不好。他们已经建立了完备的客服知识库，也在电商大促的超负荷中使用AI接待用户。 但她发现，一方面，很多非经验的知识需要在实际场景中逐渐积累，AI无法完全准确理解用户的需求。 “比如AI在问‘您的车是高配还是低配？’，有的用户碍于面子，会回答‘中配’，人工客服会理解用户的回答，但AI就不行。” 另一方面，用户对AI客服的态度也有两极分化。“有的人看出客服是真人还是人工智能，她本身就对车品知识不了解，她没办法完全信任AI。” 还有不少企业决策者也会因害怕错过的焦虑，盲目上马AI，但实际执行中发现AI对业务的价值增量并不大。 阿里云智能集团副总裁霍嘉也观察到企业AI落地时的一个现象：**“产业界对大模型能力的认知仍不足，业务领导信心很足，技术人员反而担忧落地”。** 德勤在调研企业AI落地时也指出这一「认知墙」：85%企业计划定制Agent，但只有25%的试点项目真正上线到生产环节。同时，超三成企业认为，在3-5年内企业应用Agent才能获得可观的回报，这意味着企业Agent还在早期。 **其次，则是数据墙。** 金山办公助理总裁朱熠锷认为：**“今天在企业AI应用侧，会从模型为中心走向以数据为中心。”**今天AI很多效果不好、难落地，核心原因是和外部模型的连接有关。数据错误会导致解析错误，数据过少会产生检索问题、知识治理问题，而数据过多又会影响上下文工程。 “很多企业AI往往做出Demo，非常快，但是真的想要上线，则非常难。”朱熠锷说。 在企业推进Agent的落地上，打破数据墙也成为关键。 第一，Agent想要实现跨生态、跨系统和多任务的调度，就必须要在企业内部实现上百个系统里实现数据的互联和格式的统一。第二，考虑到数据的可控和可信，企业内部就必须建立分级分类的统一认证权限，保证数据的全链路可靠。 这无疑对企业的数据治理能力提出了更高的要求。 **最后，则是生态墙。** 在企业内部，需要建立AI协同机制，破解资源壁垒。 一位国企IT部门中层告诉「硅基研究室」，AI建设不是IT部门的事，而是业务全局的事。“拿数据建设来说，我们不缺数据，但缺的是怎么解决数据分散，这个时候信息化部门只能提供通用数据，业务部门必须要参与进来。” 在企业外部，也需要云厂商、智能体厂商等技术供应商的深度合作：“不是有了锤子找钉子，而是有了明确的业务痛点然后去造适合自己的锤子。” 3、企业AI，从秀场到战场 Palantir的灵魂人物亚历克斯·卡普曾这样形容企业AI落地的现状： “如果你只是买一个大模型放在那里，却指望它能改变你的业务，那是白日做梦。” 他的话解释了，**企业AI不是技术炫技的秀场，而是要求实际回报、产生业务价值的战场。** 我们也观察到进入2026年，企业AI落地的变化： 一是从过去的全盘all in、内部赛马转向聚焦策略，有专注全渠道布局的户外运动品牌告诉「硅基研究室」，他们会聚焦智能质检、AI辅助接待、智能客服三大领域，今年的目标是将这些过去的成本中心转向利润中心。 二是越来越多的AI卖铲人也走向务实思路，回归业务本质。AI的落地无法绕过脏活和苦活。金山办公CEO章庆元曾指出，**AI时代的办公软件应是知识的容器、数字员工的载体。** 例如在数据治理领域，WPS 365就正在构建全新的「全域知识闭环」，打造一个集「收、治、用」于一体的企业级知识治理底座，这一「企业大脑」目前已应用在上海信投、延锋国际、中国东航等不同行业龙头企业的AI实践中。 回头来看，企业对「小龙虾」的谨慎其实是企业级AI在2026年继续深化和务实的体现，没到「OpenClaw时刻」不是什么坏事，而是AI真正深入业务，成为生产力工具的前夜。