如果你还没看过几篇关于 AI 代理的文章，建议先读 这篇。

关于企业，我们可以从 OpenClaw 或类似工具中学到什么。

首先，我觉得我们需要看看市面上有哪些 AI 工具：

基础模型平台

  • Microsoft Copilot + Azure AI Studio —— 与 Microsoft 365、Dynamics、Azure 深度集成
  • Google Cloud Vertex AI + Gemini —— 紧密接入 Google Workspace，多模态能力强
  • AWS Bedrock —— Amazon 的托管 LLM 平台，Claude/Anthropic 也在这里
  • IBM watsonx —— 在受监管行业（金融、医疗、政府）中表现强劲

业务/生产力 AI

  • Salesforce Einstein —— CRM + AI，用于销售、服务、营销预测
  • ServiceNow AI —— IT 服务自动化、工单路由、工作流优化
  • Workday AI —— HR 与财务管理
  • SAP Business AI —— 嵌入 SAP ERP，涵盖供应链、财务、采购

数据与开发

  • Databricks —— 湖仓一体 + ML，常用于构建定制 AI 管道
  • Scale AI —— 数据标注、RLHF、企业 AI 训练数据管道
  • Dataiku —— 协作式数据科学，企业 ML 工作流

垂直/专业化

  • C3.ai —— 制造业、石油天然气、公用事业 AI
  • 法律：Harvey AI、Lexis+ AI
  • 医疗：Abridge、Nabla（临床文档）

开源/自托管

  • Ollama、LM Studio、vLLM —— 本地运行模型（和我们这里做的一样）
  • Hugging Face Enterprise —— 模型托管、微调、私有模型注册表

我没用过上面所有工具，我自己的 AI 使用经历包括：

  • Microsoft Copilot
  • Google Cloud Vertex AI + Gemini
  • Salesforce Einstein
  • Claude Code
  • OpenClaw
  • 一点点 NemoClaw
  • Ollama
  • Hugging Face —— 只用来调用模型
  • ChatGPT

不知道是不是只有我这样，但自从开始用 OpenClaw 和 Claude Code 之后，我真的没办法再用 ChatGPT 和 Copilot 了。它们效率差太多了。

在企业中落地 AI，有几个流程必须梳理清楚。我认为，让 AI 在公司里顺畅运行，需要把以下几件事理清楚：

  1. 公司的硬件架构是否完善？

    很多公司可能不希望自己的数据暴露在风险之中。使用云端托管模型时，模型托管方是能看到你数据的。你可能需要在本地搭建一套完整的环境，让员工能够访问。

  2. 整体软件基础设施是否到位？

    不同公司使用不同的平台，几乎是把各种软件/平台拼接在一起构成自己的架构——可能是 Salesforce + ServiceNow + Dynamics 365 + NetSuite + SQL 数据库或数据湖。这意味着你引入的 AI 需要能与所有这些平台协作。数据在各平台之间如何流转？这些平台之间是否已经互通？

  3. 公司的数据质量如何？

    面对上面提到的这么多平台，数据长什么样子？有时候，多平台并存会导致账户或联系人等数据重复。有人说 AI 现在可以处理质量差的数据，自动整理。我不这么认为——我仍然认为干净的数据是整个 AI 流程的关键；否则，你依然会垃圾进、垃圾出。

  4. 公司有哪些业务流程？

    业务流程是每家公司非常重要的一部分。说句实话——每家公司都有自己的乱摊子，只是藏在外人看不见的地方。外表看似流畅的流程，背后可能是多个手动环节拼凑出来的，原因可能是公司在使用各种没有打通的系统，所以只能靠人工或半自动化的方式来完成。 整理遗留业务流程就像解开一团乱毛线。你需要找到线头，然后根据当前的情况慢慢追问，才能找到下一步该问的问题。有时候人们会把"善于和客户沟通"和"真正梳理需求"混为一谈——这是两回事。 说真的，我也认为这是 AI 可以大展拳脚的领域。如果你已经有了一个可信赖的 AI，你可以让它梳理你当前的系统配置，至少告诉你与平台相关的现有流程是什么。这样你就能找到平台之间或系统内部的缺口。那些缺口很可能是靠人工处理的，或者公司里总有人知道那部分怎么运转——让员工来填补这些空白。

  5. 哪些流程可以重组为更高效的方式？

    不是所有业务流程都应该用 AI 自动化。我认为 AI 目前还没有到能稳定做出决策的阶段，而且 AI 无法承担责任——人类还是可以的。 作为人类，面对一个项目或需要做决定时，我们有直觉。这种直觉来自经验——经历了足够多的项目或流程，你从好的和坏的中学习，知道哪里可能出问题，提前预防，或者在看到类似趋势时及时修正。在这些事情上，人类目前还无法被取代。 至于什么样的流程适合用 AI 自动化，我认为需要具体情况具体分析。如果一个流程是重复性的且有规律可循，那就可以尝试用 AI。我的判断逻辑是：如果能找到规律，就能用程序/脚本/算法解决，那 AI 肯定也能处理。

  6. 公司的组织架构是否已为 AI 做好准备？

    管理层的想法是：我们有 AI 了，让 AI 做所有事——在他们眼里，AI = 效率。这既是对的也是错的。我们确实看到不同公司在裁员，但原因可能各不相同。Block 裁掉了 40% 的员工，因为他们在转向一种与 AI 更好配合的新组织结构。我很喜欢 这篇文章——Jack Dorsey 和 Roelof Botha 带你回溯两千年前军队是如何组建、命令如何流转以提高效率的，以及这套逻辑如何沿用至今。现在有了 AI，一切如何更高效地运转？当然，有了 AI，信息流转的方式确实不同了。对每家公司来说，情况各不相同，需要区别对待。我认为，在没有清晰规划剩余人员如何配合 AI 运转之前，不应该就把人大批裁掉——万一其中一些人对你的业务流程有最深刻的洞察呢？AI 并不等于立竿见影的效率，它是一个过程。

说了这么多，你可以看出，在公司里引入 AI 并不像买个工具、鼓励员工使用那么简单。我想提出一个不同的思路——比如，假设你要落地 OpenClaw、NemoClaw，甚至是 Claude。你应该有一个集中的地方来托管这些代理工具，并分配给你的员工。每位员工都有自己的 AI 助手（通过托管的代理工具），自己与 AI 的对话，以及自己的记忆；每个代理可以定义自己的个性和身份等。应该有几位"超级用户"，他们可以帮助管理记忆。根据每位用户的聊天/提示词，超级用户可以帮助判断公司需要哪些技能，这些技能可能对所有人都有价值。每位员工会有自己的工作空间，甚至可以按需拥有自己的技能。这只是我目前的一个想法，基于我使用 OpenClaw 的亲身经验。

鼓励员工使用 AI 是一回事，让他们更高效地使用 AI 是另一回事。我还发现，把任何 AI 工具当作一个同事——和你的 AI 助手一起解决问题——才是 AI 价值真正发光的时候！

你的公司是怎么使用 AI 的？你有没有注意到同事是如何使用 AI 的？希望这篇文章能帮助你思考自己的 AI 策略！

Happy coding！和 AI 一起愉快工作！！