文 | 增長黑盒Growthbox

2026 年 3 月 16 日，英偉達 GTC 大會現場，黃仁勛講完自家產品，把演講方向猝不及防地轉向了一個開源 AI Agent："Mac 和 Windows 是個人電腦的操作系統，OpenClaw 是個人 AI 的操作系統......Linux 用了大約 30 年達到的普及水平，它三周就完成了。"

這只“龍蝦”從 2025 年 11 月在 GitHub 上線到 2026 年 4 月，五個月拿下 36 萬 Star，登頂 GitHub 史上獲星最多的軟件項目。

在中國市場，“養蝦”狂熱一夜之間興起，北上廣深的寫字樓里頻繁出現“OpenClaw 上門部署 499”的電梯小廣告；閑魚上“代裝”賣家也是賺的盆滿缽滿。

然而到 4 月底，OpenClaw 的微信指數較峰值縮水超過 75%，下載量掉到了峰值的一半。“殺蝦勸退指南”取代“養蝦教程”，登上熱搜。“299 元上門卸載”又悄悄成為了一門新的生意。

看上去，又一個技術泡沫破裂了，韭菜們又上當了。

可真的是這樣嗎？

我們決定不再依賴二手報告，不看標題黨新聞，自己去問真實的用戶。

在本次研究中，增長黑盒聯合網易智企，一共調研了 2000 位個人使用者和 100 家 B 端企業管理者，覆蓋 7 大行業、5 類城市，把"個人怎么用、企業怎么管"兩條線交叉來看。

我們會在報告中分析如下問題：

第一，中國養蝦的用戶真實狀態如何？AI Agent的時代真的來臨了嗎？

第二，養龍蝦的人群畫像是什么？ 為什么有人能讓它進入工作核心，有人裝完就卸載？

第三，養龍蝦的價值天花板在哪里？AIagent 真的能無限成長嗎？

第四，養龍蝦能變成組織的生產力嗎？企業的痛點和障礙有哪些？

第五，企業想要集中部署養蝦，有什么靠譜的解決方案？如何讓全體員工方便、安全養蝦？

報告摘要

我們調研了 2000 位 OpenClaw 個人使用者和 100 家企業管理者。兩組數據交叉來看，一個畫面浮現：員工的 AI 使用按天迭代，企業的治理按季度響應，差速正在成為所有管理盲區的生長空間。本報告分六個維度展開：

PART1 全民養蝦圖鑒1.1 龍蝦是不是炒作，用了的人才知道

AI 工具總是熱度傳得很遠，實踐沉淀得很淺。OpenClaw 的滲透過程也遵循同樣的規律。接近 5 成用戶僅僅是聽說過，并且有三分之一養過龍蝦的人最終沒留下來。

我們并不認為龍蝦是傳統意義上的炒作泡沫。首先，純負面評價的占比很低，「概念炒作」與「一時熱潮」的合計負面率，四個人群全部不超過 12%。

其次，把「承認價值合計」與「負面合計」相減得到每個人群的「凈情緒」。即便最保守的僅聽說者，凈情緒也是 +24.5pp。雖然大家對熱度存在質疑態度，但市場整體情緒溫和向上。

更關鍵的是，OpenClaw 用戶用得越深，認為它是革命性的比例越高：深度使用者給出「革命性」評價的比例是僅聽說者的 4.2 倍，凈情緒也是僅聽說者的 3 倍。這意味著熱度被真實使用驗證，沒有被稀釋。傳統泡沫則相反- 遠觀者最狂熱，體驗過的最冷靜，加密貨幣熱潮就是這種形態。

所以，你可以繼續大膽地向身邊的人鼓吹龍蝦和 AI 革命，而不必擔心被人扣上吹牛、炒作的帽子。

1.2 為養蝦去買新 Mac，真金白銀不少花

龍蝦作為一款Skill 免費、月費 token幾十塊的工具，能讓使用者上頭到什么程度？他們已經不只是「用一用」，而是開始為它改裝自己的工作環境。

近四分之一的使用者為養蝦專門買了 Mac mini。問卷把這一項和「自己已有的電腦」特意區分開：他們不是「家里本來就有一臺 Mac」的順手，而是新增了一筆硬件支出。

超過四成使用者每月花 200 元以上。其中 17.0% 月付超過 500 元，6.5% 月付超過 1000 元。對標看，普通視頻會員月費 20–30 元，一線工具類 SaaS 50–150 元；OpenClaw 使用者的月付中位水平接近「兩份工具類 SaaS」，頭部 6.5% 則進入「企業級工具」的價格帶。

超過七成使用者同時養兩只以上的蝦。典型使用形態不是「一個賬號在用」，而是給每種任務場景單獨配一個專用實例，像配專用工位一樣把不同 Skill 組合拆開。

三個信號在「深度使用者 vs 活躍使用者」維度上都有清晰的層級差：買 Mac mini 比例深度是活躍的 2.5 倍，月付 500+ 比例高 9.6pp，多開 4+ 只蝦比例是 2.8 倍。

1.3 龍蝦的「手和腳」怎么裝？ Skills 來源分布

排第一的是同事 / 朋友分享（44.6%），官方市場（36.2%）只排第二。Skills 的擴散跨過了「逛市場下載」的早期形態，進入社交推薦階段。GitHub / 開源社區（35.8%）和官方市場幾乎打平，開源文化在 Skills 層是核心底座。

值得注意的是：每 6 個 OpenClaw 使用者里就有 1 個越過了「使用者」的邊界，開始向生態貢獻，自己制作 Skill。隨著使用深度加深，最先顯著升高的是「自主創造」本身，而不是任何獲取渠道 -深度使用者中自己開發 Skill 的比例達到 28.5%，是活躍使用者（11.6%）的 2.5 倍，差距 16.9pp，在所有來源中最為顯著。

1.4 龍蝦的「大腦」用什么？AI 模型連接分布

國產模型主導了市場：DeepSeek 44.1%、通義千問 40.3%、Kimi 21.2% 成為最受歡迎的「龍蝦大腦」，平均每位使用者連過 1.4 個國產模型。GPT 和 Claude 這兩個全球最受歡迎的模型，并未成為大家的首選。

有意思的是，深度使用者似乎對 GLM 和 MiniMax 兩家國產新星情有獨鐘，使用比例顯著更高，反而減少了對 DeepSeek 的依賴。

本地模型使用者則要為「數據不出本機」付出配置成本（下載模型、管理 GPU 顯存、配 API 橋接）。OpenClaw 使用者里近三成（194 人）已經在用本地模型，深度使用者更高到 30.9% - 「自己折騰」養成了習慣。

1.5 龍蝦的「口和耳」在哪里？日常交互入口

用戶日常與 OpenClaw 對話的入口平均有 1.6 個，約 48.7% 的人同時用 2 個或更多聊天工具。

微信以 44.8% 選擇率排第一。使用者更習慣在個人對話窗口里召喚龍蝦，而不是在公司辦公環境里。今年騰訊進行了聲勢浩大的宣傳，不僅推出了 Qclaw 等自家的 OpenClaw 工具，還允許用戶將自己的 OpenClaw 接入微信直接對話；甚至在深圳辦公樓下免費為用戶安裝 OpenClaw，吸引近千名開發者和 AI 愛好者到場。騰訊 2025 年全年業績電話會上，連馬化騰也首次公開談及「養蝦」，提出了「每個小程序都可以智能化和龍蝦化」的設想。

企業 IM 內部入口則呈現「三分天下」的格局：企微、釘釘、飛書三家的滲透率沒有拉開太大差距，深度用戶反而更偏愛釘釘和飛書。實際上，有很多用戶雖然使用的是企業級 IM，但日常仍以個人身份在使用，并不涉及公司業務和流程。

有趣的是，深度使用者喜歡突破阻礙回到海外生態 - Telegram 在深度使用者中滲透 24.6%，是活躍使用者的 2.4 倍；Discord 同樣接近翻倍。

1.6 從聽說過到每天用，需求倒逼行動

從「沒聽說過」到「深度使用」之間，每個使用者都經歷了三步躍遷：先被某種渠道觸達，再被某種契機推動，最后落入某種場景。把這三步拼起來，可以畫出一張完整的使用路徑圖。

1.7 認知：短視頻/社媒是激發養龍蝦興趣的第一入口

8 個認知渠道按滲透率（多選）排序，短視頻 52.8% 位居第一，遠超其它渠道。按「用戶主動性」聚合成三大類后會發現：主動探索型覆蓋 49.9%，內容觸達型覆蓋 78.1%，關系/場景型覆蓋 57.1%，三類都覆蓋近半數以上使用者。

OpenClaw 的觸達沒有單一入口依賴，內容觸達型是最大的大眾盤，和普通 AI 工具的增長路徑一致。

1.8 決策：工作需求和他人案例驅動用戶動手實踐

「聽說過」和「開始用」之間有一道門檻，需要一個契機推動。工作需求（36.5%）+ 他人案例（30.7%）合計 67.2% - 三分之二的使用者是被明確的、自主的動機推進來的：使用者帶著自己的問題來，不是被動流量的產物。這進一步說明養龍蝦更多是價值導向。

一個自然的假設是，從短視頻進來的人和從技術社區進來的人，開始用 OpenClaw 的契機會很不一樣。但我們把渠道和契機交叉起來，發現偏差范圍非常微弱。

渠道決定「誰先聽說過」。一旦越過「聽說」門檻，不同渠道進來的人后續使用動機已經相當一致，最終都會收束到「工作需求 + 他人案例」這兩條主路徑上。

1.9 行動：契機是最終使用場景的決定因素

把 6 個契機 × 9 個場景做成 TGI 矩陣，偏差巨大：TGI 范圍從 37 到 147，契機到場景是強耦合關系。

最反直覺的是社交帶動組：9 個場景 TGI 全部負偏好（70–99）：用戶沒有自己的使用目的，落到任何場景都顯不出偏好。問卷里這一項的原文是「同事/朋友幫我裝好了」。在此奉勸各位：不要再幫你身邊的人裝龍蝦了，因為裝了他們也不知道拿來干嘛。先讓他們自己想清楚需求，否則就是浪費彼此時間。

1.10 不同行業，養蝦各顯神通

行業是另一個強變量：一個金融人、一個電商運營、一個媒體編輯，即使出發動機同樣是「工作需求」，最終用 OpenClaw 做的事情也會很不一樣。

PART2 養蝦的五種人2.1 誰在養蝦？五種畫像的分層圖譜

日常使用龍蝦的用戶，是同一種人嗎？差異比預期大得多。「每天多次打開 OpenClaw」這件事，在使用者群體內部的比例從 3.3% 跳到 84.7%，跨度大約 25 倍。曲線并不平滑，更像一張分層的階梯。

我們把使用者放進一個二維坐標：縱軸是使用深度，橫軸是傳播影響力。使用者被切成 5 個象限：右上角的蝦圈教父：使用深度接近滿格、傳播影響力頂滿。左下方的養蝦小白數量不少，但深度和傳播都處在起點。

先來看看不同畫像人群的核心標簽有什么區別：高頻使用率、處理公司核心業務占比、月付費 200 元+占比、「革命性產品」評價占比、公司鼓勵并支持占比。

結果從養蝦小白到蝦圈教父，強度不斷增加，各個畫像有著鮮明區別。

2.2 三個躍遷節點：用戶如何從小白成長為大佬？

五種面孔不是五個固定身份。養蝦小白可能在第 3 周因為一項緊急工作找到第一個剛需場景，變成養蝦工人；養蝦工人也可能因為公司態度轉變、開始愿意幫同事裝蝦，變成養蝦導師。五畫像之間有3個關鍵的躍遷動作。

躍遷點 1：從養蝦小白到養蝦工人

養蝦小白和養蝦工人的差異不在「用得多勤」，而在「用得有沒有嵌入工作」。

養蝦小白里納入工作流的只占約 45%，且其中多數還停留在「偶爾，僅限個人輔助」的淺層。養蝦工人這一側則完全不同：約 94% 已經在工作中使用，只有 5.6% 仍停留在「不用于工作」。

這一層的人群普遍有一個共同特征：在工作中找到了第一個穩定的使用場景。場景未必復雜，養蝦工人使用最密集的 3 個場景（日程管理 42.9% / 信息整理 41.2% / 數據處理 40.7%）都是通用效率場景。一旦穩定的工作嵌入點成立，使用習慣就會固定下來。

躍遷點 2：從養蝦工人到養蝦導師 & 精英

這個門檻有一個特殊結構：養蝦工人會分流到兩個方向，而不是合并到一條路。

養蝦工人 → 養蝦導師這一躍，兩者深度均分幾乎一致，傳播均分卻差近 3 倍。區別完全在「愿不愿意動手幫人裝蝦」。完成躍遷的人，普遍處在更鼓勵的組織氛圍里：養蝦工人只有 14.1% 處在公司鼓勵的環境，養蝦導師跳到 32.9%。在被「看見」和「認可」的氛圍里，使用者更愿意花時間幫同事配置。

養蝦工人 → 養蝦精英這一躍，兩者都不太傳播，深度均分卻差近 2 分。區別完全在「自己用得夠不夠深」。完成躍遷的人，普遍帶著更強的工作任務驅動：養蝦精英因「有具體工作需求」入場的占 43.2%，比養蝦工人的 29.9% 高 13 個百分點；場景數從均值 3.0 個擴展到 4.2 個，整整多出一整個場景類別。

躍遷點 3：從養蝦精英到蝦圈教父

這是整條階梯上差距最大的一道門檻，但差距不在個人層面，而在組織層面。蝦圈教父這一層的人，在組織里已經是被系統性背書的節點。公司允許他處理核心業務，為他的使用付賬，鼓勵他把 OpenClaw 擴散給同事。養蝦精英已經非常接近這條線（47.9% 的公司支持度不算低），但「精英」和「教父」之間的差異，不是個人再多努力一步就能拉開的，更多靠的是組織把一個角色交到他手上。

把三次躍遷的核心差異抽象成一條規律，階梯呈現出一個非對稱結構：門檻 1 是個人行為層面的（找到第一個工作場景），門檻 2 是個人偏好 / 環境層面的（社交還是深度），門檻 3 是組織授權層面的（角色與資源的賦予）。

在整個躍遷過程中，公司支持度從 7.3% 上升到 93.2%，分了五級階梯。最陡的一段發生在精英 → 教父之間（+45.3pp），占整段跨度的一半以上。

PART3 養蝦的價值與天花板3.1 一張分數相當高的成績單

放下「革命性產品」這類主觀修辭，看一個更硬的指標：使用者在自己用過的場景里給 OpenClaw 打出的效率分。使用者只對自己勾選過的場景評分，不使用就不表態。

沒有一個場景跌破 4 分，人人都說有用。

然而使用率和滿意度并不正相關：使用率最高的三個場景（文件整理、深度搜索、日程管理）滿意度排名都靠后；滿意度排名前三的持續監控、跨應用自動化、數據處理里，有兩個使用率排在后段。

最多人用的場景，不是最好用的場景。

3.2 組織的上限，決定了個體養龍蝦的上限

單從滿意度來看，有一個明顯的特征：工作嵌入越深，效率分數越高。從「僅個人用途」到「處理核心業務數據」，綜合分上升 0.43 分。對一個 1-5 分量表而言，這個梯度相當于從「還不錯」躍到「很好用」。

另一方面，「本職工作」是一條分水嶺。把 OpenClaw 放進真實工作任務里的人（無論使用深度如何），給它的分更高，評價更正面。能否在工作中應用 OpenClaw，決定了個人層面的應用上限。

既然如此，我們就必須引出一個重要的洞察：養龍蝦真正的價值天花板不在個體，而在組織，尤其是組織的態度。

個體的價值感知不完全由個體決定，組織才是放大器或抑制器。

3.3 組織態度放大的首先是價值感知

站在個體角度，公司從「鼓勵」到「不知道」，效率只有少量增加，價值感知卻拉開近 6 倍。組織賦能讓使用者「用得」略好一點，卻讓使用者「覺得值得」差了一個量級。價值感知被組織放大的程度，在 AI 發展的早期階段遠遠超過工具效能被放大的程度。

我們認為，公司存在一個明確態度（哪怕是負面的），也比模糊的組織空氣更能幫使用者形成判斷。在「公司不知道」的組織里，每個使用者都在自己猜「這樣用到底對不對」，這是價值感知的抑制劑

如果組織無法讓個體感知到價值，管理者期待的降本增效怎么會發生呢？

3.4 自下而上的呼喚：C 端使用者在呼喚一個 B 端產品

在實際的落地應用中，用戶有著非常集中的顧慮。使用者焦慮的首要對象不是「這個工具做得不夠好」，而是「工具沒有安全的邊界，也沒人給我們劃邊界」。

實際上，這些顧慮完整反映到了個人用戶對于企業賦能的需求：個人自報的首要需求，是數據私有化、統一管理、質量認證、合規審計，全部是組織級能力。如果個人天花板的解法在個人這一側，使用者不會自己呼喚 B 端方案。他們在呼喚，意味著他們已經碰到了自己能做到的邊界。

3.5 用得越深，對組織級支持的呼喚越強

更有意思的是，從 1-2 個場景到 5 個場景，團隊 Skills 復用的需求幾近翻倍。這不是「個人工具」的指標，是「我需要和同事共享成果」的指標。把 OpenClaw 用到 5 個場景的人，已經在自己的工作流里構建了一套足夠深的協作界面，單兵作戰不再夠用。

3.6 從入門到放棄：近七成用戶在前兩周內「棄養」

看完了上限，我們再來看看下限。將近 7 成用戶，會在體驗 OpenClaw 的前兩周內決定棄養。流失不是均勻的「放棄」，沿停用時長呈現一條清晰的梯度，兩種停用者有不同的決裂程度。

<1 周的是「決裂者」：65.5% 真的卸載了，比其他時段高出兩倍。

1 周以后的是「擱置者」：60% 到 69% 的人選擇「還留著但不用」。

用戶停用的原因，并不是簡單的「AI 智商堪憂」這種問題，而是產生多樣分化：費用、安全、效果，沿時間軸一個接一個成為擋路石。

<1 周 · 成本驅動：

用戶還沒走到「有沒有用」的問題，先被「還沒開始玩就要付費、就要折騰」勸退。

1-2 周 · 安全焦慮首次登頂：

費用退潮，數據安全第一次成為第一死因。用得開始深了，第一次擔心起來了。

2-4 周 · 安全達峰、組織信號出現：

安全焦慮推到 57.4% 的高點；「公司禁止」首次爬到 16.2%，這是 IT 合規第一次明顯介入。企業 IT 治理的反應，大約滯后員工自發使用 2-4 周。

>1 月 · 期望破滅：

最老的一批停用者，死因從「安全」轉向「效果沒達到預期」。用得夠久，好奇變失望。

3.7 組織支持成為重要的回歸價碼

「給你什么，你才回來？」

我們讓每一位停用者回答了這個問題，幾乎所有人都開了價：96.1% 的停用者至少選出 1 個回歸條件。真正說「不會再用了」的，只有 3.9%。

<1 周組 · 要「門檻降低」：

最高頻的回歸條件是「一鍵部署」（41.4%）和「AI 效果提升」（39.7%）- 他們還沒走到「值不值」的階段，先被「裝起來太折騰、裝好了沒想清楚怎么用」勸退。

>1 月組 · 要「系統性方案」：

最高頻訴求變成「Token 費用降低」（48.3%）、「數據安全可信解決」（41.4%）、「公司統一部署」（37.9%）- 用久了的人，要的不是工具優化，是花錢的人換成公司。「公司統一部署」訴求從 <1 周的 13.8% 一路爬到 >1 月的 37.9%，幾乎翻了三倍。

共性底色：

AI 模型能力（約 38%）和數據安全（約 38%）是全時段都在訴求榜前列的兩條底色 - 無論什么時候流失，大家都在等 AI 變得更聰明、等數據能真正放心。

組織層面的問題，2-4 周同時從「負擔」和「訴求」兩端冒出來 - 這不是巧合，而是個體使用者自己認識到「單打獨斗走不下去了」的時間點。

3.8 越是在傳統行業，企業級賦能的價值越大

最后，我們調研了那些從沒用過、只是聽說過的人：每 15 個未使用者里，才有 1 個人徹底拒絕養龍蝦，大部分都是持有積極、正在準備的態度。

可為什么他們不去用呢？第一直覺可能是“安裝太難、太麻煩”。

但數據顯示：OpenClaw 的主要擴張阻力在價值證明和信譽。用戶不缺工具、不缺教程，甚至不缺錢，缺的是“這個東西放在我這兒能干什么”的可信答案。

我們也問了未使用者第二個問題：什么樣的條件能讓你開始用 OpenClaw？

因為用戶分為積極（已準備 + 有興趣）和消極態度（可能不會 + 肯定不會），我們需要再拆開看看。

二者形成了顯著的差異：

積極群要更多證據：場景證明、費用透明、安全說明，他們在做評估。

消極群要省掉麻煩：公司統一部署，他們在等一個不用自己操心的入口。

越是在保守、傳統的行業，消極未使用者占比可能會越高。這意味著傳統行業公司層面的實際支持，能夠有效促進 AI Agent 的滲透和應用，讓“全員擁抱 AI”不再停留在喊口號。

PART4 當龍蝦走進辦公室4.1 采購單很熱，滲透還淺

打開任意一份企業AI采用調研，畫面類似：試點比例在漲、采購預算在排隊、員工覆蓋率在爬升。這次調研問了同樣一組問題，管理者回答出來的賬面，確實很像業內通稿的復刻版。

75.0%的企業已推動AI采用：27%走到全公司統一部署，48%停在試點階段。另有20%的管理者承認，AI到底有沒有走進公司，他們說不清楚。

采購意愿比采用比例更熱。88.6%的企業未來12個月內有采購計劃，明確說“沒有計劃”的只有5.7%。預算側的數字同樣積極：47.4%的企業把年度預算定在20-50萬元。

但同一批管理者回答的另一道題，把這份樂觀拉回了地面。

51.1%的企業，OpenClaw滲透率不到員工的20%。一邊是88.6%有未來12個月采購意愿，一邊是過半企業的現用戶不到兩成員工 - 賬面上的"我要采購"跑在"員工在用"前面。

賬本是領先指標，滲透率是滯后指標，二者之間的差值就是我們需要關注的地方。

4.2 鋪得開，但沒鋪對地方

企業買了OpenClaw，把它放進了哪些業務？按滲透率與滿意度兩條中位線切開，10個場景落在四個象限：

一條B端特有的現象由四象限直接呈現：企業首先把龍蝦放進最容易解釋的地方（研發、數據、市場營銷），落出效率感的卻是跨部門流程和事務型工作。技術型場景鋪得早，期望被拉高，打分相對克制；事務型場景剛鋪開，痛點強烈、替代感明顯，反饋熱烈。

C端的“標桿區”是數據處理與報表，B端的“標桿區”是跨部門自動化與行政辦公。用什么場景“代言AI價值”，員工和老板的答案不一樣。B端采購側的“價值解釋權”可能需要換手。

那員工是從哪個入口接觸 OpenClaw 的？

企業微信58.0%、釘釘43.2%、飛書28.4%，國內三大辦公IM占據絕對入口地位。命令行、專屬客戶端都只有兩成左右。B端員工不為AI單獨開一個窗口，他們把AI接在自己每天已經打開的窗口里。

至于部署方式，畫面同樣松散：正式部署路徑（企業級平臺 + 付費產品 + 開源統一 + 云廠商）合計67.0%，剩下的33.0%是混合方式、員工自行部署、以及管理者"不清楚" - 三分之一的部署形態沒走標準IT賬本。

支出側的數字更說明問題。

近一半企業的月支出在5,000元以下（47.7%），20,000元以上只有18.2%。當前主流月支出檔位（5,000-20,000元，占31.8%）折成年度是6-24萬元 - 實際支出還沒用完預算的50%。

企業"鋪出去"完成得不錯，"管起來"還沒跟上。

4.3 用得快，管得慢

管理者怎么管？答案遠沒有賬面那么樂觀。

完整治理只有21.6%。剩下的78.4% - 制度要么沒建起來，要么建起來管不住。沒有一家企業選"IT部門還不了解情況"，問題不在"不知情"，在"知情但管不上"。

把采用階段和治理狀態疊在一起，差距更清楚。

這張交叉表給出一個反直覺的讀數：走到全公司統一部署的27家企業，也只有37.0%完整治理。"統一部署"已經是組織層面最成熟的采用階段，但即便如此，仍有近2/3的企業沒把治理建到位。試點階段只有18.8%完整治理，"沒推動但員工在用"的13家完整治理為0%。

治理框架的建設速度，落后于企業采用AI的推進速度 - 越走在前端，治理越薄。

那管理者到底擔心什么？什么拖慢了龍蝦進入企業的速度呢？

費用和ROI 反倒不是問題，“數據安全和隱私合規”才被列為最大挑戰，其次是“缺乏統一的管理和運維工具”。第三，作為龍蝦運行必備的 skills，企業也普遍有“開源skills投毒”的擔心。

如果我們就聚焦企業最關心的安全問題去深挖，可以看到：43.2%擔心核心數據泄露，40.9%擔心員工私自上傳敏感業務數據。安全顧慮不只來自"外部攻擊"，也落在"內部員工行為"上。

管理者用自己的話回答"使用 OpenClaw 時遇到的最真實的一個問題"：四條原聲分別對應"安全顧慮→組織能力→費用失控→權限缺失"四個層面。

4.4 員工自述印證了管理者的焦慮

這組"管不住"只是管理者的焦慮投射，還是員工側也能印證？我們不妨回顧之前的 C 端調研。

58.7%的使用者處于非管控狀態。這些員工里絕大多數沒在故意繞開制度，他們感受不到制度的存在。

行為已經發生，組織姿態沒跟上。這幅圖和上一節管理者自述的"治理不完整78.4%"、"缺管理工具37.5%"，對應在同一件事的兩端。

4.5 管理者要的是邊界，不是更聰明的AI

既然管理者承認"管不住"，他們自己希望被怎么管？

37.5%傾向"提供推薦方案但不強制"，33.0%傾向"統一部署企業級平臺"，兩項合計70.5% - 這是管理者心目中的"合理管法"。選"嚴格管控"或"禁止"的合計僅14.8%，選"完全放開"的也只有14.8%。

管理者給出的態度偏好很清晰：要"組織化的引導能力"，不要"組織化的限制能力"。不強制，但提供方案；有邊界，但不封死自由。對應到產品側，配套是"平臺 + 推薦 + Skills市場"，不是"審批 + 封禁 + 流量攔截"。

另一方面，管理者的擔心就是企業的采購清單：數據安全59.1%排第一，Skills市場45.5%排第二 - 這兩條采購優先級，和上一節的"數據泄露43.2%"、"Skills質量挑戰33.0%"一一對應。

PART5 讓 AI Agent 從工具躍遷成組織生產力

管理者的清單已經很清楚 - 剩下的問題不再是"管理者要什么"，而是"這套清單具體長什么樣、由誰交付、明天能做的第一件事是什么"。這一章走出研究視角，給出一份可被參考、也可被復制的解決方案樣本。

核心命題：個人提效 ≠ 組織提效

一邊是即將兌現的能力曲線，一邊是九成五止步于試點的落地曲線。AI 正在成為很多企業里的"跑步機"：買了、擺了、沒人真正跑起來。

更反直覺的是：一線員工已經全員用上 AI Agent，每個人都覺得"工作變輕松了"，業務的成本和業績卻沒有立刻發生顯著變化 -

職能邊界沒有重新定義，AI 讓人更快，組織分工還是舊模式；流程節點沒有減少，協作鏈條不變，AI 省下的時間被流程吃回去。

給 100 個人每人配一把電鋸，不會自動變成一家高效的伐木公司。

5.1 一張需要重新畫的架構圖

IT 看不見員工的真實部署，管理動作追不上員工動作。這些缺口指向同一個架構問題 - 企業缺的不是更多工具選項，缺的是一張能把"個人提效"翻譯成"組織生產力"的架構圖。

四層不是從底到頂逐級搭建，而是必須同時存在。任何一層缺位，上面那一層就懸在空中。

把這張架構圖搭起來的關鍵不是再加一款AI工具，而是是需要一個統一的中央底座-一個能管住安全、降下門檻、看見全局、沉淀資產的企業級Al Agent管理與賦能平臺，扮演架構持有者的角色。網易智企已經把這個底座做出來了，叫做帝王蟹(ClawHive)，官網https://skills.netease.im。

5.2 帝王蟹的四個修正動作

帝王蟹的目標不是做一只更厲害的龍蝦，而是把企業現有 AI Agent 使用中的四個結構性錯位逐一修正 - 每一個產品能力都對應明確的實證缺口。

5.3 安全：從“裸奔”到“縱深防御”

個人玩龍蝦和企業用龍蝦之間，差的是完整的安全邊界。

5.4 門檻：從“技術壁壘”到“業務自助”

技術門檻是 AI Agent 在企業里鋪不開的第二道結構性障礙。問題不在 AI 的智能水平，而是配置門檻把業務部門員工擋在了第一步。

5.5 管控：從“管理盲區”到“統一治理”

賬單刺客（Token 費用失控）、Agent 之間的信息孤島、越權操作無審計 - 這些是行業性的盲區，不是個別企業的疏忽。

5.6 沉淀：從“個人經驗”到“組織資產”

員工用 AI 用得越深，越希望自己的經驗能被組織繼承，同時共享其他人的最佳實踐。

5.7 裝在帝王蟹上的執行組件

帝王蟹解決的是"管"的問題：管得住、管得明白、管得有邊界。但要直接推動業績，還需要在底層管理的基礎上更進一步 - 網易智企在 ToB 服務場景里沉淀的五個高 ROI Skill，正是裝在帝王蟹平臺上、可被員工開箱即用的執行組件，已在多家頭部品牌的真實業務里跑通。

企業在自己的私有 Skill Hub 里直接掛載、按部門授權使用，員工無需自行搜索和驗證第三方 Skill 包。網易智企配套提供從 0 到 1 的部署支持、從 1 到 100 的培訓賦能、定制開發與持續運維。

5.8 可復制的方法論：從需求池到落地

網易智企也根據自身經驗，沉淀了一套可行性高、操作簡潔的方法論，對于"C 端在反向召喚 B 端"的呼喊提供了一條可執行路徑：先聽員工，再畫架構，再分發能力。

底座搭好、組件裝上之后，企業的第一件事不是急著上線某個 Skill。先回到員工那里問一個問題 -

配套一份調研模板就可以啟動：場景描述 / 頻次 / 單次耗時 / 期望 AI 達到的效果。模板看似簡單，落地速度往往超出預期。

5.9 兩個落地樣本

5.10 從工具到工作方式

架構圖先畫對，底座 + 組件搭起來，方法論讓員工的需求被聽見，樣本證明它能跑通。這些動作都做完之后，企業里發生的最深刻變化是 - AI 從 "工具" 進化成 "工作臺"。

員工得到 "邊界清晰但能力放開" 的工作環境；組織得到 "看得見、管得住、能沉淀" 的能力資產。比你早跑通這條路徑的同行，會更早把 AI 帶來的復利收進自己的資產負債表。

PART6 結語：跨越階梯的兩個判斷6.1 判斷一：速度差，是所有問題的根因

員工這一端，AI 進化是天級的。今天一個新用法刷屏，明天就鋪開到日常工作；一個 Skill 從聽說到上手，往往只要一杯咖啡的時間。個體的 AI 使用曲線是指數型的，迭代節奏以天、以周計算。

企業這一端，AI 治理是季度級的。評估、立項、采購、部署、培訓、審計、制定政策 - 任何一個環節走完，都是以季度甚至年為單位。組織的治理曲線是階梯型的，節奏被組織流程的慣性鎖死。

兩條曲線之間的差值，就是今天所有管理盲區的生長空間。

行業里談 AI 治理，主流框架在問“管得夠不夠嚴” - 有沒有禁用清單、有沒有數據防泄漏、有沒有審計機制。如果根因是速度差，"更嚴"只會把差速逼向更深的灰區，不會消除盲區，只會讓盲區跑得更快。真正的問題不在嚴格度，在節奏。AI 治理的主戰場也許根本不在制度細節，而在組織機制能不能跑起來、跟不跟得上。

6.2 判斷二：C 端在反向召喚 B 端

我們在三個立場完全不同的C端群體里聽到了同一個聲音： 把 AI 變成企業統一提供的能力。

這是傳統 IT 采購邏輯的一次反轉。過去的采購決策鏈是標準的“自上而下” ，整個流程走完一輪以季度計。它有一個隱含前提：員工會等。等企業選好工具，再接入使用。

AI 時代的現實是，員工不等。他們已經自發在用，而且用得很熟。企業如果還按老邏輯走，員工就會在“公司看不見”的狀態里繼續用下去。企業能做的不再是“給員工配工具”，而是要回頭追認。承認員工正在使用的場景，把它們納入可管理的底座。

從“試點”升到“全公司統一部署”，這一跳中間缺的不只是管理工具，更缺的是一套能和員工使用同頻的組織機制。

附錄 · 樣本說明