九卦 | 当AI开始替你干活，公司该怎么管？

作 者 |清新研究团队(2026年3月)

来 源 |《龙虾(0penClaw)管理学》

整 理 |九卦金融圈张云迪

一份来自清华团队的报告，用“龙虾”说清楚了Agent时代的管理难题：真正的竞争力，不是谁先装上AI，而是谁先学会怎么管好AI！

想象一下这样的场景：明天早上醒来，公司里多了一群“数字员工”。它们不回办公室，不领工资，但能同时出现在WhatsApp、微信、邮件和内部系统里，7x24小时在线，能查库存、回客服、写周报、调用各种工具。

这已经不是科幻小说的情节。一个名为OpenClaw的开源项目，正在把这些变成现实。

最近，清华大学新闻学院和人工智能学院双聘教授沈阳带领的“清新研究”团队发布了一份报告。报告没有讨论OpenClaw的技术细节，而是把它作为一个管理样本，分析了当AI不再是聊天框里的工具，而是能够干活、跨部门协作、持续执行任务的“数字劳动力”时，企业应该如何管理。

报告的核心结论可以概括为一句话：先界定边界，再放开自治；先梳理流程，再谈通用智能。

从“工具”到“编队”：管理对象的根本转变

OpenClaw的官方定义带有明显的技术色彩：一个可自托管的网关，将WhatsApp、Telegram、Discord、iMessage等聊天通道与AI Agent连接起来。但翻译成管理语言，这意味着企业可以让同一个AI同时在所有常用聊天软件中待命，并具备调用工具、记忆上下文、持续完成任务的能力。

报告提出了一个关键判断：管理对象正在从“模型效果”升级为“数字劳动力系统”的质量、边界与成本。过去评价一个AI，看的是它聊天像不像人；今后评价它，要看它干活稳不稳、会不会出错、出错了谁来承担责任。

为什么现在才谈这件事？

报告用一组宏观数据说明，中国已经具备了AI Agent进入真实业务的基础条件。

通信基础设施方面，2025年末全国5G基站超过484万个，互联网普及率达到80%以上。软件和信息技术服务业的年收入接近15.5万亿元，同比增长超过13%。快递业务量去年接近2000亿件——这意味着海量的“触发-分流-核对-回传”式半结构化工作正在消耗人力，而这些工作恰恰是AI Agent最擅长的领域。

政策层面同样在铺路。国家明确鼓励企业将人工智能融入战略规划、组织架构和业务流程。生成式AI的备案制已经运行成熟，截至去年底累计备案748款服务。监管框架越清晰，企业越敢于将试点转化为正式制度。

报告的判断是：AI Agent不再只是少数技术爱好者的实验品，而是大量中小经营主体可以实际使用的管理工具。

软件治理与Agent治理：两个时代的差异

报告花费相当篇幅阐述了一个核心差异：传统软件治理与Agent治理，在逻辑上存在根本不同。

传统软件治理的核心是账号、模块、数据读写与审批流程，回答的问题是“谁能看、谁能改”。权限表一旦设定，管理基本就位。

但Agent具备执行能力，因此管理问题随之升级为：谁能触发它？触发后它会做什么？做错了谁来负责？OpenClaw能够跨频道、跨工具、跨会话连续工作，这既是它的核心价值，也是主要风险来源。同一个自然语言指令，在私聊和群聊中可能触发完全不同的后果。

报告中的一句话值得注意：“管理的第一任务不是让Agent更像人，而是先让Agent明确它不该像人的地方——不能自创权限、不能自改目标、不能自定责任。”

换言之，企业需要先为AI划定明确的行动边界，再在边界内放开自治。

记忆的双刃效应

长期记忆对AI而言并非天然有益，这是报告提出的一个反常识观点。

许多企业认为，AI能够记住过往对话内容当然是好事。但报告指出，一条过期的价格信息、一份已经作废的政策文件、一次错误的历史总结，如果停留在AI的记忆中，会在长会话中被反复调用、反复放大错误。

因此，记忆需要像库存一样定期盘点：哪些信息仍然有效？哪些已经过期？谁负责更新？谁负责删除？报告为此创造了一个术语——“记忆折旧”，意指记忆的价值会随时间衰减，而风险会随时间上升。这一视角在传统管理学中较为罕见。

渠道即治理层

OpenClaw能够同时接入多个聊天渠道，但报告提醒，不同渠道的信任等级和风险等级存在显著差异。

企业微信中的消息，身份可信度相对较高；而一个匿名即时通讯群组中的消息，是否应该触发同样的自动执行？同样的指令，在低风险渠道中可以放宽控制，在高风险渠道中则必须收紧审批。

报告的建议是将渠道纳入治理分层：高风险任务经由高可信通道处理，低风险任务则可走高频低摩擦通道。这一逻辑与人类组织的管理原则一致——重要事项当面沟通，普通事项线上传达。

区别在于，现在这些规则需要写入AI系统的运行逻辑中。

评价标准：从“像不像人”到“干没干好”

许多团队在评估AI时，仍然沿用评价聊天机器人的标准：语言流畅度、回答礼貌程度、语气自然度。但这些指标与任务完成质量之间并无直接关联。

报告建议，管理层真正应该关注的是任务完成率、人工接管率、返工率、单任务成本等经营指标。AI协助客服回答了100个问题，其中多少得到了客户确认解决？多少需要人工介入收尾？多少因为回答错误导致客户二次投诉？每个任务平均消耗多少计算资源？

只有将这些经营指标摆出来，企业才能判断这个AI是否值得规模化部署。

八层管理模型

报告提出了一个八层管理模型，从战略到指标逐层展开。

战略层首先需要回答：部署AI的目标是增长、提效还是风控？目标不同，部署方式完全不同。用增长KPI去要求风控场景，或用合规逻辑去压死高频试验，最终都会导致问题。

流程层强调，AI只应接入“可交接、可回退、可审计”的流程。输入输出需要清晰定义，异常情况能够升级给人工处理，完成后能够将结果写回系统。没有这个前提，AI只会以更快的速度放大原有的混乱。

权限层的原则同样明确：不要因为模型聪明就授予更多权限，而应因为任务可控才授予权限。权限应该随任务分配，而不是随模型的自信程度升级。

算账不能只算“省了多少人”

许多企业上AI项目时，第一项工作就是计算能节省多少人力成本。报告认为，这种算法过于狭窄。

真正的回报应当包括时间收益、质量收益、风险收益和资产收益四个部分，再减去全部成本。时间收益易于理解——任务完成速度提升。质量收益则表现为口径漂移减少、漏项概率降低、记录完整度提升。这些收益不直接产生销售额，但能减少投诉、降低培训成本、提高追溯效率。

报告举例说明，在销售和客服场景中，AI不一定直接创造市场，但能显著降低因信息碎片化、响应滞后、流程断裂造成的转化损失。因此，投资回报率不应只看节省了多少人力，而应看多拿回了多少原本会流失的商业机会。

报告特别指出：“管理层如果忽视质量与合规收益，就会系统性低估AI的长期价值。”

风险控制：制度先行

AI具备执行能力之后，出错时的责任归属成为必须回答的问题。报告引用三部法律划定了底线。

《数据安全法》要求数据处理与安全并重。因此，企业不能只问“AI能不能用数据把事情做完”，还要问“这些数据是否被合法、必要、可控地处理”。《生成式人工智能服务管理暂行办法》要求提供稳定、持续的服务，建立违法内容处置机制和投诉举报渠道。这启示企业需要建立停止生成、人工接管、异常升级的机制。《网络安全法》则提醒，AI系统越是在线，越需要等级化保护。

报告的核心建议是将“最小必要原则”写入AI的默认行为：不该拿的数据不拿，不该做的事不做。

五个新概念

报告最后提炼了五个原创概念，用以描述AI Agent时代的新管理矛盾。

壳内自治：AI的自治必须发生在制度之壳内部。壳由渠道分级、权限矩阵、日志留存、升级制度、回滚能力共同构成。没有壳的自治，本质上是高效率的失控。

双钳分工：一只钳子负责执行，一只钳子负责校验。不要让“生成”和“确认”两个功能混在同一主体手中。这不一定会降低速度，但能用低成本的结构化复核换取高可靠性。

虾塘治理：管理一群AI，如同管理一个虾塘。水质差虾先出问题，氧气不足活性下降，投喂混乱长势失衡，密度过高风险扩散。对应到AI系统，水质即数据质量，氧气即上下文与算力，饲料即技能与提示词，密度即并发与任务拥挤度。

记忆折旧：记忆的价值随时间衰减，风险随时间上升。必须定期盘点、标注有效期、决定是否继续持有。

出海换壳：当企业将AI应用到海外市场时，渠道、模型、外部工具都会变化，但治理的外壳必须保持连续。无论环境如何变化，边界、权限、审计、升级等制度框架不能丢失。

落地路线：从试点到驾驶舱

报告给出了一个务实的落地节奏。

前90天，不要急于铺开。选择一个任务量大、规则清晰、错误可回退的流程，跑通最小闭环。目标是验证系统能否稳定运行，而非追求展示效果。

180天，从单点试点走向角色化部署。扩张的顺序应当从“角色复制”开始，而非从“部门覆盖”开始。先让相同岗位使用相同的AI能力，再考虑横向扩展到更多部门。

最终形态是一个“管理驾驶舱”——将经营指标、风险指标、资产指标集中展示在一块大屏上。到达这个阶段，AI才真正进入管理体系，而不再是一个边缘实验。

报告总结的路径是：单点试点、角色化部署、编队治理、管理驾驶舱，而非一次性全域铺开。

结语

这份报告的最大价值，或许不在于它提供了多少标准答案，而在于它提出了一个企业正在面临但尚未充分意识到的问题：当AI开始像人一样执行任务时，管理方式需要做出哪些改变？

报告的结尾给出了一个判断：“真正的竞争力，不是谁先装上AI，而是谁先学会怎么管好AI。”谁先将边界、责任、记忆、权限、审计等问题制度化，谁就更有可能将AI从演示桌带入真实业务，使其成为组织的一部分，而不仅仅是一个聊天窗口里的工具。

这大概就是“龙虾管理学”留给每个企业经营者的核心命题。（本文图表均来自报告）