大公司，想养“龙虾”也不容易 | 海斌访谈

来源：市场资讯

（来源：第一财经资讯）

“龙虾”，其实不好养。

挥舞着双钳的“龙虾”智能体（OpenClaw）风靡全球，它已经具备自主调用工具、分析数据，并完成特定任务的能力。英伟达GTC 2026大会上，英伟达创始人黄仁勋将OpenClaw类比为AI智能体时代的操作系统。

近日，第一财经采访获悉，在AI实际的落地过程中，一些非科技类的大型企业，比如医疗器械企业、银行等并没有准备好。这些公司可能体量庞大，但既缺乏掌握大模型微调技术的核心人才，内部数据也无法直接使用，单是整理和清洗数据就会占用一半的工作量。

圈养，才安全

“我就是希望它每天帮我分析一下AI热点，提示每天发生的重大事件，然后帮我做成PPT。这样我自己有一个快速学习的过程。”张浩对第一财经记者说。他的核心工作之一是协助客户部署AI能力。

在龙虾的底层模型方面，张浩选择了一款国内大模型。“它的模型相对于其他模型而言，它更安全，更合规。”

他既不在个人电脑安装，也没有在公司配发的电脑上安装龙虾。因为本地部署的话，龙虾有泄露个人信息或者客户资料的可能，所以他把龙虾做了隔离，把它放养在云端。即便是在云端，他也进一步将龙虾限制在“沙箱”里运行。

一些对风险管理严格的大型企业，对待人工智能及智能体等新技术更加谨慎。一些机构在审慎评估是否需要引入龙虾这类智能体，以及它可能在哪些场景发挥作用，而又不至于闯祸。

这些机构即便部署龙虾等智能体，也是在内部的服务器，而不是在公有云上。他们尝试的应用场景，可能包括撰写尽调报告、风险巡视和预警等。

以龙虾为代表的智能体，既展现了技术突破的锐度，也展示出不可控的危险。一段恶意的提示词，就可能被龙虾解读为可执行的命令，从而暴露用户的隐私、危及用户的财务安全。

这也是为什么工信部下场，提醒智能体的使用者，要严格控制互联网暴露面，根据业务需要授予完成任务必需的最小权限，对删除文件、发送数据、修改系统配置等重要操作进行二次确认或人工审批。优先考虑在容器或虚拟机中隔离运行，形成独立的权限区域。

英伟达在本届GTC上推出了NemoClaw，在开源版本之上叠加了英伟达的“安全护栏。腾讯云、科大讯飞等企业近期都针对智能体推出了相应的“沙箱”服务，使智能体在受控环境中运行。

银行和保险等是风险管理机构，比制造业等产业在接入人工智能方面要慢一些。对风险的防范，只是人工智能难以快速渗透的原因之一。

2025年10月至2026年1月期间，普华永道对中国内地及香港银行、保险及资管行业201名金融服务专业人士进行调研及20次深度访谈。调研结果显示，61%的金融机构AI投入占科技预算的比例不足10%，虽然这些机构希望把这一比例提高到50%。

当下市场环境下，银行息差收窄，一些大型机构的利润也出现了下滑。它们在科技投入的总盘子增加的可能性并不大。大型金融机构原有的技术体系还需要维护，现在没办法把大笔钱花在AI上面。

大型企业养龙虾，并为之打造运行的基础设施底座，所需要的成本不低。

智能体是AI技术发展，以及未来落地于公司的一个重要方式。但它在执行任务过程中，需要调用不同的工具，频繁与大模型交互。智能体对算力的消耗巨大，企业对算力的部署，也是一大笔费用。

利润下滑的大型企业，当下受到预算硬约束，增加AI开支，就需要“腾笼换鸟”。但这种技术投资的调整，进程必然是缓慢的，因为牵扯到技术员工和组织结构的转变。

落地，缺什么

大型制药和医疗器械公司，对引入人工智能持开放态度，但也遭遇明显瓶颈。

一家大型跨国器械企业的技术负责人，此前告诉第一财经记者，公司内部虽然也已经采用人工智能，但还是上一代的AI技术，而没有接入大模型的能力。

这家器械公司采用AI技术帮助临床医生实现腔内的智能读图分析，评估冠状动脉内部阻塞和狭窄的严重程度，为精准治疗提供决策依据。但是公司内部开发相应技术的AI人才并不多，而且医疗机构能够给高级人才提供的薪资也没办法与谷歌、OpenAI等公司相提并论，难以从这些大型科技公司里抢到人才。

核心AI人才的稀缺，是所有非科技公司绕不过的门槛。

普华永道方面认为，AI的大规模推广面临多重制约因素。人才短缺与僵化的组织结构是阻碍企业AI规模化部署的核心障碍，其影响程度远超预算或技术层面的问题。

新一代AI技术，兴起不过数年时间。那些掌握前沿AI技术的人才都还集中在谷歌、阿里巴巴等科技公司，他们还没有大量向制造业、医疗和金融业等产业扩散。

这些非科技大型企业的IT部门都沉淀了一些人才，他们可能对上一代技术有所了解，但那是小参数模型的时代了。在大模型时代，能够对大模型进行微调或者做强化学习的人才稀缺。而且这些核心的人才，难以从传统公司的内部产生，它们需要跟谷歌或者字节跳动争夺人才。

如果不涉及大模型的微调或强化学习，而只是面向应用层面的开发，那这些大企业的技术人员还能完成过渡。

“比如原来100个人都是做传统java语言开发，现在需要把50个人变成智能体开发。在不增加人手的情况下，产能就有了。”张浩说。

数据是另外一大掣肘。

“AI一定是我们的方向，但真的有点漫长。特别在医药行业，我们在做数据投喂的时候，这是最大的挑战：没有太多真实的数据来源。”一家制药公司的技术负责人此前表示。

企业开发药物和器械的临床数据、注册数据的质量都非常高，也是AI最好的燃料。不过单家企业的数据十分有限。考虑到中国制药和器械企业在最近十年才慢慢发展起来，它们累积的可用数据相比跨国公司更加有限。

数据安全与隐私保护问题更是被金融机构列为数据管理的重大挑战，这导致一些企业只能依赖内部专有数据来支持其AI应用场景。

大型机构内部对于很多的知识，很多的规则都没有统一。比如办公室的制度文档厚厚一叠都已经积灰了,而业务部门可能自己又搞了一套制度，数据标准都没有统一。而这些数据的清理加工就需要太多时间，有时候甚至占据AI落地项目一半以上的时间。

人工智能是经济发展中确定不移的趋势。但是一些传统企业并没有为迎接AI的到来做好充分准备，这会是一个漫长的过程。

（张浩系化名）