从春节复工至今，OpenClaw的横空出世引发了各行各业部署AI Agent的热潮。不过由于技术稳定性、数据安全性、上手难易度等一系列现实问题，大多数企业都还处在观望状态，在众多“养虾人”手上“小龙虾”都更像是一个“玩具”而非预想中的新一代生产力。本文将结合笔者近3个月使用AI Agent的亲身体会和过去3年间推动企业数字化转型的实践经验，为各位读者简要分析一下这一波AI热潮对企业级的数字化转型到底产生了何种影响。

一、数字化转型的新阶段

对于非数字原生企业而言，需要先明确两个层级的概念，首先AI Agent确实带来了巨大机遇和改变，但绝不是一场脑内的自我狂欢，就像笔者一直告诫自己团队成员的，“如果你不会安装和卸载龙虾，那就说明你现在不该用龙虾”。此外，AI Agent相较于之前的各种AI大模型而言并不是一个简单的工具助手，它们更多代表的是未来的一套运作范式，更加像是下一个时代操作系统的形态，是未来的Windows、MacOS、Linux。对于企业而言，AI Agent是必须要接受的未来，但不是可以盲目跟风的热点。

对于当下的企业而言，AI的成熟真正已经产生的影响是在数字化转型的基础架构方面。简单来说，过去企业数字化转型基本都是建立在TOGAF架构之上，这一套框架和方法论仍然是基石，但其核心假设将被AI Agent彻底颠覆。最直观的转变是传统TOGAF架构默认企业运作是确定性的、流程化的、由人主导的，而AI Agent则是引入了非确定性、目标导向和人机协同三个关键要素。过去企业在搭建数字化架构的时候，最核心的单元是业务流程和业务能力，企业只有通过标准化的流程描述才能让数字世界理解企业的运作方式，但AI Agent的出现极大地拓展了这一边界，很多场景中企业只需要描述出“业务意图”，AI便可以通过自主行动来完成运作。数字化转型的一些场景不再需要企业定义怎么做，而是定义达成什么目标和Agent的自主决策范围。

具体来看，目前企业的数字化转型必须做出四个方面的针对性适配：

• 价值链适配——传统数字化转型中价值链的内核是各类流程，最终形成的是一条线性的、被预定义的工作路线，但未来会进化成为一条事件驱动的动态网络，在组织单元中引入“数字员工”后，由事件触发后续工作的动态链条成为可能。

• 数据升维——传统数字化转型中以ERP为核心的各类数据库是驱动架构的关键，但AI成功将非结构化/半结构化数据（文件、图片、甚至聊天记录等）的价值发掘开来。向量数据库和知识图谱成为了企业数字化转型建设的必需品，尤其产生的长期记忆和推理能力将决定企业的AI Agent到底够不够智能。

• 技术调整——在计算、存储等传统的企业技术架构之上，需要建立一套AI层，至少包括由大模型服务作为智慧中枢、Gateway作为控制舵机、数据库及知识图谱作为记忆调用的基本架构。同时安全管理也进入了全新的维度，从过去单纯的保密性，转变为了设置合理的边界。

• 开发变化——整个数字化转型的设计过程中，至少需要增加四个方面的内容，第一是明确边界，即哪些流程需要自动化、哪些需要人机协同；第二是评估可Agent化环节的性价比，做好能力评估与回报分析；第三是制定能力迁移路线图，规划好从人到Agent再到系统的演进路径；第四是明确建设方式，哪些技能需要自建、又有哪些可以直接购买服务。

AI Agent被大众广泛认知后只花了几个月的时间，就在局部领域实现了把控制权从有人操作的UI界面转移到大模型驱动的Agent，未来变化速度必然指数级加速。对于正在数字化转型的企业来说，AI并没有取代之前的转型思路，但是改变了构成要素和逻辑关系，同时极大地拓展了能力边界，让企业数字化转型的成果更加贴近蓝图构想。

二、AI与工业软件的关系

如果把视角聚焦在应用层面，AI Agent则是带来了一次真正意义上的全面升级。就如大多数人总结的那样，以“小龙虾”为代表的Agent让AI长出了手脚，从只能提供问答变为了可以执行操作。这一变化意味着，在传统数字化架构中普遍扮演业务执行者的各类应用系统（如CRM、ERP、MES等），转为了被Agent使用的工具、能力或者接口。在笔者眼中，这一变化绝非降级，反而带来了至少三个方面的升级：

• 闭环协同——时至今日基本所有制造业企业都是CRM、ERP、PLM、MES、WMS等几大件齐备，但总是有企业在抱怨这些软件并不好用，究其根本普遍是数据标准不统一、流程链接有断点、系统边界不清晰三个原因导致的。而AI Agent在向量数据处理和数据标准推理、多智能体协同、事件驱动网络建设三个方面的巨大优势刚好解决了上述问题，让传统工业软件真正实现闭环协同。

• 智能升级——针对各类具体的工业软件，AI Agent的能力刚好填补上了智能化的缺口。以PLM、CAD为代表的研发设计软件，从操作人员手动操作的工具变为了可以生成式设计、辅助编程、创造产品的智慧大脑；以MES、APS为代表的生产管理软件，从机械执行计划、记录数据的看板，进化为了自主排产、优化工艺、预测堵点的生产力工具；以ERP、CRM为代表的经营管理软件，从简单处理业务流与数据流的平台，变为了可以内外协同、前后联动、预测波动与风险的管理助手。

• 自主进化——AI作为高效的助手，通过构建出一套人机协同的工作环境，反复执行自动化部分自我训练，再由人工来对复杂和困难情况复核，然后反馈给人机系统自我编程升级。让工业软件的应用环境从静态变为了动态，自我升级空间的打开未来必将改变软件供应商的商业模式。

虽然目前工业软件与AI的结合面临着老旧系统集成困难、AI算力成本高企、AI与相关人才水平参差不齐等阶段挑战，但未来必然是两者结合创造出的更具实用价值和解决力的旷野。同时，也会催动软件供应行业的商业模式从购买式、买断制向订阅式、席位制转化，为市场注入更多的活力。

三、当前AI发展的局限

不过对未来的展望也不能忽视眼下的局限，从笔者自身的使用经验来看，目前不论是AI大模型还是AI Agent都还是存在一定困境，具体来看有四个较为突出：

• 认知边界——目前的AI都高度依赖使用者的“调教”，并不能直接提供超出使用者知识框架的新内容。最为典型的就是，使用AI大模型时，对关键提示词的把握程度直接决定了知识成果的输出质量；使用AI Agent时，不知道最新最合适的Skills是什么，“小龙虾”也更像“人工智障”。

• 纵深理解——目前的大多数AI都还是以语言大模型为基础，没有空间感知和具身认知，无法对复杂场景形成行业纵深理解。较为典型的有，使用AI大模型时如果宏观数据和企业体感存在差距，AI的分析就无从下手；使用AI Agent时，企业内部数据“两张皮”就会创造出无数的“AI幻觉”。

• 学习限制——受限于目前技术下的AI学习范式，实际效果中呈现出的自我学习和进步能力并没有达到预期。比较典型的是，AI大模型很多时候给出的内容让使用者很有“新鲜感”，但未必真的有用；Agent真正的执行能力还是与企业自身的数字化基础建设水平高度正相关，并不能帮助企业“跳代”。

• 信息茧房——AI最初被赋予的期待是能够为企业和个人实现知识平权，但距离实现还有较大的差距。AI幻觉、性格侧写、抚慰模块等等为使用者编织出了新一代的信息茧房，只有跳出茧房外的才是真正的主导者。

AI是一项还在成长中的技术，使用者必须要建立起正确的认知。就像现在，一个连环境变量都不懂的人不可能成为“养虾”高手，这不是一次赛博狂欢。但放眼未来，新一代的“文盲”可能会是不会使用AI的人，这也是一次不能掉队的长跑。