“龍蝦”，其實不好養。

揮舞著雙鉗的“龍蝦”智能體（OpenClaw）風靡全球，它已經具備自主調用工具、分析數據，并完成特定任務的能力。英偉達GTC 2026大會上，英偉達創始人黃仁勛將OpenClaw類比為AI智能體時代的操作系統。

近日，第一財經采訪獲悉，在AI實際的落地過程中，一些非科技類的大型企業，比如醫療器械企業、銀行等并沒有準備好。這些公司可能體量龐大，但既缺乏掌握大模型微調技術的核心人才，內部數據也無法直接使用，單是整理和清洗數據就會占用一半的工作量。

圈養，才安全

“我就是希望它每天幫我分析一下AI熱點，提示每天發生的重大事件，然后幫我做成PPT。這樣我自己有一個快速學習的過程。”張浩對第一財經記者說。他的核心工作之一是協助客戶部署AI能力。

在龍蝦的底層模型方面，張浩選擇了一款國內大模型。“它的模型相對于其他模型而言，它更安全，更合規。”

他既不在個人電腦安裝，也沒有在公司配發的電腦上安裝龍蝦。因為本地部署的話，龍蝦有泄露個人信息或者客戶資料的可能，所以他把龍蝦做了隔離，把它放養在云端。即便是在云端，他也進一步將龍蝦限制在“沙箱”里運行。

一些對風險管理嚴格的大型企業，對待人工智能及智能體等新技術更加謹慎。一些機構在審慎評估是否需要引入龍蝦這類智能體，以及它可能在哪些場景發揮作用，而又不至于闖禍。

這些機構即便部署龍蝦等智能體，也是在內部的服務器，而不是在公有云上。他們嘗試的應用場景，可能包括撰寫盡調報告、風險巡視和預警等。

以龍蝦為代表的智能體，既展現了技術突破的銳度，也展示出不可控的危險。一段惡意的提示詞，就可能被龍蝦解讀為可執行的命令，從而暴露用戶的隱私、危及用戶的財務安全。

這也是為什么工信部下場，提醒智能體的使用者，要嚴格控制互聯網暴露面，根據業務需要授予完成任務必需的最小權限，對刪除文件、發送數據、修改系統配置等重要操作進行二次確認或人工審批。優先考慮在容器或虛擬機中隔離運行，形成獨立的權限區域。

英偉達在本屆GTC上推出了NemoClaw，在開源版本之上疊加了英偉達的“安全護欄。騰訊云、科大訊飛等企業近期都針對智能體推出了相應的“沙箱”服務，使智能體在受控環境中運行。

銀行和保險等是風險管理機構，比制造業等產業在接入人工智能方面要慢一些。對風險的防范，只是人工智能難以快速滲透的原因之一。

2025年10月至2026年1月期間，普華永道對中國內地及香港銀行、保險及資管行業201名金融服務專業人士進行調研及20次深度訪談。調研結果顯示，61%的金融機構AI投入占科技預算的比例不足10%，雖然這些機構希望把這一比例提高到50%。

當下市場環境下，銀行息差收窄，一些大型機構的利潤也出現了下滑。它們在科技投入的總盤子增加的可能性并不大。大型金融機構原有的技術體系還需要維護，現在沒辦法把大筆錢花在AI上面。

大型企業養龍蝦，并為之打造運行的基礎設施底座，所需要的成本不低。

智能體是AI技術發展，以及未來落地于公司的一個重要方式。但它在執行任務過程中，需要調用不同的工具，頻繁與大模型交互。智能體對算力的消耗巨大，企業對算力的部署，也是一大筆費用。

利潤下滑的大型企業，當下受到預算硬約束，增加AI開支，就需要“騰籠換鳥”。但這種技術投資的調整，進程必然是緩慢的，因為牽扯到技術員工和組織結構的轉變。

落地，缺什么

大型制藥和醫療器械公司，對引入人工智能持開放態度，但也遭遇明顯瓶頸。

一家大型跨國器械企業的技術負責人，此前告訴第一財經記者，公司內部雖然也已經采用人工智能，但還是上一代的AI技術，而沒有接入大模型的能力。

這家器械公司采用AI技術幫助臨床醫生實現腔內的智能讀圖分析，評估冠狀動脈內部阻塞和狹窄的嚴重程度，為精準治療提供決策依據。但是公司內部開發相應技術的AI人才并不多，而且醫療機構能夠給高級人才提供的薪資也沒辦法與谷歌、OpenAI等公司相提并論，難以從這些大型科技公司里搶到人才。

核心AI人才的稀缺，是所有非科技公司繞不過的門檻。

普華永道方面認為，AI的大規模推廣面臨多重制約因素。人才短缺與僵化的組織結構是阻礙企業AI規模化部署的核心障礙，其影響程度遠超預算或技術層面的問題。

新一代AI技術，興起不過數年時間。那些掌握前沿AI技術的人才都還集中在谷歌、阿里巴巴等科技公司，他們還沒有大量向制造業、醫療和金融業等產業擴散。

這些非科技大型企業的IT部門都沉淀了一些人才，他們可能對上一代技術有所了解，但那是小參數模型的時代了。在大模型時代，能夠對大模型進行微調或者做強化學習的人才稀缺。而且這些核心的人才，難以從傳統公司的內部產生，它們需要跟谷歌或者字節跳動爭奪人才。

如果不涉及大模型的微調或強化學習，而只是面向應用層面的開發，那這些大企業的技術人員還能完成過渡。

“比如原來100個人都是做傳統java語言開發，現在需要把50個人變成智能體開發。在不增加人手的情況下，產能就有了。”張浩說。

數據是另外一大掣肘。

“AI一定是我們的方向，但真的有點漫長。特別在醫藥行業，我們在做數據投喂的時候，這是最大的挑戰：沒有太多真實的數據來源。”一家制藥公司的技術負責人此前表示。

企業開發藥物和器械的臨床數據、注冊數據的質量都非常高，也是AI最好的燃料。不過單家企業的數據十分有限。考慮到中國制藥和器械企業在最近十年才慢慢發展起來，它們累積的可用數據相比跨國公司更加有限。

數據安全與隱私保護問題更是被金融機構列為數據管理的重大挑戰，這導致一些企業只能依賴內部專有數據來支持其AI應用場景。

大型機構內部對于很多的知識，很多的規則都沒有統一。比如辦公室的制度文檔厚厚一疊都已經積灰了,而業務部門可能自己又搞了一套制度，數據標準都沒有統一。而這些數據的清理加工就需要太多時間，有時候甚至占據AI落地項目一半以上的時間。

人工智能是經濟發展中確定不移的趨勢。但是一些傳統企業并沒有為迎接AI的到來做好充分準備，這會是一個漫長的過程。

（張浩系化名）