知风云
如何管理一个能替你做事的AI？
责编|亿亿 编辑|阿苓
网友把Open Claw叫“龙虾”，因为Claw就是龙虾钳子。这只龙虾在AI界掀起了一场全民狂欢：企业搞AI大比武要求员工限期上手，闲鱼上代装一度炒到百元一单。
但狂欢来得快，反转也来得快——一些企业限制员工安装和使用，Open Claw清空用户硬盘数据的事件引发焦虑。
如今龙虾热潮迎来微妙转变，用户关注的焦点从“用上”转向“用好”。
多数评论把这场热潮归结为技术层面的讨论：大模型的能力边界、本地权限的安全风险、开源与闭源之争。但如果换一个视角来看，这场现象的本质远比技术有趣——它是一次大规模的人机组织实验。
这是自Chatgpt横空出世引发AI巨浪以来，我们第一次真正面对一个问题：如何管理一个能替你做事的AI？
这个问题听起来很新，但答案其实很老，从管理学而不是技术角度来理解，无非就是一句话：如何让别人替你做事，还不出问题。
Open Claw把“别人”从人换成了AI。
在AI领域，Agent（智能体）是当下很火的概念。人们谈论AI Agent时，往往聚焦于技术架构：它能调用工具、能自主规划、能分步执行复杂任务。
但同时一个有趣的事实是，Agent这个词，本身就是经济学和管理学中委托代理理论（Principal-Agent Theory）的核心术语。
在委托—代理理论中，Principal是委托人，也就是老板、股东、任务的发出者；Agent是代理人，也就是员工、经理人、任务的执行者。
这套理论研究的核心问题只有一个：当委托人把事情交给代理人去做时，会出什么问题？
答案是三个经典困境，它们在OpenClaw的故事里一一复现。
图1 委托—代理关系与三大困境
第一，信息不对称。委托人并不真正知道代理人在做什么。你给OpenClaw下达了一个“帮我整理项目文件”的指令，但你并不清楚它理解的“整理”和你心中的“整理”是否一致。
用户硬盘数据被清空，正是这个问题的极端案例——AI代理人的行为超出了委托人的预期和理解，而委托人在事后才发现代价已经付出。
第二，利益不一致。AI优化的目标函数是完成任务，但用户真正要的是安全地、按我的意图、在我能接受的范围内完成任务。这两者之间的缝隙，在管理学中被称为“代理成本”。
当AI为了整理文件而删除了它认为不重要的数据时，它确实在忠实地执行任务，只是它的忠实和你的期望之间有一条看不见的裂缝。
第三，道德风险。当你给AI全部权限之后，它的勤勉反而可能成为灾难。
这和管理实践中的授权过度是一致的，一个被充分授权但缺乏约束的销售经理可能为了冲业绩而透支公司信誉，一个被充分授权但缺乏约束的AI可能为了完成任务而删除你的生产数据。
委托—代理理论诞生于上世纪三十年代，百年以来，管理学发展出了一整套应对这些困境的工具包：激励机制设计、信息披露要求、独立审计、董事会监督……这些机制的底层逻辑，与我们今天急需建立的AI治理框架高度同构。区别仅在于，过去我们管理的代理人是人，现在多了一个AI。
【行动建议】
① 在部署任何AI工具前，先做委托清单：这个AI被授权做什么、不能做什么、出错了谁负责，将工作内容拆解为有边界的任务描述。
② 建立AI操作留痕习惯：在使用AI智能体处理重要任务时，导出操作日志。
③ 组织AI应用复盘会：收集近期团队使用AI出现的问题案例，分析根因是信息不对称、目标偏差还是权限过度，针对性地改进使用规范。
关于Open Claw网络上最常见的抱怨是：这东西效果不好、写的代码不能用、不如亲自动手效率高。
这些反馈当然有其合理性，但如果仔细分析那些效果不好的案例，就能够发现大多数情况下，问题不在工具，而在使用者。
管理的第一要务是定义正确的目标。一个管理者如果不能清晰地定义目标、分解任务、设定约束条件，那即使把全世界最优秀的员工交给他，也做不出好的结果。
回看那些效果不好的案例，一个不具备任何管理意识的用户给Open Claw下达的指令是什么样的？
“帮我写一个网站。” “把这个项目优化一下。”“整理一下我的文档。”
这些指令模糊、目标不清、缺乏约束条件。如果一个CEO对下属说“把公司搞好一点”，我们会说这个CEO不称职；因此当用户对AI说出同样含混的指令时，也就不能把责任归咎于工具。
一个优秀的管理者需要同时扮演三类角色：计划者、协调者、监督者。面对AI智能体，用户同样需要做到这三点：
图2 AI用户的管理者三角色
清晰地定义任务（计划）：不是“帮我写个网站”，而是“用React框架搭建一个包含登录、注册、用户列表三个页面的管理后台，使用TypeScript，遵循我项目中既有的代码规范”。
合理地配置资源和权限（协调）：不是把整台电脑的读写权限全部开放，而是指定工作目录、设定只读范围、明确哪些文件不可修改。
及时地检查和纠偏（监督）：不是下达指令后就去喝咖啡等结果，而是定期查看AI的中间输出，发现偏差立即纠正。
这里面蕴含着一个深刻的时代信号：AI时代，要想充分激发新技术的生产力，管理应当是必备素养。
过去，管理是一种职位特权——只有当了领导，才需要学习如何分配任务、监督执行、绩效评估。现在每个人桌面上都多了一个AI代理人时，每个人事实上都成了管理者。
一个普通程序员需要像项目经理一样给AI布置工作；一个普通文员需要像部门主管一样把控AI的产出质量。
因此AI在应用层的核心痛点在于管理能力的缺失，这种缺失在当下的技术讨论中并没有得到足够的重视。
【行动建议】
① 练习结构化指令：使用AI前，先用一句话写清楚任务背景、期望输出格式、不可触碰的边界。可参考模板：【任务目标】+【输出格式】+【限制条件】+【参考标准】。
② 建立分阶段验收机制：对耗时较长的AI任务，设置中间检查点，而不是等到最终结果出来再审核。发现偏差越早，纠偏成本越低。
③ 团队共建AI指令库：将组织内效果好的指令模板沉淀下来，形成可复用的资产，在组织层面积累AI管理经验，而不是让每个人各自摸索。
如果说前两部分讨论的是个人层面的管理问题，那么Open Claw引发的另一类反应则指向组织层面。
不少企业——尤其是金融机构和大型集团——在第一波热潮之后迅速收紧了AI工具的使用权限，有的要求员工卸载，有的发布内部使用规范。
这些反应在技术社区看来是保守和一刀切，但如果放在管理学的框架下审视，这些动作暗含了相对合理的制度设计逻辑。
科层制理论的核心主张是——权力必须有边界、有层级、有规则。
现代组织之所以能够高效运转，正是因为它建立了一套非人格化的权力运行机制——每个人的权限是被定义的，每个决策是有流程的，每个行为是可追溯的。
Open Claw的野蛮生长恰恰是去科层化的极端案例。每个安装了它的员工，事实上拿到了一个能够读写本地文件、执行系统命令、调用外部API的超级权限工具。
这个工具不在IT部门的管控范围内，不在信息安全的审计链条中，不在任何既有的权限管理体系里。
于是传统的权力边界遭到了AI的冲击。
大型企业的反应之所以看似过激，是因为它们恰好是对制度和流程最敏感的组织形态。
任何一个治理规范的企业，在重大决策、核心数据、关键系统等领域，从来不允许无约束的授权。这些约束客观上不利于效率提升，但它们是组织风险控制的基石。
当AI智能体出现时，同样的逻辑应该适用：不是所有事都能交给AI，就像不是所有事都能交给一个新来的实习生。
对于这个问题，真正成熟的治理框架应该是分级授权、动态调整、实时监督。
分级授权：低风险任务（文档格式化、代码补全）可以全自动执行，中风险任务（代码重构、数据迁移）需要人工确认后执行，高风险任务（生产环境操作、敏感数据处理）必须人工主导、AI辅助。
动态调整：随着对AI能力的理解加深和信任积累，逐步扩大授权范围。这和企业中"新人逐步放权"的管理实践完全一致。
实时监督：AI的每一步操作都应有日志记录，关键操作应有审批流程，异常行为应有实时告警。
图3 AI任务分级授权体系
这套逻辑并不新颖——它就是现代公司治理的核心架构。企业已经花了几十年时间建立起对人的分级授权和监督体系，现在需要做的，不过是把同样的逻辑延伸到AI身上。
值得特别指出的是，企业治理的核心难题和AI治理的核心难题高度同构。
两者都面临效率与控制之间的张力，太多控制则丧失活力，太少控制则酝酿风险。企业管理中“放权不放任、搞活不搞乱”的平衡术，几乎可以原封不动地搬到AI治理领域。
【企业行动建议】
① 立即梳理AI工具的权限：盘点本组织内正在使用的AI工具，标注每个工具可访问的数据范围和执行权限，找出超出必要范围的授权并收回。
② 制定AI任务分级清单：将本部门的工作任务按风险高低分为三类（可自动执行/需确认执行/必须人工主导），用两周时间填好这张表，这是建立内部AI治理规范最务实的起点。
③ 设置AI熔断预案：针对高风险任务，提前约定什么情况下停止AI操作、由谁接管、如何回滚。
抛开争议，OpenClaw的技术本质其实很清晰：它是一个连接器。它连接大语言模型的推理能力、本地开发工具的执行能力、项目数据的上下文信息、第三方应用的接口资源。它本身不创造什么，它的价值在于把分散的能力整合起来。
图4 AI连接器的资源整合架构
但连接本身就是一个管理命题。企业选择什么样的AI工具组合——用哪个大模型、接入哪些本地工具、开放哪些数据源——本质上是战略选择。这个选择会反过来塑造组织的运作方式。
选择完全依赖某一家大模型的企业，事实上是在把核心智力能力绑定在单一供应商身上，这和把所有鸡蛋放在一个篮子里没有区别。
选择像Open Claw这样“模型无关”（Model-agnostic）架构的企业，则保留了多元供应的灵活性——当你不再被锁定在某一家大模型上时，你的议价能力提升，适应能力增强，组织弹性变大。
这里面还有一层更深的变化值得注意。本地部署 vs 云端调用、自建能力 vs 外部采购、定制训练 vs 通用微调——这些选择背后的逻辑，其实和企业长期面对的“自建还是外包”是同一道题。
AI没有创造新的管理问题，它只是把老问题搬到了新的场景里。
而最具冲击力的变化，是工作流本身的重组。过去一个产品经理需要分别使用调研工具收集数据、用Excel做分析、用PPT写方案、用邮件发送给团队——这是一条线性的工作链。
现在，一个AI智能体可以在单一会话中完成从数据收集到方案生成的全部步骤，工作流便发生了结构性重组。当工作流被重组时，组织架构必然随之变化。
企业的价值不再藏在某个环节里，而是藏在连接方式里——谁能更好地串联AI能力，谁就拥有新的竞争优势。
【行动建议】
① 进行AI供应商依赖度审计：列出组织核心业务流程中依赖的AI能力，评估哪些存在单一供应商锁定风险，优先为关键环节寻找备选方案。
② 识别本团队的工作流断点：标出目前哪些任务仍需在多个工具之间手动传递信息，这些断点正是AI整合能带来最大效率提升的地方，也是值得优先投入的改造方向。
③ 把AI工具选型纳入战略讨论：下一次制定部门或业务规划时，专门增加一个议程：我们的AI工具组合是否支撑了战略目标？哪里存在能力缺口
回顾历史，每一次重大工具变革都催生了新的管理范式。蒸汽机带来了工厂和标准化管理，流水线催生了事业部制度，计算机重新定义了知识工作的内涵，互联网带来了敏捷管理和目标管理。
工具在变，但管理学从未缺席——每一次技术革命下，管理理论都在升级。
AI智能体时代，我们需要什么样的管理范式？
这个问题现在还没有确定的答案，但Open Claw的经历至少揭示了几个关键方向。
从“管人”到“管人+管机器”。未来的管理者将同时管理两类团队成员：人类员工和AI代理人。
对人类员工，管理者需要激励、沟通、共情；对AI代理人，管理者需要精确定义、权限配置、输出验证。这两套能力集高度不同，但又必须在同一个人身上兼容。
从“使用AI”到“治理AI”。对企业特别是大型企业而言，问题早已超越了这个工具好不好用的层面。真正需要回答的是：如何建立一套完整的AI治理体系？这套体系至少包括四个维度：
权限体系：谁可以使用什么级别的AI工具？AI工具可以访问哪些数据和系统？如何防止权限的无序扩散？
风险管控：AI操作失误的损失谁来承担？如何建立"熔断机制"在AI行为失控时及时止损？如何评估和定价AI操作的风险？
价值追溯：AI做了什么、依据什么做的、结果是什么——这些信息如何完整记录？如何确保AI行为的可解释性和可追溯性？
合规框架：在数据安全法、个人信息保护法日趋严格的背景下，AI智能体的数据处理行为如何合规？跨境数据流动如何管理？
这些问题的复杂度远超单个工具的技术评测，也远超“装还是不装”的简单抉择。它们需要管理层的系统思考、制度设计和持续投入。
从追逐工具到回归管理基本面。Open Claw热潮中最值得反思的，是大众对AI工具的态度：今天全民追捧安装，明天又全民恐慌卸载。
这种追涨杀跌式的反应，暴露的既有技术认知的不足，也有管理思维的缺失。与其跟随每一波工具热潮的涨落，不如回到管理的基本面去思考：
你的组织目标是什么？AI在实现这个目标中扮演什么角色？为了让AI有效扮演这个角色，你需要建立什么样的制度和流程？你的团队是否具备管理AI的能力？你的风险承受能力允许你走多远？
这些问题，和“要不要安装某个特定工具”相比，重要一百倍。
【行动建议】
① 启动AI治理体系建设：从权限、风控、价值、合规四个维度，用一张表梳理本组织的AI治理现状，标出空白地带，确定优先填补项。
② 将AI治理议题纳入管理层议程：不再把AI当作IT部门的技术话题，而是作为组织治理的核心议题，定期在管理层会议中讨论。
③ 回答五个基本面问题：组织上下就上述五个管理基本面问题形成共识，把答案写成一页纸的AI应用方针，让每个团队成员都清楚方向。
管理学用了上百年的时间，去回答“如何管理人的组织”这个问题。而AI智能体的出现，正在生成一道新题：如何管理人机混合组织？
在这道新题里，管理的对象变了——不再只有人；管理的手段变了——需要技术与制度的深度融合；管理的难度也变了——人和AI组成的混合团队，比纯人类团队更难协调。
但管理的底层逻辑没有变——它仍然是关于目标定义、资源配置、激励约束和风险控制。
Open Claw的火爆与降温，不过是这条新曲线的起笔之处。
那些急于安装的人，没想过装了以后怎么管；那些急于卸载的人，没想过管好了就不必怕。真正应该思考的问题不是AI好不好，而是我们是否具备管理AI的能力？如果不具备，如何去建立？
一百年来，管理学研究了管人、管钱、管事、管信息、管知识，对象一直在变，但管理的底层逻辑始终如一。今天，当AI成为组织的新成员，管理学迎来了它的新成员。
AI正在让管理变得更重要。
因为在一个人人都拥有AI代理人的时代，真正稀缺的不是AI本身，而是会管理AI的人。
业务咨询
小知老师：13717782620（微信同号）
座机：010-82685584
转载、商务合作 ：wyf35729
