【IBM咨询2026深耕者系列谈】将邀请IBM咨询的各行业领军者，不只谈观点，更传递一线实干经验，分享在行业变革中解决最为复杂难题的真功夫。深耕者，是懂技术、能实战，与企业一道在场、并肩成长的同行伙伴。

北京2026年4月11日 /美通社/ -- OpenClaw（"龙虾"）火了。

2026年初，DeepSeek的余温尚未散去，龙虾的火辣开场又席卷全球。这一次，AI不再只是"更会聊天"，而是展示了一种全新的可能性：你给它一个目标，它自己想办法完成——自己规划路径、选择工具、处理异常，不用你一步步指挥。"让AI自己干活"，一夜之间成了企业AI讨论里最热的叙事。

兴奋之余，一个更现实的问题浮出水面。对于需要处理采购订单、审批流程、客户承诺的企业来说，"AI自己干活"听上去诱人，但紧接着的追问是：它干错了怎么办？它碰了不该碰的数据怎么办？它做了一个涉及资金的决定但没人审批怎么办？

自主到什么程度才是对的？边界画在哪里？这恐怕是龙虾热潮留给每一家企业最值得认真回答的问题。围绕这一话题，IBM大中华区AI咨询服务总经理叶剑与技术总监陆子睿，分别从业务判断和技术实现两个维度，阐述IBM的观点。

叶剑从"为什么是L3"以及"围栏该画在哪里"的角度出发——这是战略层的选择；陆子睿则回答了"技术上如何让AI懂业务"以及"如何给智能体加上缰绳"——这是工程层的落地。两者合在一起，才构成企业从"想明白"到"做得到"的完整路径。

叶剑 IBM大中华区 AI 咨询服务总经理

做L3，不急L4！

龙虾很好，它打开了一扇门。但企业今天真正要解决的问题，不是"AI能不能自己干"，而是"它懂不懂你在干什么"。自主是手段，融入业务才是目的。

这个判断来自IBM自身的实践。我们在内部推行"零号客户"计划，先拿自己当试验田——在HR、财务、销售、供应链等九个业务领域做了115个AI应用，一年省下来45亿美元运营成本。做下来最大的体会是：AI的价值不取决于它多自主，取决于它嵌入业务有多深、被管理得有多好。

要讨论"自主到什么程度合适"？目前，大家为AI的发展定义了L1到L4的能力分级——从聊天、推理、执行任务，到成为一个创新者。L1和L2比较好理解——L1就是固定流程里加上AI做内容识别，比如自动提取发票信息；L2是AI帮你在预设的几条路里选一条走，比如客服工单自动分流。这两级大多数企业已经在做了，确定性强，风险可控。

真正要讨论的是L3和L4的区别

L4是龙虾所代表的方向：你给它一个目标——比如"优化下季度华东区供应链成本"——它自己去拉数据、分析问题、拟方案、协调执行。没有预设的路径，没有预设的边界。这个能力是真实的，也是令人振奋的。

但L4当然值得关注，今天大多数企业先别急着追那个终局。我们做了不少项目，发现真正卡住落地的，往往不是AI的自主能力不够，而是企业本身还没准备好让AI这么自主。我更建议企业聚焦L3——有限自主。

L3是什么？AI可以自己规划怎么完成一个任务——比如做一次采购决策辅助，它自己去查供应商、比价格、评估交期风险、写推荐报告——但到了"下单"这一步，必须由采购经理点头。再比如设备维修排程，AI可以根据运行数据和备件库存自己排方案，但涉及停机，得交给生产主管决定。

可以把L3想象成：给AI一个足够大的操场，让它自己跑，但围栏的位置是你定的。哪些工具能用、每次最多做几步、什么级别的动作必须等人审——这些围栏画清楚了，AI的自主性才真正可用。

AI不懂你的生意，给它再多自主权也没用

很多企业第一反应是先看模型大小、看Agent框架，但我们做下来发现，真正卡住落地的往往不是这个。这里举两个场景：

第一个是供应链。一家零部件供应商着了火，你需要AI能马上告诉你：哪些原料受影响、哪几条产线的排产要调、哪些客户的交付承诺兑现不了、该启动哪一级应急响应。这些判断的前提是什么？是AI知道"供应商"、"原料"、"产线"、"排产计划"、"客户订单"之间的关系。它不知道这些关系，就算给它最强的模型，它也只能给你一堆泛泛而谈的建议。

第二个是财务。一家矿业企业做损益分析，利润波动了，原因是什么？要沿着"矿种→矿山→产量→国际大宗商品价格→汇率"一路往下追，每一层的关系都要对。大模型什么都能聊两句，但它不知道"铜矿"的产量跟"LME铜价"跟"澳元汇率"之间到底怎么联动。

AI进流程，这是入场券，能体现价值。但AI要真正发挥价值，它得懂你的业务。龙虾让"自主规划"不再是瓶颈了，但"懂业务"和"嵌入流程"才是企业AI落地的胜负手。

围栏怎么建，L4什么时候能做？

围栏画在哪里？我认为有四条线。

第一条是权限。AI能调哪些工具、能碰哪些数据，有白名单。每次任务最多做几步，有上限。超了就自动停下来等人介入。

第二条是角色。这不是弹一个确认框那么简单。在企业里，什么人能批什么事是有规矩的——操作员能确认的事、经理能确认的事、风控能确认的事，层级分明。AI的审批流也得照着这套规矩来，本质上就是把企业原有的授权体系延伸到了AI执行层。

第三条是可追溯。AI每一步用了什么工具、看了什么数据、做了什么判断，都得有记录。不是出了事再去补日志，而是执行过程中就实时留痕。

第四条是评估。不能只看准确率。任务完成了没有、中间退回了几次、出了多少异常、每次任务到底帮公司省了钱还是添了麻烦——这些要有数。没有这套评估，就不知道L3这个围栏该缩还是该扩。

L4什么时候能做？不是幻想，但有硬前提。管理制度和审批流程得全面数字化；核心业务流程得面向AI重新设计过；企业内部的各种业务系统得能被AI调用。说白了，只有企业内部的业务变得"全面可计算"——流程是数字化的、服务是API化的、数据接口是标准的、工作流是可编排的——L4才有基础。否则放一个L4级别的智能体进去，它连内部审批该找谁都不知道。

IBM商业价值研究院的数据也佐证了这一点：79%的高管预期AI到2030年能显著贡献收入，但只有24%说得清楚钱从哪来。这个落差不是技术问题，是路径问题。

2026年是一个分水岭。企业要从做Demo变成真正运营AI。三件事需要一起干：

• 把业务对象和规则建出来，让AI懂你的生意；
• 把治理体系搭起来，让L3的围栏第一天就立住；
• 把AI运营能力建起来，别光追求跑通一次，要能持续、稳定地跑下去。

L3不是L4的将就。它是今天企业AI最扎实的立足点。把L3做透了，同时一步步推动业务的"全面可计算"，L4自然水到渠成，别反过来。

陆子睿 IBM大中华区 AI 咨询服务技术总监

让AI懂业务：把隐性的业务逻辑变成机器可推理的结构

当前多数企业AI项目的技术路径是接入RAG、调优Prompt、选择模型，但往往忽略了一个前置问题：AI并不天然理解一家企业的业务逻辑。供应商供应哪些物料、物料适配哪些产线、每个供应商的资质认证状态、不同订单类型的交付承诺周期、一张工单从创建到完工要经过哪些状态节点和审批角色——这些信息分散在ERP、MES、SRM等多个系统中，大量以隐性知识的形态存在于业务专家的经验里。

企业需要做的，是把这些隐性的业务对象、关系和约束规则，转化为一套机器可查询、可推理的结构化模型。业界通常称之为业务本体或领域模型。它的作用，类似于数字孪生之于物理世界——不是复制一个业务系统，而是为AI构建一层可计算的业务语义层，使智能体在规划和执行时能够基于真实的业务关系做推理，而不是基于语言模式做猜测。

企业级智能体平台需要补齐的管控能力

企业对智能体的治理，除了关注它生成的内容是否准确可靠，更要关注它的行为链条——调用了哪些工具、访问了哪些数据、在什么节点做出了什么决策、最终触发了哪些业务动作。当智能体开始执行业务操作而非仅仅回答问题时，行为链条的管控就成为治理的核心。龙虾类框架的推理循环和工具调用能力已经相当成熟，但其设计假设是单用户、无权限边界、无审计要求。企业需要在这个能力内核之上，补齐一层完整的运营管控机制：

第一，技能注册与权限矩阵。智能体可调用的每一个工具在平台上注册并标注风险等级，同时建立角色-工具权限矩阵，与企业现有的组织授权体系对齐，确保不同岗位的AI助手拥有差异化的工具访问范围。

第二，动作门控与步数预算。每次任务设定动作步数上限以防止无限循环。按动作影响程度分级管控：只读查询自动放行，涉及资金、客户承诺或合规判断的高影响动作，根据动作类型和金额阈值动态路由至企业审批链中对应的审批节点。

第三，结构化推理日志。区别于普通文本日志，每一步执行记录包含工具调用、参数传递、返回结果以及AI选择下一步的推理依据，支持全链路回放和定位。同时，这些日志可供评估流水线消费——统计各环节耗时、异常率和通过率——为智能体的持续优化提供量化依据。

第四，熔断与降级。当出现外部接口超时、返回格式异常或连续推理逻辑矛盾时，系统自动暂停任务、保存执行现场并通知运营人员介入。在个人场景中AI出错影响有限，但在企业场景中，异常状态下的继续执行可能直接触发错误的业务操作。

技能注册、权限矩阵、动作门控、推理日志、熔断降级——我们把这套能力统称为智能体的Harness工程，即给智能体加上"缰绳"的系统性工程。它不是限制AI的能力，而是让AI的能力在企业环境中可控地释放。这是企业级智能体平台与个人Agent框架之间的本质差异。

写在最后

龙虾打开了一扇门，让我们看到了AI智能体自主规划、自主执行的巨大潜力。但对于企业而言，穿过这扇门之后面对的不是一条直道，而是一个需要边界感的新世界。

叶剑和陆子睿两位专家从不同角度给出了同一个判断：企业AI智能体的规模化落地，关键不在于追求最高级别的自主性，而在于找到自主能力与业务管控之间的平衡点。L3——有限自主——正是这个平衡点所在。在L3的围栏内，让AI充分发挥自主规划的价值；在围栏之外，保持企业对关键决策的控制权。同时，持续投入业务语义建模和智能体Harness工程建设，为最终走向L4积累条件。

在一个AI能力日新月异的时代，比追新更重要的，或许是想清楚一个问题：什么该交给AI，什么必须留在人手里。画好这条线，企业才能真正放开手脚。

媒体联络人李波 IBM中国 

IBM_LOGO_1