硅谷AI智能体遭遇现实困境：Token疯狂浪费、系统混乱失控

尽管企业高管对 AI 智能体充满期待，认为它们能像不知疲倦的实习生一样高效处理办公事务，但支撑这类工具的底层技术仍很不成熟，还可能成为烧钱黑洞。

上周在硅谷举办的两场行业活动上，多位科技公司高管与工程师直言，以 OpenClaw 为代表的 AI 智能体在规模化落地中问题频发，行业正从狂热追捧回归理性。

什么任务都塞给大模型，是最大误区

AI 初创公司 Meibel 首席执行官凯文・麦格拉思直言：当前 AI 领域最大的问题，就是认为所有事情都必须通过大语言模型（LLM）处理。

他毫不客气地批评道：“把你的 Token 和预算全都砸给 AI Claw 机器人，结果就是数百万 Token 被白白浪费。” 企业必须更审慎地判断，哪些任务真正适合交给 AI 智能体，而非盲目上量。

OpenClaw 是一款开源 AI 智能体框架，被称作 AI “执行中枢”，可让开发者调用不同大模型创建、管理批量数字助手，自推出后迅速走红，被行业视为继 ChatGPT 之后的下一个风口。

英伟达 CEO 黄仁勋今年 3 月就曾公开表示，AI 智能体“绝对是下一个 ChatGPT 级别的浪潮”。

规模化部署成本高、系统极度复杂

在圣何塞举办的生成式 AI 与智能体 AI 峰会上，来自谷歌、DeepMind、亚马逊、微软、Meta 等公司的技术团队坦言，打造与运维 AI 智能体远比想象中艰难。

谷歌工程师迪普・沙阿在专题分享中聚焦 AI 智能体的运营成本管控。他指出，AI 智能体运行本身就有成本，设计与维护不佳的监控系统不仅无法省钱，反而会疯狂烧钱。

“在规模化部署机器学习或多智能体系统时，会遇到多重挑战，首当其冲的就是推理成本。”

初创公司 Synchtron 首席执行官拉维・布卢苏则点出复杂度难题：企业的数据架构、技术选型、软件开发、人员组织彼此交织，而 AI 智能体几乎触及所有环节。

“没有任何一个维度能被单独解决，相互依赖关系让落地变得异常艰难，甚至可以说是混乱。”

中国厂商现身说法：OpenClaw 不适合企业级场景

在山景城举办的另一场 AI 活动中，总部位于上海的 ThinkingAI 与 MiniMax 分享了落地经验。

ThinkingAI 前身为移动游戏数据分析平台 ThinkingData，近期品牌升级为 AI 智能体管理平台，并与今年 1 月在港上市的中国头部 AI 实验室 MiniMax 达成合作。MiniMax 因向开源社区免费发布高性能大模型，被称作中国 “AI 四小龙” 之一。

ThinkingAI 联合创始人韩先生表示，公司转型是为了从游戏行业拓展到更多对 AI 智能体感兴趣、但缺乏技术能力的传统行业。

他直言，尽管 OpenClaw 在中国热度攀升，但复杂度太高、安全漏洞隐患大，根本达不到企业级标准。

“OpenClaw 用来做个人用途还行，但绝对撑不起企业级场景。企业要解决记忆管理、智能体调度、团队协作、通信安全等一系列问题，这些 OpenClaw 都无法满足。”

他透露，其平台同时支持 OpenAI、谷歌等海外厂商的大模型，并未局限于国内模型。被问及美国若封禁中国开源权重模型是否影响业务时，他笑称：“真要是那样，或许反而说明我们成了。”

总而言之，AI 智能体被视为下一代生产力革命，但现阶段仍面临成本失控、架构混乱、安全不足、企业适配性差等核心痛点。与此同时，行业共识正在形成：不是所有任务都适合 AI 智能体，理性选型、精细化运营，才是规模化落地的关键。