《商業周刊》採訪心得：為什麼選 OpenClaw
前陣子參加活動，意外被《商業周刊》的記者找上聊了一輪，沒想到有這個機會，蠻驚喜的。
採訪過程中聊了不少，有些問題我之前在文章裡也寫過，但被記者當面問的時候，反而讓自己重新整理了一次想法，這邊分享幾個比較有感的。
為什麼選 OpenClaw？
這題我之前在「淺談 OpenClaw 與 CloudCode 的差別」那篇聊過，核心差異是框架層面的設計。簡單講就是 CloudCode 給你一顆很強的引擎，但車子要自己組；OpenClaw 是一台出廠就能開的車，記憶、調度、通訊串接都定義好了。我選工具蠻目標導向的，它能解決我當下的問題，我就用。
不過公平講，CloudCode 這幾個月確實補了很多。Channel 可以把 CloudCode 接到 Telegram 跟 Discord，Dispatch 讓你從手機遠端觸發任務，Cowork 讓非工程師也能用桌面 agent 做事。四月 Anthropic 又推了 Managed Agents，直接幫你管 sandbox、狀態持久化、錯誤回復，開發者不用自己架 runtime 了。
這些更新某種程度上就是在回應 OpenClaw 驗證出來的需求：agent 不能只活在 terminal 裡，要能串通訊、要能持久運作、要能讓一般人用。我之前試過 Claude Code Channel，老實說那時候的體驗比較像玩具，一次只能開一個 session，多個 Agent 分工的時候沒什麼彈性。但 Managed Agents 出來之後，整個成熟度確實提高不少。
而且現在 agent 框架也越來越多了，像 Nous Research 的 Hermes Agent 主打的是長期學習跟持久記憶，它會從每次任務中萃取可復用的 skill，概念上跟 OpenClaw 的 Skill 系統有點像但切入角度不同。選擇比我剛開始養龍蝦的時候多很多。
但我當初選 OpenClaw 的原因很簡單，就是它在那個時間點已經把骨架組好了，我不用等大廠慢慢補功能。而且 OpenClaw 是 model-agnostic 的，Claude、GPT、Gemini 都能接，不會被鎖在單一生態系裡，這個彈性對我來說很重要。現在回頭看，如果是今天才開始的人，選擇確實更多了，但我在那篇「框架會過時但概念不會」裡也聊過，重點不是你用哪個工具，而是你在過程中學會了 agent orchestration 的思維。
有興趣了解更多框架層差異的朋友可以去看「龍蝦框架論」系列，這邊就不展開了。
AI 的投資報酬率其實就是把時間買回來
記者問我怎麼算 ROI，我真的有算過。把每小時的機會成本換算出來，再看每天花多少 token 費用，結論是每天大概花不到十美金，但省下超過兩個小時。
不過對我來說，更有感的是另一件事，把雜事外包給 Agent 之後，腦子變清楚了。可以專心想策略、想產品方向，不用一直被瑣碎的東西打斷。之前在「用龍蝦把時間買回來」那篇也有聊到，Dan Martell 書裡的「替換階梯」概念，先把最消耗你的瑣事移交出去，這個邏輯放在 AI Agent 上完全成立，只是移交的對象從人變成龍蝦，成本差了十幾倍。
SaaS 的結構正在改變
這段是採訪中我自己講得比較多的。
以前做 SaaS，只要有穩定用戶和黏性，估值就撐得住。但現在開始出現一種情況，你可以讓 Agent 幫你 build 一套系統，資料在你手上、控制權在你手上，也不用每個月付訂閱費。
我不覺得 SaaS 會馬上消失，但結構性的壓力確實在累積，特別是功能比較單純的工具型 SaaS，壓力會來得比較快。當然，有些 SaaS 靠的是網路效應跟資料壁壘，這類短期內不會被取代，但純功能型的工具，競爭格局確實在變。
生產力的落差已經在拉開了
近期接觸滿多不同階段的產業與公司，有一部分已經全面導入 AI Agent，可以明顯感受到他們整個生產力好像多了好幾倍；但另一邊，也有些公司是內部還在拉扯的，管理層想導入，但下面的人有抗拒。這種「上面想推、下面不想動」的狀況，現階段其實非常普遍。
這其實不只是我的感覺，滿多產業報告的結論也是類似的：少數跑得快的企業拿走了大部分的 AI 紅利，而多數還卡在 pilot 階段。不過老實說，AI 也不是萬靈丹，我看過有些資深工程師用了 AI 工具反而變慢，因為他們花太多時間在 debug AI 產出的 code。
我自己的感覺是，這跟當年數位轉型的狀況有點像，你不一定要現在全押，但完全不動的話，落差只會越來越明顯。關鍵不是你買了什麼 AI 工具，而是你有沒有為了它重新設計工作流程。
小團隊 + Agent 是一個機會窗口
我跟記者說，未來一兩年，小公司加上 Agent 的能力，可能可以做到以前需要大團隊才做得到的事。這不只是我的觀察，Sam Altman 公開聊過他跟其他科技 CEO 在賭「第一間一人獨角獸什麼時候出現」，YC 最近的新創也明顯往極小團隊 + AI-native 的方向集中。
當 Agent 能幫你處理開發、內容、數據分析、客服初篩，一個五人團隊的產出確實有機會逼近以前二十人的規模。
但我也不會把話說太滿，規模化之後的管理複雜度、需要人類判斷的高風險決策、還有客戶信任這些東西，目前 AI 還沒辦法完全接手。對新創來說，這是一個值得抓住的時間窗口，但不代表可以跳過所有該踩的坑。
為什麼做 AILogora
最後記者問到這個，我分享了我們團隊的 Vision：我們相信有價值的知識應該要能被好好地存下來、沉澱下來。
兩年前我開始在 Medium 寫技術文章，常常收到私訊問問題，但每次一對一回答，其實只能幫到一個人。很多時候大家遇到的坑都是一樣的，這些經驗如果沒有一個好的載體，最後就散落在各個對話紀錄裡。
這也是為什麼我們過去一年都在做 AILogora。最近 Andrej Karpathy 提出了一個「LLM Wiki」的概念，也就是讓 LLM 把個人資料「編譯」成一份持續累積的知識庫，這其實跟我們一直以來的思路很有共鳴。只是 Karpathy 解的是「個人」的痛點，而我們想填補的是「社群層級」的知識庫——當幾十個人針對同一個主題投稿，每個人帶著不同的實戰經驗，系統能讓 LLM 去做交叉比對跟整合。
我們希望讓大家踩過的坑與經驗，不再只是單向的問答，而是能真正被編譯成一個共享的工程資產。
很感謝《商業周刊》佩珊和美欣，讓我有機會照片登上雜誌XD。 被問到這些問題的過程中，自己也重新整理了不少想法。
如果你也在思考怎麼把 AI Agent 導入工作流程，之前寫的「把時間買回來與龍蝦」跟「龍蝦框架論」系列可以當參考，歡迎留言聊聊 🙌