知书丨FDE 越火,AI 越落不了地

本周要给大家推荐的这本书叫《场景智能：AI 原生的硅基管理》，王志国著，2026 年 6 月由电子工业出版社出版。

作者不是学者，也不是咨询顾问。王志国是创维集团董事、首席技术官，同时是酷开科技的 CEO。2009 年他从德国回国，进创维组建软件研究所，带队做出中国第一个智能电视操作系统"酷开系统"。他是那种把管理问题当成技术问题来解的人——他自己说过一句话：我不要做企业家，我更喜欢做科学家。

这一点，决定了这本书的质地。

市面上关于企业 AI 转型的书，大多出自观察者、研究者、顾问之手，站在岸上讲游泳。这本书不一样，它是一个在水里泡了三年的人写的。他试过 BSC，试过 OKR，试过自研的三代管理系统，全都撞了墙；然后他掉头，用 AI 把整件事重做了一遍。书里的每一个判断，都是从摔打里磨出来的。

有意思的是，他做这件事，前后做了两回。

2012 年，深圳，一个下午。他给后来成为北大汇丰商学院教授的魏炜演示酷开操作系统。他没有从技术指标讲起，而是从一个问题讲起：电视这块屏幕，在互联网时代到底该是什么？如果它是一个以家庭为场景的独立智能终端，那就不能再依附于手机操作系统的移植版本，它必须有自己的操作系统。

他随手画出一张架构图。魏炜让他展开其中任何一个模块，他都能一路画到底层调用，再一路拉回用户场景。整张图从最上面的用户体验，贯穿到最下面的硬件驱动，中间没有一个断点。

十四年后，2026 年，同一个人，又画了一张图。只不过这一次，图的内容从一块电视屏幕，变成了一家企业。魏炜在序言里写：十四年前，他让电视拥有了自己的"灵魂"；十四年后，他在为企业寻找"灵魂"。屏幕变成了世界，对象从硬件变成了组织。

讲的还是同一件事：不在旧系统上做加法，而是从底层重新定义系统本身。

时间也赶得巧。就在三个月前，这本书刚下印厂；而最近两个月，FDE 成了企业圈最热的话题。一本新书撞上一个新热点，往往是检验成色的最好时机。

它不是预言未来。它是诊断现在。

而它诊断出的第一件事，就让很多人不太舒服：你以为 AI 落不了地，是因为缺人、缺工具、缺一个走最后一公里的人。这本书说，问题多半不在那儿。

"FDE 越火，AI 越落不了地"——说的不是 FDE 让 AI 落不了地，恰恰相反。它说的是：FDE 越热，越说明企业正忙着从"技术那一侧"找答案，绕开了"自己那一侧"的问题。火得越旺，越说明回避得越彻底。

先看 FDE 这个词为什么会火。

它火的理由听上去很充分：大模型能力越来越强，可它离企业的真实业务，总是差着一段距离。差在哪儿？差在你的数据没有接进去，你的权限没有打通，你的流程没有人去改。厂商卖的是通用能力，你用的时候发现水土不服。谁来把这中间的活儿干完？

于是有了 FDE——把人直接送进你的公司，驻场，摸清你的业务，把通用模型裁剪成你能用的东西，对结果负责。

这套做法最早在 Palantir 被验证过。它的早期客户是情报机构，需求说不清、数据不能出库、流程保密，远程交付根本做不了，只能把人派到现场去。FDE 就是这么逼出来的。

这个逻辑里，藏着一个默认的前提：企业是不动的，需要被改变的是 AI。AI 太通用、太飘、离地，所以要派个人来，把它落地。

问题恰好出在这个默认前提上。

书里把这个前提拆得很干净。作者把企业对待 AI 的方式分成两种："+AI"和"AI 原生"。

原话是这么说的："+AI 是在旧系统上装工具，AI+ 则是依托 AI 重新搭建全新系统。"前者是在你原有的业务流程、会议机制、考核指标一动不动的前提下，在个别环节加一点 AI 生成、AI 分析、AI 提醒——单点效率或许能提一点，但底层逻辑没变。后者是从根上重来。

书里给了一个很清楚的对照：

传统系统，是人设计流程，人来执行，系统只做记录。

加了 AI 的系统，是人设计流程，AI 辅助执行，系统还是只做记录。

AI 原生系统，是人设定目标，AI 理解场景，AI 规划路径，AI 协同执行，系统反馈校准。

三者的区别，不在有没有 AI，在谁在驱动。

金蝶的徐少春在序里补了一刀，把这件事说得更透。他说，十年前大家讲"云原生"，核心从来不是把应用搬到云上，而是一个应用从设计之初就以云为前提。今天讲"AI 原生"，是同一个逻辑：不是让 AI 来适应现有企业，而是让企业按 AI 的逻辑和能力边界来重塑自身。

用这个尺子去量 FDE，它的位置就清楚了。

FDE 走的是前两条路。它假设系统不用动、流程不用动、经营逻辑不用动，缺的只是一双把 AI 缝进旧衣服的手。它能解决"这段代码接不上"的问题，解决"这个模型不懂我的数据"的问题。但它解决不了那个更靠前的问题：这件旧衣服本身，是不是已经不合身了。

打个比方。派个人去走"最后一公里"，前提是这条路有起点、有终点、有路基。可如果你连"我要去哪儿"都没想清楚，那这段一公里，走多久都到不了。

王志国在书里写过一个细节。2023 年底，他为了想清楚 AI 到底该放在企业的什么位置，纠结了很久：是给原来的管理工具加一层 AI，还是以 AI 为原点，把企业的运行方式整个重做一遍？这两个方向看起来很近，本质截然不同。

他最后选了后者。理由很朴素：真正的痛点，不是某个环节不够聪明，而是整套管理系统始终靠人力驱动——目标靠人解读，信息靠人传递，执行靠人推进，复盘靠人总结。只要这套底层逻辑不变，问题就会反复出现。

所以他给自己的答案不是"派个人来"，而是"换个系统"。

这样的场景，其实并不陌生。二十多年前企业上 ERP，也曾有过大批实施顾问驻场"最后一公里"的岁月。驻场确实解决过问题，也让一批企业真正跑了起来；但它同样留下过无数"系统上线了，业务还是老样子"的案例。技术换了，剧本没换。

市场自己也在给 FDE 泼冷水。

Gartner 在 8 月 27 日发布的《2026 中国数据、分析和人工智能技术成熟度曲线》里，把 FDE 标在了"未成熟即面临淘汰"的位置。它的高级研究总监方琦的原话是："FDE 交付模式天然伴随高成本、回报不确定以及 ROI 周期长等问题；在企业对 IT 预算要求强 ROI 的情况下，这种模式难以持续。"

Gartner 还点了一件更扎心的事：在中国，很多企业把 FDE 当成"高端系统集成项目"，而不是"产品创新模式"，于是一次性部署做完，语义资产就停在原地，不再演进；而一些本地供应商，出于营销目的，干脆把原来的驻场工程师重新包装成"FDE"，最后留给市场的只有认知落差和幻灭。

IDC 的副总裁说得更直接：FDE 模式，和过去的咨询人员增援，其实没有本质区别。

一边是热钱和热词，一边是"未成熟即面临淘汰"的评级。这两件事同时是真的。

外挂，能给你的企业装一个大脑。但改不了它的基因。

如果说 FDE 是"+AI"思维在企业外部的样子，那它还有一个更隐蔽的同胞，藏在企业内部——不断更换管理工具的冲动。

这几年，企业的热词换得比季节还快。先是 KPI，然后是 OKR，再是数字化转型、中台、大模型、Agent，现在轮到了 FDE。每一次新概念出现，都像一根救命稻草：这回总该有用了吧。

可结果呢？工具越上越多，会越开越多，中层越来越累，组织却纹丝不动。

这件事，其实有一百多年的历史背景。自泰勒开创科学管理以来，现代管理走过了一百年，工具迭新、流派纷呈，可有些困境始终没被真正解决：认知的壁垒、信息的损耗、执行的偏差。层级越多，信息越失真；分工越细，部门墙越厚；流程越繁，内耗越重。企业越大，越容易陷入"越管越重、越忙越累"的循环。

这本书最扎实的部分，是作者把这条"换工具"的路，亲自走了一遍，然后一段一段记录下来。从 2021 年底开始，他在酷开花了四年，试了 BSC、OKR，又自研了 TTC 1.0、2.0、3.0，每一代都比上一代更完整，每一代都在同一个地方翻车。

第一代是 BSC，平衡计分卡。他没有照搬教科书，而是重新搭了一套"目标到人、综合考量"的体系，还设计了"财富值、经验值、健康值"三位一体的激励。设计上看，架构相当完整。

结果呢？卡在人的惰性上。原话是："体系可以设计得很完美，但只要运行方式仍然靠人层层推动，最后就会被人的惰性、惯性和局限重新拉回原点。"管理者不愿花额外精力去梳理指标、打通数据，就把 BSC 硬塞进原来的考核模式；执行层吃不透复杂逻辑，只挑看得见、好操作的表层活儿干。一套本为战略落地而生的系统，最后退回成了普通考核表。

第二代是 OKR。2022 年，他推行"飞书+OKR"，第一次全员对齐会效果很好，大家觉得终于找到了让战略直达个人的工具。可没多久，问题就冒出来了：认知从来没真正对齐。会上看似达成了共识，会后每个人的理解差得很远。同一个目标，销售、产品、运营各有各的解读。半年下来，投入了大量精力开专题会，最后只有 6 个团队交出亮眼成果。

他给 OKR 的判词是："没有体系化支撑的对齐，只是会议上的热闹。"

第三代是自研的 TTC，Task To Cash，把任务和回报直接挂钩。1.0 版本做到了"任务在线、激励透明"，员工完成对应任务就能拿到对应的钱，基层动力一下就起来了。但很快出现"挑活"——简单、好量化、回报明确的任务被抢着做，难啃、周期长、关乎核心竞争力的任务没人接。原因在于，任务的价值仍然由人来主观判定，系统把"容易完成的"错当成了"真正有价值的"。它的局限被总结成一句："它让任务跑通了流程，却没有让价值判断真正进入系统。"

2.0 引入了价值链，把每个任务挂到价值流的节点上，协同逻辑第一次清晰起来。可新的瓶颈又来了：整条价值链全靠人工维护——节点定义、版本更新、权重调整、因果校准，全部靠人判断。业务一变，就得手动改一遍。团队越大、业务越复杂，维护成本越高，原本用来解绑的"金链"，慢慢变成了拖累效率的"铁链"。"价值链成型，不等于系统成型。"

TTC 3.0时期经营对象模型

3.0 把逻辑闭环做到了极致。可作者发现，闭环是真的闭了，天花板还是人。他给 3.0 的判词最短："逻辑闭环了，人是天花板。"

四年，四代工具，四次撞墙。作者最后悟出一句话，我觉得是整本书最重的一句之一：

"工具的尽头，是系统的起点。"

它不是说工具没用——BSC、OKR、TTC 每一代都比上一代更进步，都有它擅长的场景。它说的是：当问题的根源在"结构"这一层时，工具再怎么换，也只能在同一层打补丁。

这个"结构"是什么？作者给了它一个名字：碳基管理。他把一切依赖人来决策、传递、执行、纠偏的管理模式，统称为碳基管理——碳基，指的是活生生的人：有认知边界，有路径依赖，有立场差异，有精力局限。这几种局限叠在一起，就成了下面要说的"四差"。而与它相对的"硅基管理"，不是要用机器把人换掉，而是把决策、传递、执行、纠偏这些环节，从人的身上，搬进系统里去。

书里用"四差"来命名这个结构。

碳基管理时代组织中的四差现象

认知差——同一个战略，进了组织就开始分叉。最隐蔽的不是分歧，而是"看起来没有分歧"：会上人人点头，散会后各回各的理解。而认知差最硬的骨头，是它不只来自岗位不同，更来自人的阅历和处境不同。书里有一个让我停下来的细节：一个做电视的团队，主力都是九零后，坐在办公室盯着高清显示器，看着满意度数据，觉得自己把界面做得越来越漂亮。直到一位设计师去用户家里做上门调研，一个以拾荒为生的老人指着屏幕说：升级以后，我已经不会用了，我不识字，眼睛也不好，找不到想看的东西了。他想让眼睛不好的老伴看上电视，为这买了近万元的高端电视，最后却连这个心愿都满足不了。那道鸿沟，不在数据里，在人的处境里。不在那个处境里，就很难感同身受。

信息差——好消息层层放大，坏消息层层隐藏。中间层不是传声筒，是过滤器，会按自己的理解加工信息、屏蔽风险、删减不顺耳的内容。作者的原话很狠："只要还有人站在中间，信息就一定会失真。"

竞争差——靠流量入口收费的那些年，是"收费站里数钱的人，看不见外面在变天"。书里写，酷开的 OTT 业务曾一路高歌，内容营收从零做到十几亿，净利润近三亿，日子过得太舒服，以至于没人注意到手机和短视频正在改写用户的时间分配。

执行差——每个人都拼命，方向却各不一样，像拔河时一边往东、一边往西。

这四道墙，不是态度问题，是结构问题。而工具，是打给结构的补丁。

更麻烦的是，这四差不是四道并列的墙，它们会互相咬合、循环放大。认知不统一，信息传递就困难；信息不完整，竞争就容易误判；竞争一误判，执行就会偏离；执行一偏离，认知又被固化回去。于是它变成一个闭环，越挣扎，套得越紧。这也解释了那种熟悉的无力感——团队明明很拼，企业却在不可挽回地滑向平庸。

热词迭代得越快，越像是一种回避。每换一个新词，就暂时不用面对那个最根本的问题：你的组织，是不是从底层就走错了方向。

那么，出路在哪儿？

书中给出的答案，绕了一圈，回到了一个出人意料的地方——不是技术，不是人才，是企业自己。

作者算过一笔账：AI 到了今天，真正的困难，早就不是"有没有能力"。模型能生成、能分析、能推理，能力是够的。真正困难的是：企业需要把自己的经营逻辑，重新组织成 AI 能够理解、运行、持续优化的结构。

AI 不是听不懂你。是你从来没把自己讲清楚过。

这句话不是修辞，它有非常具体的操作含义。书里把"把自己讲清楚"拆成了三次翻译——他叫"三件套"：

第一件，战略经营图，把战略翻译成"目标语言"。它要回答：一家企业究竟在经营什么对象？是资本、产品、用户，还是渠道、门店、供应链？光有对象还不够，还要给每个对象配上指标——规模、质量、效率、竞争力，四个维度，像体检表一样，让"经营得好不好"这句话第一次变得可以被衡量、被系统读懂。

书里有个例子把这件事讲活了。一家行业龙头企业喊了多年"以消费者为中心"，可落到各部门，产品团队理解成"多推新口味"，渠道团队理解成"提升线上占比"，供应链团队理解成"压成本"，门店理解成"稳住门店数量"。每一个理解单独看都合理，可合在一起，谁也说不清消费者到底被摆在哪儿。战略从起点就开始发散——这就是"认知差"最典型的样子。

第二件，价值链，把业务翻译成"路径语言"。价值不是凭空产生的，它沿着一条链路流动：从用户认知，到认同，到认购，到交付，到复购，到裂变。哪个节点出了问题，责任落在哪个岗位身上，这条链路要让系统看得见。书里举得很具体：顾客说"太贵"，问题往往不在价格，在"认同"这个节点——价值没传递到位；顾客投诉"称重不准""态度差"，问题在"交付"节点；顾客买过一次就再也不来，问题在"复购"节点。

第三件，指标穿行，把管理翻译成"因果语言"。结果出了问题，系统要能顺着链路一层层往下追，从结果指标，追到过程指标，追到根因，追到具体动作，最后生成一条整改任务，派给具体的责任人。

三件套合起来，作者说了一句话："场景配置不是为 AI 准备数据，而是为 AI 准备认知。"

这句话，是对整个行业的一个提醒。我们总以为，AI 落地不到位，是因为数据不够多、不够干净，所以拼命接数据、清数据、买数据。可书里说，数据不是关键，认知才是。你给 AI 喂一吨数据，它也只是看懂了数字；你把自己的经营逻辑翻译给它，它才可能看懂这门生意。

书里有一个案例，讲得极清楚。一家快消连锁企业，系统发现"存货周转天数"增加了 5 天。这件事过去交给财务团队，要花整整一周去拉数据、做分析。而在这套系统里，它被缩短到了 10 分钟——因为系统会顺着公式链路自己往下穿透：先看到是某款产品库存积压，再看是这款产品在华南区域的日均销量骤降，再看是华南区域某产品的门店转化率两周内从 15% 跌到了 5%，最后追到具体门店、具体店员的"话术执行率"和"试吃活动完成率"，自动生成任务，推送给责任人。

作者总结这个案例时写了一句话："归因导航的终极形态，不是人看报表，而是 AI 发现问题、定位根因、派发任务。管理者的角色，从数据分析师变成了决策确认者。"

顺序是先有"翻译"，后有"智能"。

这解释了为什么过去几年，那么多企业买了大模型、部署了智能体，却始终进不了 AI 原生的门。不是模型不够强，是它们从来没有把自己的经营逻辑，认真地翻译给 AI 过。它们把 AI 当成一个更聪明的外包工，指望它凭通用能力去猜自己的生意——猜不准，就再派个 FDE 去现场帮着猜。

然后，又回到了老路。

书里还提醒了一个更隐蔽的坑：翻译，不是给原来的 KPI 换个名字。有的企业把部门 KPI 原样搬过来，套在"经营对象"的名义下，看着像完成了转型，本质还是部门导向。作者管这叫"伪战略经营图"——系统表面接上了，实际上只能识别部门工作量，看不见经营对象的真实状态。改名字很容易，改逻辑很难。

这本书最诚实的地方，是它没有把这条新路说成坦途。作者坦率地承认：AI 有幻觉——信息不够会产生幻觉，信息过剩同样会产生幻觉；系统能感知、能归因、能派活，但战略目标的设定、价值取舍的判断、资源的倾斜分配、最终的经营责任，仍然要由人来扛。

员工智能体和岗位智能体的关系

书里对"AI 幻觉"的解释也很实在：幻觉有两种来源，一种是相关信息不够——要打通与业务相关的"最后一公里"，数据不足，AI 就只能猜；另一种是无用信息过剩——每做一件小事，都把全部信息调出来，信息不聚焦，AI 也会猜。解决的办法，不是喂更多的数据，而是给它一个"镜像"，用真实世界的结构去约束它。这又回到了那句话：让 AI 看懂你的前提，是你先看懂你自己。

而 AI 替代的，从来不是人本身，而是那些被层层扭曲、稀释的失真信息和长期积累的无谓内耗。真正属于人的部分——使命、良知、价值判断——AI 替代不了，也不该去替代。

这个分寸感，是这本书不滑向技术狂热的原因。它想说的不是"AI 无所不能"，而是"你得先把人做的事和人做的事之间的那层内耗，清干净"。

王志国在一次采访里说得更直接：如果不用这套系统，酷开 600 个人里，100 个人就够了，剩下的 500 个人忙忙碌碌，却未必在创造价值。

这句话很容易被误读成一句冷冰冰的裁员宣言。但把它放回书里，会发现它的重心不在这 500 个人身上，而在"忙忙碌碌"这四个字上——被替代的，是那种制造内耗的忙碌，不是忙碌的人。系统把人从"拉数据、催进度、猜原因、反复对齐"里捞出来，是为了让人去做那些机器做不了的事：判断方向、创造价值、承担责任。

这不轻松，甚至更难。但它至少是往前走，而不是在原地打转。

从碳基管理向硅基管理的演进路径

所以回到开头那个问题。

FDE 越火，说明什么？

说明企业对"AI 落不了地"这件事，是真的急了。急到愿意为"最后一公里"付最高的价钱。这份急迫是真实的，也值得尊重。一个愿意花钱把事做成的企业，比一个只会观望的企业更值得敬佩。FDE 本身也不是没有价值——对那些确实需要打通数据、适配场景的企业，专业的人进场，确实能解决真问题。

但它也说明另一件事：我们太习惯从"技术那一侧"找答案了。缺能力，就买能力；缺人，就派人；缺工具，就换工具。我们很少停下来问一句：会不会问题其实在我这一侧？

《场景智能》整本书，就是在替这个行业问出这一句。

它最后真正想说的，其实不是技术，是管理的本分。方跃教授在序言里回到一个朴素的原点：管理的本质，是激发人的潜能、协同人的力量、成就人的价值。AI 不是来取代人的，是来把组织从低效的对齐、汇报、博弈里解放出来，让人回到判断、创造与责任上去的。企业的意义，是为用户创造不可替代的价值；管理的手段，本该服务于这个目的。工具也好，系统也好，最终都要回答同一个问题：它有没有让人更有价值，让企业更靠近用户。

它给出的答案，朴素得几乎不像答案：在谈 AI 落地之前，先把自己重新翻译一遍。

你在经营什么对象？这些对象好不好，用什么指标判断？价值沿着哪些节点流动？结果出了问题，能不能一路追溯到过程、根因和动作？——这些问题看上去土得掉渣，但作者说得很清楚：判断这套系统有没有真正生效，不看它上线了多少功能，而看管理方式有没有变化。如果同步会、进度会、追责会照旧泛滥，管理仍然靠人盯人，那 AI 只是又一次被装进了旧系统。

衡量 AI 转型成没成功，有一个残酷而简单的标准：你的管理者，一天的时间花在哪里。是在追进度、对信息、协调扯皮，还是在判断方向、确认决策、优化经营逻辑。如果时间分配一点没变，那你买回来的，不过是又一个更贵的工具。

书的结尾，作者写了一段话，我认为是整本书的题眼：

"AI 原生企业的竞争，不再只是工具效率的竞争，而是经营逻辑能否被系统理解、组织能力能否被智能体放大、经验能否在反馈中持续沉淀的竞争。"

他还说："硅基企业的真正诞生，是从企业愿意把自己重新翻译给 AI 的那一刻开始的。"

这句话，可以用来回答 FDE 的困惑。FDE 也好，大模型也好，智能体也好，它们都只是"翻译"完成之后的下一步。如果企业还没有把自己讲清楚，那无论派多少工程师进场，走的都是一段没有终点的"最后一公里"。

这条路不好走。作者在致谢里写，这件事"举步维艰，三年磨一剑"，到今天也只是在两个截然不同的中大型企业里初步验证。他没有把话说满——没有说这是唯一答案，也没有说这能一夜见效。他只是把一个方向摆在了桌上：当热词一轮轮退潮，最后留下的那些企业，多半是提前把自己讲清楚过的那一批。

这件事说到底，是技术把人照回了自己身上：工具越强大，越显出用它的人有没有想清楚自己。

热词不会等你理解它。你得先把自己讲清楚，AI 才会在你面前落地。

回到你自己。你的企业，是真的落不了地，还是从头到尾，就没有被认真地讲清楚过？

点击购买