ARTICLE · 1073467
FDE赛道挤满了牛鬼蛇神:企业AI落地,不该是收钱表演
我在制造业做数字化转型落地很多年了。从最早的机器视觉质检，到后来把整条产线的数据接进模型，踩过的坑比写过的代码还多。
所以去年FDE 这个概念在国内火起来的时候，我第一反应是：终于有人把这件事说清楚了。
FDE，Forward Deployed Engineer，前置部署工程师。这个词是 Palantir 玩出来的：工程师驻场，泡在客户业务里，把技术焊死在流程上。这个岗位的全部前提，就是承认 AI 落地没有标准答案，每家企业的业务都是一道全新的题。
但这一年多看下来，我发现挤进这条赛道的人，几乎都在偷偷做同一件事：减轻交付强度。
说难听点，不是深度定制，是轻交付。
这篇文章，我把话说重一点。
一、赛道里的三种玩家，玩的是同一个把戏
卖课的那批人，套路高度一致。先用AI 生成一批课程内容给企业做培训，然后安排一场"企业走访"。三五天时间，访谈几个部门，拍拍照，开个复盘会。回来之后用 AI 工具攒一份排版精美的落地报告，几十页 PPT，术语密度高得吓人。
然后呢？然后就没有然后了。
一个企业的业务流程，是几年十几年长出来的东西，里面全是历史包袱和部门利益。三天走访能得出什么结论？报告里那些"落地路径"，说白了就是通用模板填了填变量。
卖咨询的体面一些，做局部改造。挑个风险小、见效快的环节，比如某个报表生成，用AI 优化一下，开个庆功会，宣布转型首战告捷。改造是真的，但业务主干一寸没动：采购怎么谈、生产怎么排、销售怎么跟单，跟从前一模一样。项目结束，企业参观完样板间，回家发现家还是原来的家。
卖工具的则是另一套话术："一站式 AI 平台，开箱即用。"平台是真的，模型也是真的，但平台方对你业务的理解，基本停在售前 PPT 那一页。工具再强，不理解你的业务，就只是一把更贵的锤子。企业缺的从来不是工具，是这把锤子该往哪儿敲的判断。
三类人，姿势各异，内核相同：都在用最低的交付成本，换最高的项目报价。轻交付不是他们的过渡策略，就是他们的商业模式。
二、轻交付最贵的成本，是透支组织的信任
可能有人觉得，轻就轻呗，企业花的钱也少，愿打愿挨。
这笔账不是这么算的。
显性的损失看得见：几十万甚至上百万，换来一份吃灰的报告。疼，但忍忍就过去了。
真正贵的是看不见的那层：整个组织对AI 的信任，被一次性透支。
老板花了钱，团队配合了，最后什么都没变。他得出的结论不是"这家供应商不行"，而是"AI 也就这样"。等下次真想把事情做对的人来要预算，老板摆摆手：搞过，没用。
一次失败的变革，会让下一次变革的成本翻倍。这在组织里是规律，不是我瞎说。轻交付卖掉的不是一次服务，是企业未来两三年的AI 变革窗口期。
这也是我觉得这个赛道最坏的地方：它毁掉的不只是甲方的钱，是甲方之后所有认真做事的人的耐心。
三、真正的落地，到底该怎么做
骂完了，该立标杆了。下面这些不是理论，是我这些年泡在制造业现场，一条一条趟出来的。它不轻，但它是真的。
1.核心逻辑：不是"业务+AI"，而是拆开重组
大多数人做落地的思路是"业务+AI"：在现有流程外面挂个 AI 功能，原来怎么干还怎么干，多个助手而已。
这不对。
正确的做法，是把业务拆成颗粒，再把AI 跟颗粒组装，生成新的业务流程。
你不会在马车前面装台发动机就管它叫汽车，你得从轮子、底盘、传动开始重新设计。AI 落地同理：先把业务拆到足够细的颗粒度，一个审批环节、一次质检动作、一段客户跟进，分析每个颗粒的输入输出，再判断哪些能交给 AI，哪些要人机协同，哪些必须留给人。
组装出来的，是一条全新的流程。深度定制不是可选项，是这个逻辑的必然结果，因为每家企业的颗粒和组装方式都不一样。
2.执行视角：必须从老板的视角推动
第二个关键是视角。
落地如果由某个部门主导（常见的是IT 部门或数字化办公室），那它天然只能在部门权限里做局部优化，绕一圈又回到轻交付的老路上。
AI 落地是业务流程再造，而流程再造的权限只在老板手里。
这不是官僚逻辑，是实操逻辑。跨部门的流程，只有老板拍板才拆得动；全局账也只有老板能算：某个环节提效之后，瓶颈可能挪到下一个环节去了，这种事部门视角永远看不见。
我自己的习惯是，项目第一件事不是装工具，是跟老板对齐核心经营指标，后面每个落地动作都能追溯到这条主线上。
3.监管与审计：给AI装上仪表盘
新流程跑起来，不代表落地完成。没有监管的AI 系统，就是一辆没有仪表盘的车，跑得越快越危险。
我们坚持三条。
全量审计。每一次AI 参与的生产决策，可追溯、可回放、可解释。不是抽样，是全量。
动态监管。各个过程节点实时监控，异常模式一出现就自动预警、及时干预。
定期审查。短、中、长期三级。短期看运行异常，中期看效果偏差，长期看方向漂移。AI 系统会跟着数据和业务一起变，没有定期审查，今天的好答案就是明天的隐患。
4.评价指标体系：让落地变成可度量的持续过程
落地不是一次性事件，做得怎么样，得有指标说话。我看两个。
一是企业的AI 内化程度。业务流程里有多少环节已经由 AI 真正接管或协同？这个数字可以逐月爬升，它量的是组织被 AI 重构的深度。
二是员工的AI 素养。一线员工是能用、敢用，还是外部顾问一走就抓瞎？它量的是能力有没有沉淀在组织内部。
关键是，这两个指标不是拿来发奖金的，它们是后续持续提升和优化的数据基础。有基线，优化才有靶心。没指标的落地，永远停在"感觉挺好"。
5.技术要求：接得住工业现场的传感器，分得清本地与云端
最后说硬门槛。
真正的企业级落地，绕不开工业生产环境里各种传感器的接入。产线的温度、振动、视觉检测数据，这些才是AI 优化的原料。接不进现场数据的落地，只能优化办公室里的 PPT。
还有个更基础但频繁踩雷的判断：本地模型和API 接入的利弊。数据敏感、时延要求高、断网可用，上本地模型；成本低、迭代快、无敏感数据，用 API。这是一道要按企业实际情况逐项分析的工程决策题。
而赛道里相当一部分人，连这道题的题干都没读懂，拿个API 套壳就敢叫企业级方案。说到底，这是不负责任的交付。
四、我知道有人会说
深度定制太贵了，中小企业做不起。
这个反驳看着成立，其实混淆了两件事：贵，和值。
轻交付的报价一点不便宜。一份几十页报告加几场培训，收费动辄六位数。同样的钱，足够在一条真实业务线上做出可度量、可迭代的成果。区别不在花多少钱，在钱花在表演上，还是业务上。
中小企业真正付不起的，是轻交付之后那扇关上的门。
所以
回到开头。
FDE 这个词被用滥了，但它的内核没变过：前置、部署、工程师。人要在现场，活要进流程。做不到这三点，就别蹭这个词。
对做这门生意的同行，我想说：这赛道够大，容得下认真交付的人，容不下表演艺术家。靠轻交付赚快钱，透支的是所有从业者的信用。
对企业，尤其制造业的同行，判断一个供应商靠不靠谱，只问一个问题："你们打算动我的业务流程，还是只想给我一份报告？"答案会替你筛掉绝大多数玩家。
AI 落地没有轻的捷径。轻的那条路，终点是原地不动。
— — —
你在企业AI 落地里踩过什么坑？
关注我，聊聊制造业AI 落地里那些真话。