为什么你买了AI工具,还是没效果

最近 AI 圈有个岗位特别火，叫 FDE，前线部署工程师。简单说，就是那些驻扎在客户现场、亲手把 AI 嵌进业务流程里的人。领英的数据说，过去两年这个岗位的招聘量涨了 42 倍，同期 AI 工程师才涨 13 倍。

但我今天不想聊找工作。

我想聊一件更扎心的事：为什么你电脑里装了七八个 AI 工具，真正天天在用的，可能一个都没有？

一个 80 分的原型，和一个 99 分的系统

腾讯研究院前段时间出了一份 83 页的报告，叫《FDE 模式行业观察与实践》。里面有个规律，我觉得每个用 AI 的人都该知道。

它把 AI 落地分成三段：0 到 80%，80 到 95%，95 到 99%。

第一段特别容易。通用大模型加几句提示词，有经验的工程师一天就能搭出一个"挺好用"的原型。

这就是为什么所有人都觉得 AI 很容易。

麻烦全在后面。80 到 95%，模型开始出错，行业术语理解不准，边界情况处理不了。你得不停改提示词、补规则、标数据、建测试集。

95 到 99% 更难。报告里说得很直白：企业场景中，1% 的错误也能造成严重后果。客服答错一次，可能变成品牌事故。

所以你发现没有，你觉得 AI 不好用，往往不是它不能用，是它停在了 80 分。

那 20 分，才是真正值钱的地方

80 分的东西，试用的时候特别惊艳，一进真实业务就露馅。

为什么？报告里那句话我觉得说透了：Demo 只需要覆盖最常见的路径，生产系统却要面对长尾、异常、合规和责任边界。

放到我们做跨境这行，感受特别明显。

AI 给你一份选品建议，逻辑通顺，数据也漂亮，听着都对。但你真金白银下五千件货的时候，你敢完全信它吗？

它没告诉你汇率波动怎么办，没告诉你这个品类上周刚被平台限流，没告诉你供应商其实交不出货。

那 20 分，只能靠你自己补。而这 20 分，也恰恰是别人拿不走的。

一个判断标准：第十次和第一次，花的时间一样吗？

那份报告用很长篇幅讲了一个词：沉淀。

它给了一套很干脆的标准。判断一个团队或者一个人用 AI 的水平，不看他说得多好，就看事情做完之后留下了什么：

只留下一个结果，那是外包。留下经验但没法复用，那是项目制。把经验变成可复用的模板和工具，这才叫落地。如果沉淀之后，做下一件同类的事明显更省时间，那才叫跑通了。

说得再直白点：如果第十次做同一件事，你花的时间和第一次一样多，那你根本没沉淀。

这一点我特别有感触。刚开始做跨境的时候，我写一个产品详情页要磨半天，AI 帮我改，改完还是半天。

后来我把常见的结构、卖点表达、平台规则做成了一套固定模板，AI 直接往里填。现在写一个详情页，十分钟。

这中间差的不是工具变强了，是我把经验留下来了。

报告里有个数字我印象特别深。同一个行业里做交付，第一个客户要 45 人天，等经验沉淀下来，做到第八个客户只要 2 人天。

同样的活，差了二十多倍。不是人突然变聪明了，是前面七次的经验被留下来了。

AI 让动手变便宜了，让判断更贵了

报告里还有一对概念，我觉得对每个人都适用。

它把能力分成两种：一种负责判断该做什么，一种负责动手做出来。

AI 让动手这件事变得特别便宜。写代码、做图、剪视频、写文案，门槛一降再降。

但判断没变便宜。知道该做什么、为什么做、做到什么程度算好，这件事 AI 替不了你。

报告里那句话我记下来了：前线角色正在从"写代码的人"，变成"指挥 AI 完成业务的人"。

放到我们身上就是：你的价值不在于会用多少工具，在于你知道该让 AI 干什么。

你不缺工具，缺的是那一步

这两年 AI 工具更新得太快，每隔几个月就冒出一批新东西，每个都说自己效率翻倍。

但工具从来不是解药。

那份报告开头有句话我特别喜欢。它说：客户不缺大模型演示，缺的是把 AI 真正放进业务流程的人。

把"客户"换成"你自己"，这句话一样成立。

你不缺工具，缺的是把工具真正放进工作流程里的那一步。

带走一个方法论，省下一笔钱，赚到一批好技能。

参考资料：腾讯研究院《FDE 模式行业观察与实践》，2026 年 7 月，公开商业版 v5.0。报告中的 80/95/99 规律、沉淀判定标准、能力分工均引自该报告。