AI Demo越漂亮,越需要FDE

大模型时代，企业真正缺的不是一个会调模型的人。

而是一个能把 AI 推进真实现场的人。

如果软件只是做功能，产品经理、项目经理、开发、实施，这套分工大体够用。

但一旦 AI 开始参与判断，事情就变了。

因为判断不是写一个按钮，不是接一个 API，也不是做一个漂亮 Demo 就结束。

判断背后有场景、有上下文、有责任、有边界，还有一堆说不清但每天都在发生的业务经验。

这些东西如果没人站出来翻译，AI 项目很容易卡在一个尴尬的位置：

汇报时很好看，现场没人敢用。

这就是我越来越觉得，大模型时代必须要有 FDE 的原因。

01

过去做软件，本质是在固化规则

我以前做系统，最熟悉的是传统软件那一套。

业务提需求，产品做方案，开发写代码，测试验收，实施上线。

这条链路能跑起来，有一个前提：规则本来就在那里。

比如订单怎么流转，支付怎么核销，客户怎么分配，销售线索怎么跟进。

这些事情可能很复杂，但大方向是确定的。

哪怕中间有分歧，也能通过流程图、字段表、权限表、审批流一点点梳理清楚。

我在京东做核心交易平台的时候，负责过支付、订单、拍卖相关系统。

那时候系统很复杂，但复杂的是规模、稳定性、性能、边界和协作。

业务规则本身，大部分是可以被定义的。

后来回武汉，我从技术负责人慢慢转向业务。

2020 年，我从 0 到 1搭建销售平台 SCRM，把集团原来的电话销售模式，切换到微信社群营销模式。

一年时间，全集团几万销售运营从旧系统迁移到新系统，流水高峰期做到 5 亿。

这件事给我的感受很深。

真正难的不是把页面做出来。

真正难的是把一个组织原来靠人、靠经验、靠习惯跑起来的业务，翻译成一套可以执行、可以培训、可以复盘、可以管理的系统。

但即便如此，它本质上还是在固化已经存在的规则。

销售要跟进客户，主管要看过程，运营要看数据，系统要记录动作。

这些规则本来就存在，只是过去分散在人和表格里。

软件做的事，是把它们稳定下来。

02

AI 项目不一样，它碰的是人的判断

但大模型进来以后，问题变了。

企业不是只想让 AI 帮忙填表、写总结、查资料。

很多老板真正想要的是：

能不能让 AI 判断客户意向？

能不能让 AI 判断员工有没有跟进到位？

能不能让 AI 判断一个方案靠不靠谱？

能不能让 AI 根据企业知识库，直接给客户一个相对准确的答复？

能不能让 AI 像一个老员工一样，知道什么能说，什么不能说，什么时候要转人工？

你看，问题已经不是“功能怎么做”。

问题变成了“判断能不能交给系统”。

这就完全不是一个层级的事了。

因为人的判断，往往不是写在制度里的。

它藏在老员工的脑子里，藏在主管每天骂人的那句话里，藏在销售和客户来回拉扯的聊天记录里，藏在业务负责人那句“这个客户不一样”里面。

更麻烦的是，同一句话，在不同场景下含义完全不一样。

客户说“我再考虑一下”。

新销售可能理解成没戏了。

老销售可能知道，这其实是在等一个台阶。

AI 如果只看文字，很容易误判。

它必须知道客户来源、购买阶段、预算情况、历史沟通、产品版本、销售动作，甚至还要知道这个行业的成交习惯。

这就是 AI 项目最容易被低估的地方。

不是模型不会回答。

而是它不知道自己应该在什么边界里回答。

03

很多企业卡住，不是卡在模型，而是卡在人机边界

我这两年做企业 AI 落地，感受越来越明显。

很多项目一开始都很兴奋。

知识库搭起来了，智能体跑起来了，Demo 也能演示。

老板一看，觉得不错。

团队一看，也觉得有戏。

但真正推到业务现场，就会冒出一堆问题。

AI 回答错了，谁负责？

哪些问题可以自动回复，哪些必须转人工？

销售能不能直接采用 AI 给的话术？

主管怎么知道 AI 的建议有没有效果？

知识库更新了，谁来维护？

数据从哪里来，权限怎么控，敏感信息怎么隔离？

如果客户投诉，说 AI 误导了他，这个责任算谁的？

这些问题不解决，AI 就只能停留在演示层。

演示层最容易让人误判。

因为 Demo 只需要证明“它能做”。

现场要证明的是“它能稳定地做，出了问题有人兜底，还能持续变好”。

这中间差了一个完整的交付系统。

也是 FDE 要站的位置。

04

FDE不是一个更高级的开发，而是结果负责人

很多人一听 FDE，会下意识理解成“懂业务的开发”或者“会写代码的顾问”。

这个理解只对了一小半。

FDE 真正有价值的地方，不是多会写代码。

而是他必须对一个问题从头跟到尾。

从业务现场开始，看清楚这个问题到底值不值得做。

然后判断，哪些部分适合 AI，哪些部分必须人来做。

再把人的经验拆成流程、知识、规则、样例、评测指标。

接着把模型、数据、系统、权限、流程串起来。

最后还要回到现场，看用户到底有没有用，结果到底有没有改善。

这不是单点能力。

这是一个闭环能力。

我自己现在做 AI 创新中心，也越来越像在做这件事。

不是天天研究哪个模型参数更大。

而是反复问几个很土的问题：

这个场景是不是真痛？

谁每天都在为它付出成本？

AI 介入后，到底让谁少做了什么，让谁多看清了什么？

如果 AI 做错了，谁来复核？

如果业务愿意用了，怎么把它沉淀成下一次可复制的能力？

这些问题听起来不酷。

但企业 AI 落地，恰恰死在这些不酷的问题上。

所以我现在判断一个 AI 项目，已经不太看 Demo 有多炫。

我更看它有没有跑通四件事：

第一，业务现场有没有真实使用。

第二，数据和知识有没有持续更新。

第三，人机边界有没有定义清楚。

第四，结果有没有被持续复盘。

这四件事没跑通，再漂亮的 AI，都是样板间。

05

对35岁职场人来说，FDE反而是一个机会

这也是我想特别说的一点。

很多 35 岁左右的职场人，现在很焦虑。

怕年轻人更便宜，怕 AI 更高效，怕自己的经验不值钱。

但我反而觉得，大模型时代，有一类人的价值会重新被看见。

就是那些真的待过现场、扛过项目、懂业务、懂人性、懂组织协作的人。

前提是，你不能只停留在“我有经验”。

经验本身不会自动变值钱。

能把经验翻译成 AI 能理解、系统能执行、团队能复用的东西，才值钱。

这就是 FDE 给很多中年职场人的启发。

你过去做过销售、运营、产品、交付、培训、项目管理，这些经历不是负担。

但你要升级表达方式。

过去你说：“这个客户要重点跟。”

现在你要能拆出来：为什么重点跟？看哪些信号？什么动作算有效？多久没回应要提醒？什么情况要主管介入？

过去你说：“这个方案不靠谱。”

现在你要能拆出来：不靠谱在哪里？缺数据、缺流程、缺权限，还是缺责任人？怎么验证？失败成本是多少？

过去你说：“这个员工悟性不行。”

现在你要能拆出来：他是不会提问，不会复盘，不会判断优先级，还是不会把客户语言翻译成业务需求？

这一步，就是从经验者走向 FDE 的关键。

不是把自己变成程序员。

而是把自己的经验，变成可以被 AI 放大的系统能力。

06

结论：AI越强，越需要有人站在现场

所以，为什么大模型时代需要 FDE？

我的答案很简单：

因为 AI 开始参与判断了。

过去软件处理的是流程，流程可以分工交付。

现在 AI 处理的是判断，判断必须有人在现场定义边界、验证效果、承担结果。

这件事不能只靠顾问。

顾问容易停在方案里。

也不能只靠开发。

开发容易停在功能里。

也不能只靠业务。

业务往往说得出痛苦，但说不清系统边界。

中间必须有一个人，把业务痛苦翻译成 AI 能力，把模型能力嵌进真实流程，再把结果带回业务现场验证。

这个人，就是 FDE。

或者说，FDE 不是一个时髦岗位。

它是企业 AI 真正落地时，必须长出来的一种能力。

未来几年，AI 工具会越来越多，模型会越来越强，Demo 会越来越漂亮。

但企业真正拼的，可能不是谁先买了工具。

而是谁能最快把工具接进现场，跑出结果，沉淀成自己的组织能力。

这才是 FDE 最值钱的地方。

也问你一句：

你们公司现在的 AI 项目，是停在 Demo 阶段，还是已经进入真实业务现场了？

我是杰克船长，在线教育上市公司 AI 创新中心负责人，专注企业 AI 转型落地。每周更新 AI 转型实战干货，关注我，一起把这件事做扎实。