万字解析|为啥企业AI落地这么难?(附《2026中国FDE人才白皮书》)

从ClaudeCode，到OpenClaw，到Hermes Agent，再回到ClaudeCode，最近又来到Codex。

AI应用产品火了一波又一波，颇有短视频狂潮前夕的味道。

但是，怎么用AI赚钱呢？怎么把AI落地到公司业务里，真正帮到公司呢？

至今还没有一个足够清晰的答案。

然而每个人，都担心自己错过时代浪潮，没有抓住所谓的改变个人和公司命运的时刻。

但是说实话，很多人又看不懂AI到底是个什么东西，怎么能在AI这波技术革命里找到一些机遇。

于是我在过去小半年，服务完30+企业客户之后，多少摸索出了一些思路，这些天也把国内外搞企业AI服务的同行，研究了个遍，终于有了一个企业AI落地全景地图。

所以这篇文章，就把这张地图给大家掰开揉碎讲清楚，试图帮大家看清，这场AI技术革命，对企业来说意味着什么。

也把老板和高管们最关心的一个问题，拆解明白：到底为什么，企业AI落地，这么难？

说实话，现阶段我看到的，行业里对企业AI转型的各种方案和思路，都只能起到很有限的效果。

我得出来的结论是：

企业如果想要真正完成AI转型，必须要有优秀的AI人才团队，甚至你的整个组织系统，都要彻底重塑。

这不是一天两天能搞定的事情，中间的每一项难关，都需要一些核心人才，去带动、去引领整个公司的变革。

在去年（2025年），很多老板犹豫的点是：

我看现在AI这么火，有必要给我的公司都用上AI工具吗？

但到了2026年下半年，AI转型改造，对中国的企业来说，已经从“可选题”变成“必选题”了。

从“我可以等等看、试试看”，变成“我现在就得想办法开始融入AI”了。

为什么这么说呢？

先给大家看几个数据：麦肯锡做过《The State of AI 》系列的年度报告，全球企业使用生成式AI的比例，从2024年的65%提升到了2025年的72%。

有2/3的企业都尝试过使用AI工具，但是只有1/3的企业真正把AI部署公司流程里。

MIT和英伟达的联合报告，《2025年企业AI使用状况》（《The GenAI Divide: State of AI in Business 2025》）里写到：

使用AI之后，真正提升了哪怕5%的利润的企业，也只有不到6%。

包括2025年7月，arXiv上面的一篇论文，《Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity》，也做过一项对照实验：

大概意思就是，顶尖程序员用了AI之后，开发时间反而延长了19%，干活更慢了，因为要花大量的时间，去检查更正AI写的屎山代码。

甚至还出了一个新职业，AI善后工程师，专门排查修复AI写的代码，给AI擦屁股。

不过那个时候，用来做实验的，还只是2025年上半年的模型，Claude 3.7 Sonnet。

现在的Claude Opus 4.7和GPT 5.5，哪怕是DeepSeek V4，也根本不是一年前的模型可以比拟的。

啥意思呢？

就是全球至少有80%的企业，是对AI感兴趣的。

但是，真正把AI用到公司业务里的，不到30%。

并且，用了AI之后，真正能带来大量利润和收益的，只有不到6%的企业。

也就是说，愿意用AI、真正在用AI，并且能把AI用得很好的公司，凤毛麟角。

对企业AI落地来说，还在非常早期的阶段，并且困难重重。

所以，是因为AI没用吗？AI是纯粹的噱头吗？

也不是啊。

国际上的AI创业公司，用了很少的人力，就做出了远超上个时代大公司的盈利水平。

比如Cursor，一家不到300人的AI公司，2025年年底，一年能赚到10亿美金（约合70亿人民币）。

平均每个人，能创造2400万人民币的收入。

要知道，一个中国打工人顶多上班40-50年，按平均每年薪资收入50万，已经是很多普通人能触及的极限了，花一辈子去打工才勉强能赚到2400万。

而Cursor只花了一年，就能达到人均2400万的收入水平，甚至2026年还翻了一倍。

这时候有人会说，那Cursor本身就是AI公司啊，我们传统公司怎么能跟AI原生公司相提并论呢？

好，那还有一个值得参考的数据。

哈佛2025年在宝洁找了776名专业人员，做了一场企业真实环境下的对照实验，得到了几个数据：

1个人的情况下，使用AI比不用AI，效率提升37%；

2个人组队的情况，使用AI比不用AI，效率提升39%；

1个人+AI = 2个人类团队；

使用AI去做方案，产出比不用AI高出至少3倍，整体工作时间缩短12-16%；

……

JPMorgan Chase（摩根大通）的高管，在2025年12月的公开发言里也提到，全公司34万人，已经给20万人配置了AI工具，一些运营专员的岗位，效率提升了40%-50%。

AI工具对摩根大通整体生产力的增长贡献，从3%翻倍到了6%，要知道，一家巨型公司能有个位数的提升都是非常恐怖的。

那这时候又有人要说了，那老美和中国的国情都不一样，能一概而论吗？

OK，这确实没办法，国内我现在找不到特别权威的最新数据，因为中国企业的AI落地应用，还只是刚刚开始，甚至没有人去统计过这些数据。

但是，AI领域一些中国的AI创业者的典型案例，确实值得参考：

刘世奇，6个人的小团队做国际站，卖AI丑拖鞋，一双145美元，年销4000万；

刘小排，ClaudeCode曾经的榜一大哥，真正的一人公司，年收入1000万；

花叔，AI自媒体，单纯是B站花火商单收入，就达到了99万；

这些仅仅是公开的能查到的收入。

这时候你又会说了，一个做跨境电商，一个搞网站卖课，一个自媒体接广，都不是真正的企业场景。

但是你想想，在过去几十年里，有多少人，真正靠自己1个人或者小团队，可以达到这个营收水平和工作效率呢？

而且所谓的企业场景，本质上就是干活，就是各种各样的日常工作，那么既然创业个体的效率和收益能被大幅提升，企业中的日常工作，为什么不行呢？

我们就拿一些高频的白领工作来说，创作一篇公众号文章，在过去可能需要1-2小时；但是用上AI之后，1小时至少能产出10篇、100篇，并且质量能达到七八十分。

我自己以及身边的朋友，擅长用AI的人，哪个不是提升了10倍效率？

所以毋庸置疑，AI是一个非常牛逼的工具，它可以迅速提升一个人的上限，放大一个人的能力。

当然，前提是你这个人确实有点能力，AI只能帮你从1到10，没办法帮你从0到1，这是我们需要达成的共识。

但是问题又来了，这么好用的工具，怎么在企业里就出不来效果呢？

在回答这个问题之前，我们需要先搞清楚另一个问题：

AI工具在企业里到底能用来干啥？到底有哪些AI工具可以用在公司里？

首先需要跟大家明确一个概念，我们大家现在口头一直在提的AI，其实只是AI领域的其中一个类型，叫“生成式AI”，也就是所谓的GenAI。

什么叫“生成式AI”呢？

就是你给它一句话、一个指令，它就给你创造一个东西，可能是一段文字，或者一张图片、一个视频、一段代码。

而GenAI（生成式AI）里又划分为好几个不同的类型：

1、LLM（大语言模型）

也就是所谓的文本模型，但因为文本跟代码都是一种语言和符号，所以Coding模型（编程模型）往往都是LLM，既能用来写文案，也能帮你写代码。

典型代表的模型，就是DeepSeek V4 Pro模型。

2、生图模型

有文生图、图生图等等，本质上就是你给它一些要求，它就尽可能给你一些你想要的图片。

典型代表就是豆包生图模型、Nano Banana、GPT Image 2等等。

3、视频模型

生成视频的模型，典型代表就是Seedance 2.0，以及退出江湖的Sora 2模型。

4、TTS（语音合成模型）

就是你给它一段文字，它能把文字变成语音，甚至可以控制每一句话的语气和情绪。

什么AI客服、数字人，都得用这种模型。

典型代表，就是MiniMax的Speech 2.8 HD模型、阿里的CosyVoice 2开源模型等等。

5、STT / ASR（语音识别模型）

简单来说，就是语音转文字的模型，跟前面的TTS反着来。

最典型的，就是OpenAI开源的Whisper Large v3 Turbo模型。

6、Omni（全模态/世界模型）

一个模型同时处理文字、声音、图像、视频，输入输出都可以是多模态。

比如即梦Seedance 2.0里的“全能参考”模式，比如最近谷歌I/O大会公布的Gemini Omni模型，再比如阿里 Qwen 3.5 Omni模型。

7、Embedding（向量化模型）

把文字/图片转成一串数字（向量），用于搜索、推荐、RAG，用来做AI客服、企业向量知识库，是一种很好用的模型。

比如开源的M3 Embedding模型，OpenAI的text-embedding-3-large模型等等。

8、音乐模型

就是你给它一堆要求，它可以给你写一首歌，甚至把音频工程文件都给你准备好。

最典型的就是Suno模型了。

每一种模型的用途、价格，都不一样。

但是很多老板，只知道OpenClaw（龙虾），还有背后的大语言模型，比如DeepSeek。

说到龙虾，也就是所谓的Agent（智能体），其实也有很多不同的类型。

1、角色扮演智能体

可能很多用过一点AI工具的人，对Agent（智能体）的理解，是Gem、GPTs这种：

就是你给它一串指令，“你来扮演xx领域的专家，根据123点要求来给我回答”，本质上这是一种Cosplay（角色扮演）。

这种简易智能体确实也有用，因为整个人类的知识都被训练进了AI大模型，然后很多模型也采用的是MoE（混合专家）架构，里面有几百个不同领域的小专家模型。

你让它做角色扮演，本质上是让它找到特定领域的知识，激活特定领域的小专家模型来回复你，所以给你的回答质量会更高，更符合你的心意，但基本仅限于创作、咨询、方案类工作。

2、工作流智能体

比如Coze、n8n、Dify等等，有一套流程图，把很多组件拖拽串联在一起，就能实现相对稳定的工作流。

其实对企业来说，这种智能体才是最靠谱的，生产力提升最明显的。

因为很多企业的流程，都是固定的，一家企业在混乱的市场里，花了很多年时间，找到了一条能赚钱的路子，捋清楚了工作的流程，那么你只需要听话照做就行，不需要你灵机一动、自由发挥。

那么对于这些确定性比较强、流程标准很清楚、容错率很低的工作，Coze、n8n这种“工作流智能体”才是最合适企业的工具。

3、全自主智能体

典型代表就是OpenClaw（龙虾）、ClaudeCode、Codex等等，国内就是WorkBuddy、Trae SOLO等等。

这是目前最火最流行，使用人数最多的智能体类型，也会成为未来的主流。

因为前面那2种智能体，“角色扮演智能体”需要你有很强的提示词能力，“工作流智能体”需要你有很强的系统设计和动手搭建能力。

但是这种Agent（智能体），能够自己观察、思考、规划、动手执行、调整错误，直到达成目标，你只需要用自然语言跟它说话就行，然后就会给你一种，既聪明又能干的AI助手的感觉。

它能按照你的想法去创造一些软件、网站、工具，看起来有无限可能，但问题也出在“无限”上。

就是你知道它好像能干很多事情，但是怎么做到的呢？你可能搞不明白。

这需要你有行业经验，也就是所谓的Know-How。

如果你想让它越来越聪明，就得给它充足的上下文，而且它也会有幻觉，会出错，需要你一遍遍地，有耐心地去跟它磨合，纠正它的错误，告诉它正确的做法，并且让它记住下次不要再犯。

也就是所谓的“养龙虾”、“养Agent”。

还有一个问题就是，你想要发挥它最强的能力，那你就必须给它开各种各样的权限，让它访问你的电脑，访问你的账号。

但是权限一开，一旦它做了什么危险的举动，你很难第一时间发现，搞不好它给你一堆核心资料全删了。

所以在很多老板看来，现在的AI，也就是所谓的Agent，更准确来说是这种“全自主智能体”，看起来很厉害，但是我不知道怎么用啊，而且用起来感觉也没那么轻松，我也不知道怎么管理和控制它的风险。

甚至很多人卡在了第一步：我不知道怎么安装这玩意儿。

要不就算了吧。

4、企业级云端智能体平台

典型代表，就是Anthropic的Claude Managed Agents平台。

简单来说，就是把一堆Agent放在云端服务器里：

• 模型接口：可以通过API接入各种AI大模型去思考、规划任务；

• 安全隔离：能提供一些隔离好的沙箱去执行任务，在云端运行，避免破坏企业本地的数据和信息；

• 记忆能力：还能拥有对企业各种信息工具的记忆，支持回溯和错误恢复；

• 长程任务：能够长时间执行任务，中断了也可以恢复，不用担心断网断电；

• 团队协作：有多Agent协作机制，相当于给你提供了一个AI团队供你驱使；

• 安全机制：能够有一套安全防护机制，做好约束和审查，并且能够分配各种等级的权限；

说实话，这种平台才是更适合企业生产环境的平台，但是成本确实也比较高，更适合中型、大型公司。

而且国内暂时没有看到，类似的企业服务平台，但我估计很快就有云厂商会跟上了。

那么问题又来了，老板知道了前面有这么多不同的AI工具，那么为什么说：

2026年开始，企业要开始考虑AI转型了呢？

为什么偏偏是2026年，AI能够进入企业生产环境了呢？

答案在于，AI的发展，到了2026年，突破了几个临界点：

1、AI的脑子足够聪明了

AI大模型的能力，真正达到了可商用的水平。

目前主流的AI大模型，比如DeepSeek V4 Pro，它的智力和情商，它写出来一篇文案，做出来一个方案，比职场里80%的人都要更强。

不信你自己观察一下，是不是这个情况。

这里几个关键因素：

一是上下文窗口到了百万级，能够完成更复杂的任务了，一个窗口不够可以开多个窗口；

二是编程能力突飞猛进，现在你只需要每个月花几十上百块，就能雇佣一个初级程序员；

三是世界知识越来越丰富，它慢慢能够理解真实世界到底在发生什么，真实世界的规则和规律是什么了。

2、AI长出了“手”和“脚”

这里的核心，是AI写代码的能力得到了巨大的突破，能够帮你干活了。

为什么说，AI大模型的“代码能力”，能够帮你干活呢？

因为我们的手机和电脑，也就是软件里的“虚拟世界”，本质上全都是代码，AI写出来一行代码，然后点击执行，就能生成、控制、删除、修改你电脑和手机里的东西。

这时候再给它配上各种Skill、CLI、MCP等工具，它就能做到，像一个实习生和初级员工一样，帮你执行一些任务。

用人话来说就是：现在的Agent（智能体），在电脑和手机这种白领工作里，已经能做到一个月薪1万的普通员工的水平了。

当然，前提是你有能力发挥出AI真正的水平。

3、AI足够便宜了

2023年GPT-3刚出来的时候，输入价格是30美元/百万tokens，现在最新的GPT-5.5的输入价格降到了5美元/百万tokens。

国内的各种Coding Plan、Token Plan，单月购买的价格不到50块，基本每个打工人都能买得起。

稍微好一点的Pro档位，价格也基本在150元/月的水平，对打工人来说负担也不算重。

你更别说真正的“价格屠夫”了，DeepSeek V4 Pro的API调用价格，正式降价为原定价格的1/4，输入3元/百万tokens，输出6元/百万tokens。

而且DeepSeek的缓存命中技术做得非常牛逼，简单来说就是更加省钱了。

什么概念呢？

你高强度用了一周的DeepSeek，24小时没日没夜地用，花销也超不过50块。

50块你换成任何人，能给你干一周的活儿吗？

4、整个世界都开始向AI敞开怀抱

从国家层面，中国去年就推出AI新政，也就是2025年8月发布的《关于深入实施“人工智能+”行动的意见》，到2030年，AI应用普及率要达到90%，全面步入智能经济和智能社会发展新阶段。

从行业层面，不断地出现了各种行业协议，比如MCP、A2A，让AI之间的配合协作，变得更容易、更丝滑。

从具体公司层面，今年有越来越多的产品，在开放自己的API接口，比如Notion，让AI能够访问自己的功能和数据，

甚至有越来越多的产品，推出官方的CLI和Skill，比如飞书、企业微信等等，让自己家的产品更容易被AI使用。

旧世界的体系，在主动融入新时代的技术体系。

这些因素融合在一起，你就会发现，让AI来接管一部分人类工作，让AI进入真实的企业生产环境里，真正具备了可能性。

这时候，很多老板和高管又要说了。

OK，你说得很好，但是我在公司里推行AI，就是非常不顺，总是遇到这样那样的问题，到底怎么办？

说好的AI是第4轮科技革命呢？怎么我感觉变革一点都推不下去呢？

好，那我们先盘一下，企业AI落地的时候，到底都有哪些问题。

只有盘清楚病根，我们才能对症下药。

一般来说，AI在企业里会走过5个阶段。

这个阶段划分，参考了2025年6月arXiv上面的一篇论文，《Levels of Autonomy for AI Agents》，把Agent和人类协作，进入组织里的状态，划分成了5个阶段：

L1：Operator（操作员），人来主导，AI 只是提供建议，辅助决策；

L2：Collaborator（协作者），人和 AI 共同决策，然后AI做一部分执行；

L3：Consultant（顾问），AI 一定程度自主决策，但是需要适当向人类咨询；

L4：Approver（审批者），AI 能够自主决策，但是需要人类审核审批；

L5：Observer（观察者），AI 完全自主决策，人类只负责监控、监督；

可以说，大部分企业，还停留在第1个、第2个阶段，甚至还没进入第1个阶段。

而当企业真正把AI引入组织流程之后，马上就会遇到更多新的问题，越往深处走，问题就越复杂。

我给你盘点一下，你就基本清楚了，如果你是公司的老板和高管，肯定会频频点头。

因为接下来我点出来的问题，就是你正在遭遇，或者马上就要面临的困境：

1、战略不清晰：老板知道要搞AI，但是不知道怎么搞

最常见的几种情况：

（1）老板说要搞AI，然后划一笔预算，丢给一个高管自己看着办，自己平时又不咋用AI

（2）老板很会用AI，给公司弄了一堆AI工具，但是员工不会用，还觉得老板是傻逼

（3）公司要搞AI转型，但是第一步从哪里开始搞呢？用在哪些业务里呢？要让哪些人先用上呢？不知道，反正先搞了再说，我怕晚了同行就超过我了

（4）公司开始做AI转型了，但是预算怎么管理、时间点怎么规划、ROI怎么计算、怎么算成功、怎么算失败……通通没有头绪和提前规划

2、数据壁垒：企业最有价值的知识，掌握在极少数人手里，并且你很难拿到

企业数据一般分为3层：

（1）公开数据

就是那种网上都能查到的数据，公司也默认公开，甚至会被训练到AI大模型里，对企业不构成威胁

（2）企业私有数据

比如 ERP、CRM、OA、HRM、财务系统、库存系统、工单系统，过去的各种老系统里，保存的乱七八糟的数据。

这些数据是企业管理的核心数据，其中关于产品、客户的数据，构成了企业核心竞争力的一部分，一般都得签保密协议，禁止外传。

但是这些老系统的数据，质量非常差，口径也混乱，权限层级很复杂，不同部门不同系统都有一套自己的数据，不互通，还没有API接口。

想让AI去接触、消化、管理这些数据，需要大量的工程设计。

（3）员工隐藏知识

一些资深老员工、高层人员脑子里的东西，可能才是一家企业最核心的数据。

因为这里有最优质的信息、最顶尖的审美判断，全都是十几年来踩过无数的坑，生长出来的能力。

比如：

• 老销售怎么判断客户是真需求还是假需求；

• 老采购怎么识别供应商报价里的坑；

• 老客服怎么判断客户是真的生气，还是想要更多补偿；

• 创始人怎么判断一个战略机会值不值得跟进；

• 高管会里到底有哪些关键的讨论，决定了公司下一步的方向；

……

这部分数据是最难获取、提炼的。

一来是这些老员工业务繁忙，很难抽出时间；

二来稍微能抽出一点时间，但是员工表达能力有限，你问了他也说不出来；

三来就算能表达出来，员工也会抵触，担心你把他蒸馏成skill了，是不是就要开除他了；

一个人的手艺和经验，是自己身上最宝贵的东西，是他在你这家公司积攒多年，真正能学会和带走的财富。

你想要把这些最珍贵的东西拿走，怎么可能不付出一点代价呢？

3、流程固化：还是按原来的流程干活，只是多了个AI聊天工具，感觉没啥大用

我们做人做事，最忌讳的，就是“拿着锤子找钉子”，老板上来先搞一堆AI工具，强行塞给员工用。

然后员工也用不明白，就是觉得老板给自己增加工作量了，我手里还有活儿呢，哪还有时间腾出来学新的AI工具呢？

因为你想让AI真正发挥它的能力，至少需要做好以下5点：

• 上下文充足：每次沟通都在群聊，每次开会必须录音，给AI喂语料；

• 标准明确：给AI布置的工作，需要从头到尾梳理清楚SOP，每一步怎么做，每一个任务的完成标准是什么，不能让AI瞎猜或者自主发挥；

• 权限开放：AI需要能够访问各种各样的群聊、知识库，获得各种系统权限，才能拥有充足的上下文，然后帮你干活；

• 调整分工：能交给AI做的事情，就给AI做，人类互相沟通之前，先自己跟AI沟通一遍，打磨一遍方案；

• 奖惩机制：AI很聪明，但是也会犯错，但是AI无法承担犯错的后果，那么责任就必须由使用AI的人来承担，用得好就奖励你，你敢无脑用，出了问题就找你；

这只是一部分的流程重塑，为了让AI能够融入企业的工作环境里，还不涉及更复杂的公司系统工程设计，更别说员工认知的改变，以及企业文化的调整了。

4、系统稳定性：看别人展示的AI出神入化，一到我公司里使用就天天出bug

我觉得前段时间，“龙虾”那波热潮，给很多老板吹得晕头转向的。

很多自媒体博主，喜欢搞各种AI团队的噱头，说我搞出来了一个Agent团队，有法务顾问，有财务总监，能帮我审合同、处理账本。

但是这些人只说结果，不提效果。

你搓出来的法务顾问，能不能拟一份合理的合同呢？你所谓的财务总监，给你做的账本里，到底有没有错呢？

很多老板一看抖音小红书上面，有人弄出来一个特别牛逼的AI应用，就想着我也要来一份同款的。

结果找人做了一份同款，自己用了几天，就发现全是bug。

因为AI就是存在幻觉和随机性，这是它的“原罪”，是由它的诞生方式决定的。

它可以错无数次，只需要在自媒体里展示1次很好的效果，就能拿到一大堆点赞。

但是企业生产环境，一套AI工具，是要长期使用的，要接触各种真实数据，要处理随机发生的异常状况。

一个企业级 AI 系统至少要有：

• 身份和权限

• 数据接入

• 工具调用

• 日志

• 评估集

• 监控

• 人工审批

• 异常恢复

• 版本管理

• 回滚机制

而且不同的AI工具，适合不同的场景。

Claude Code、OpenClaw这类开放型 Agent，更适合做探索、开发、复杂问题。

而Coze、Dify、n8n、LangChain这类工作流Agent，更适合步骤明确、责任明确、要反复执行的流程。

你得知道，什么样的场景和任务，需要用哪一种AI工具，并且你要搭建一套系统，把这些工具都给串联起来，还得让这套系统稳定能用、可以持续进化、可以自我修复、可以监控追责……

这些不是一个普通工程师能完成的事情。

而且你还得搞一套组合策略，比如：

• 前期用ClaudeCode、WorkBuddy之类的开放型Agent，去做各种探索，搭建AI应用的demo（原型）；

• 逐步探索出稳定的AI工作流，然后固定成Skill，或者Coze工作流；

• 高风险的任务和动作，需要加上人类审核、审批的流程；

• 需要有专人监督AI的日常运行，要有一套长期的可评估的日志系统；

……

一个自媒体上看起来很牛逼的玩具，想要变成公司业务里真正能赚钱的生产力工具，中间要走的路，不是一天两天能完成的。

5、人员抵触：员工明里暗里不配合，配好了AI工具，就是不愿意用

员工抵触AI，基本分为2种情况：

（1）不会用AI

因为你想把AI用好，最核心的两个能力就是业务能力和表达能力。

业务能力就是你非常懂你的业务，知道你的工作是怎么开展的，清楚你这门手艺活儿的门门道道在哪里；

表达能力就是你能够清晰、准确地讲出来，你脑子里想的是什么，当然，讲清楚的前提是想清楚；

但是你会发现，很多员工并不具备这种能力，所以他们每次用AI，都觉得AI很笨，但是你又不能直接说，是因为员工自己本身就很笨。

更别说，进阶的AI能力，还要求你有动手能力，懂得各种技术原理和概念，并且有系统思维，知道怎么搭建和串联出一套好用的系统，真正发挥AI的能力。

（2）不想用AI

就算稍微会用AI的员工，也会抵触，或者很命苦地用起来，跟你抱怨说这些AI工具好像没啥用。

因为他们真正担心的，是自己会不会被AI替代，会不会因为AI用得好就突然多了一堆工作，AI出错了是不是要背锅，领导会不会用AI来监控我……

这里的核心，是员工把自己和AI，放在了对立面，把AI当成了敌人。

所以一个核心的解决方案，是“以人为本的AI战略”，是Gartner 在 2026 年提出的概念。

因为老板和员工的关系，一定程度上，就像家里爸妈和孩子的关系，孩子是难以反抗父母的，员工也很难反抗老板。

企业AI转型本身就是一种“自上而下”的举动，作为更强势的一方，老板和高管就需要以身作则，去做表态和引领。

大概做法就是，跟员工传达清楚，AI不是来替代你的，是来帮助你的，AI会放大你的能力，把你从繁重的、无意义的工作中解脱出来，去做更高价值、更有意义的事情。

而且不能空喊口号，老板需要真正让员工感受到，AI是来帮助你的，真正让员工学会用、能够用、愿意用、用得好AI工具。

感觉我这段像是考公的申论，一套一套的。。但是道理确实是这么个道理。

6、安全风险：AI幻觉怎么办？出错了怎么办？要不要给AI开放权限？

AI幻觉，真的是它的原罪，这是一个逃不开的问题。

Artificial Analysis AA-Omniscience（AI领域最严格的幻觉测试）里，主流大模型的幻觉率都非常高。

Claude Opus 4.7是36.18%，GPT-5.5是86%，Gemini 3 Pro是88%，Kimi K2.6是39.26%

只有Claude 4.1 Opus是0%，因为这个模型在不知道答案的时候，会选择拒绝回答，而不是瞎猜，其他模型基本都会“为了回答问题而回答”。

尤其是开了推理模式之后，模型的幻觉还会上升，整个行业的AI大模型，平均幻觉率在20%左右。

这些幻觉率意味着什么呢？

用一个简单的链式任务的成功率公式来计算：总成功率 = 单步成功率 ^ 步数

如果模型有5%的幻觉率，或者叫错误率，往下执行到20步的时候，任务成功率就会降低到35.85%；

如果模型幻觉率是10%，任务执行20步之后，成功率只剩下12.16%；

而如果模型幻觉率是20%，任务执行20步之后，成功率只有1.15%；

当然，这是没有纠错机制的情况下计算出来的结论，今年会有越来越多成熟的Harness设计，让AI执行任务变得更可靠。

但不得不说，AI幻觉的问题，依旧无法根治。

所以现在AI更适合被用在一些，“容错率”比较高的工作里，比如内容创作、知识管理、AI客服问答等等。

要求更严谨的领域，比如金融、法律、医疗，AI给出来的东西，依旧很难相信。

不过值得高兴的是，龙虾风波过去2个月了，现在对AI工具的设计约束更完善了，很少再出现“删库跑路”的新闻了。

但是确实需要注意，AI给出来的东西，依旧需要人类来审核把关，并且反复修改。

权限可以开放，但是要有非常严格的要求和约束机制。

7、投入产出比：ROI怎么计算？公司投入这笔钱搞AI，到底带来了什么？

很多老板想用AI，有一个人尽皆知，但是不能明说的理由，就是把很多执行岗替代掉。

所以他们衡量AI工具带来的ROI，就是一个工作节省了多少时间，能够裁掉多少岗位。

这个无可厚非，因为AI增效需要时间，但是降本立竿见影。

可是你马上就会发现，时间节省下来了，然后呢？给员工塞更多的工作吗？

把人裁掉了，然后呢？怎么继续管理剩下的员工呢？

所以用“节省时间”和“裁员”来衡量AI的投入产出比，只是暂时的。

对于AI，首先在“投入”上你就要做好计算。

公司的API要统一管理，这样可以很方便地看出来，都有哪些人在用，谁用得多，谁用得少，用在哪些地方了。

那么再往后，我们去计算“产出”的时候，就能追溯到每一个人、每一项任务上，去计算真实的ROI。

而且对于“产出”和“收益”，也需要一套多维度的评价机制。

甚至你搭建好一套AI系统之后，ROI的追踪和计算，完全可以交给AI去做。

8、组织变革：越用AI，越觉得现在的公司架构，不适合AI时代，但是我怎么调整组织形态呢？

现在AI用得好的公司，出现了一种状况。

就是很牛逼的资深员工，跟自己的AI越聊越投机，聊了一晚上搓出来一个方案，觉得特别好，准备交给底下的人去执行。

但是你给底下的人吧，还得开个会对齐一下需求，一开会就是2小时，终于给你的人类下属讲明白了。

但是这个人类下属，去干了半天，交回来的东西一塌糊涂，还不如你直接让你的Agent执行你的计划。

所以你会发现，过去的那种，分工协作的工业化体系，可能要被逐渐瓦解了。

因为你脑子里有一个想法的时候，你自己是最懂这个想法的，而且你这些想法可以直接交给你的Agent去执行，出什么问题你还可以随时修改，你的Agent知道你所有的上下文。

这时候你再用传统的方式，去跟人类团队协作，就会特别痛苦，效率反而没有你自己一个人干的时候高。

所以我大胆预言，未来的公司架构，大概率是需要重组的。

1个人 + 1群Agent = 1个部门，每个人都是项目经理，每个人都单独负责1个或者多个项目，从规划、执行、调整到收尾，都由你1个人，搭配你的Agent团队来完成。

这样才能把团队协作的摩擦成本，降到最低。

但是问题来了，公司里并不是所有人，都具备这种使用和指挥AI的能力的。

于是你又会面临一个新的问题，就是人才换血，你需要逐步淘汰这些旧时代的，不会用AI的员工，然后逐步筛选、招募新的，擅长用AI的员工。

OK，你说了这么多问题，但老板想要的是解决方案啊。

目前来说，对于企业的AI转型，到底有哪些解决思路和方案呢？

对于企业AI落地的所有方案，本质上是在4个维度上做取舍，只能4选3：

1、速度：想要快一点还是慢一点

2、成本：能接受贵的，还是想便宜一点

3、质量（定制化）：想要在多大程度上，贴合你的需求

4、可控性：数据、模型等等能不能安全可控

针对这4个维度的取舍，基本上分为4大类：

1、想要速度快，且定制化：找FDE（前沿部署工程师）、大咨询公司，帮你定方向，帮你搭好一套AI系统，教会你用，还包售后维护和后续升级，但就是贵；

2、想要速度快，且便宜：买现成的SaaS工具，找一些低价的SaaS替代，但是不太能实现很多定制化需求；

3、想要定制化，又想便宜一点：自建AI团队，订阅AI账号自己捣鼓，但是要踩很多坑，周期也很长；

4、想要便宜，而且稳定可控：租云服务器，部署开源大模型，但是需要自己有资深技术团队；

而这4大类型里，目前市面上，有8种主流的解决方案：

1、通用AI工具

就是直接给员工开通GPT、Claude账号，先用起来，这是成本最低、见效最快的方式。

不过问题在于，员工用AI的能力需要培养，公司数据也很容易泄露给模型厂商，基本只适合小公司、创业公司、超级个体。

从成本来说，海外AI订阅，每个月在20美元左右是够用的，也就是140元左右；

而国内的各种Coding Plan、Token Plan，比如智谱和MiniMax，中间的档位每个月也基本在100-150元左右；

然后接个API到ClaudeCode、Codex里，普通员工的日常工作也基本够用。

所以平均成本不到200块/月/人，是很多公司完全负担得起的。

就算你订阅的是Claude的20x的Max套餐，250刀，一个月成本也就1800左右，比招聘一个实习生还便宜。

2、垂直的AI应用SaaS

需要固定流程自动化的就买个RPA应用，比如影刀，企业版标价是59800元/年；

想搞数字人就买个数字人工具，比如蝉镜，企业版标价是32800元/年；

需要AI客服就买个能提供AI客服的工具，比如阿里AI店小蜜，企业版25000元/月，一年下来24万，提供50个机器人，每个月能调用15万次；

这种垂直SaaS的好处就是开箱即用，买了就能马上解决某一个紧急的需求。

但是说实话，这些垂直SaaS的费用也不低，动辄上万/月，很多小需求也没办法定制化满足，买完还得培训学习怎么用。

而且这些垂直SaaS的功能，如果你有一个比较好的技术团队，现在搭配AI基本也能给你写出来。

这个方案比较适合人力密集的中型、大型公司，对采购SaaS有一定的预算。

3、大咨询公司

公司咨询这个行业，是最没有统一标准的行业。

像麦肯锡、四大这种公司，给世界500强、上市公司做咨询，能收上千万；而商业博主，给小的创业公司做咨询，只能收1-3k/小时。

而且服务模式也各不相同，有些纯做咨询，给你一些思路和方案。

有些不仅给你做咨询，还会帮你做落地，跟公司高管聊天，先说服管理层要做一个调整方案，规划清楚内部审批没问题，就开始试点，试点成功就全公司推广，推广完成之后就收一笔年度订阅费，负责之后的运营维护。

不过这种复合方案，在落地的时候，一般都不是咨询公司去做的，是咨询公司找外包技术公司来搞的。

至于效果怎么样，就不好说了，中间层层吃回扣的话，能有多大的落地效果，真的很难评估。

4、企业培训

企业培训也是一个蛮混乱复杂的市场，有给老板的游学课，有EMBA或者研修班，有高管内部培训，有员工统一培训。

而且费用也分很多层级，比如请讲师做大场授课的话：

• 像罗振宇、刘润之类的顶级商业IP，一天的费用是超过10万的；

• 行业资深讲师大概是3-5万/天；

• 行业初级讲师大概是5000-1万/天；

而线上课程基本分为4个档位：

• 199元（纯概念科普课）

• 2980元（入门课）

• 4980元（稍微系统一点的课程）

• 9980元（理论+项目实战带练）

价格再高一点，基本就只能线下课了，线下也有4个主流价位段：

• 199-399元（一个下午，小型沙龙主题+讨论）

• 2980-4980元（1天的统一授课，或者1周左右的夜校，也就是每天晚上下班了就去上课）

• 7980-1万（两天一夜的密集培训授课）

• 2万元（大概1-1.5个月，每周末两天的专业培训）

针对员工的企业线下内部培训，入门课程大概3-8万/场，年框套餐基本在10-20万/年的价格区间。

具体价格的影响因素很多，包括企业的体量（能付多少钱）、讲师或者公司的资历（值多少钱）、利润空间（能分多少回扣）等等。

针对老板和高管的课程，那也确实是五花八门的：

• 线下大课：单场门票主要在5000元左右

• 老板闭门课：单期费用在1-2万左右

• 高管研修课：5-10万/人/年

• 年度成长、陪跑、训练营：价格能来到10-30万/年

但是大部分培训，解决的只是知识普及和简单实操的问题，很多员工并不愿意学，或者学不会，要么就是学会了又用不上、用不好。

所以很多企业真正愿意买单的，是一些相对便宜的教学实操课程，大概价位段在3-5万，安排4期左右的课程，真正教会业务人员，学会使用AI工具，用到自己真实的工作场景里。

5、自建AI团队

其实这个方案，是最适合中小公司的方案，就是在公司内部搞一个AI先锋队。

因为AI是工具和手段，不是目的，企业搞AI是为了让业务更好，所以真正应该学习AI的，是公司里的核心业务人员。

但是很多时候，业务人员非常忙，未必有时间捣鼓各种AI应用，尤其是配置API、创建飞书机器人之类的细碎活，需要一个动手能力很强、对技术感兴趣的人来做。

这时候一般1-2万的月薪，就能招一个还不错的AI人才，然后让他来协助搭建公司的AI系统。

他作为AI排头兵，去学习各种先进的AI技术，然后回来教给公司其他人，并且上手帮同事搭建AI工具。

不过对于中型、大型公司，如果想要用AI搭建一套稳定的生产系统，大概率就得招一些有经验的工程师。

• 初级工程师的年薪就得20万往上；

• 有2-3年经验的中级工程师，薪资也在30万往上；

• 3-5年经验的资深工程师，年薪基本50万往上；

• 5-10年经验的高级工程师、架构师，年薪更是100万往上走；

我们就按最低配置的团队架构来计算：

1个项目经理 + 2个算法工程师 + 1个数据分析师 + 1个架构工程师

1个合格的AI自建团队，1年的成本就在300万往上，这还没计算你要买硬件、租服务器的成本。

这只是去年和今年AI人才的薪资水平，往后几年，随着AI的市场越做越大，AI人才的需求也会越来越强烈，到时候的薪资水平还得往上涨。

所以招募真正的AI工程师，更适合中型、大型公司，以及上市公司。

用真正的顶级人才，给企业带来更大的利润和可能性。

6、一体机

就是买一套提前安装好大模型的机器（一般都是DeepSeek），然后放在公司机房里，数据就在公司本地。

因为很多企业，对于隐私性和安全性的要求非常高，这时候大概率只能考虑本地部署的方案。

但是这些机子，成本都不低的，有不同版本的配置。

入门级的一体机，价格基本15-30万/台；满血版的一体机，价格也在50-100万之间，甚至能达到200万/台的价格。

但问题在于，工具和硬件并不是使用AI的关键，数据和上下文才是重点。

这种方案基本只适合超大型企业去做采购，目前这个市场的客户以国央企为主，而且买回来大概率是吃灰的。

7、云厂商

简单来说，就是去租云服务器。

这个方案建立在，你的公司有技术团队的前提下。

有本地部署模型、做知识库的需求，对数据的合规要求很高，但是又买不起一体机或者本地部署的硬件。

那么这时候，租赁云厂商的硬件，比如在阿里云买服务器，自己搭建一套云端的AI系统，确实是一个不错的解决方案。

但是这套方案的成本，也不算太低，以DeepSeek V4 Pro为例：

• 总参数 1.6T（1.6 万亿）

• 激活参数（MoE 架构）约 80B

• 显存需求（FP8 原生）：约 1.4-1.6 TB

想要给上百人使用，那么每个月的成本，基本也在5-8万，如果你要租赁2年以上，还不如直接买一体机更划算。

因为如果你上云的话，还得考虑企业的向量知识库的部署，以及安排专门的技术团队去管理和维护这套系统，需要很高的人力成本，一年下来保守估计也得花出去500万。

所以云厂商的方案，更适合临时的、小型的、部门级的项目，否则长期使用的话，“租赁”并不是一种很好的方式。

8、FDE（前沿部署工程师）

说到FDE，这是一个新的很火的职业概念。

因为最近OpenAI和Anthropic这两个全世界最顶级的AI公司，在同一个时间段，都选择了同一件事：

就是成立一家合资公司，大量招募FDE，专门去做企业AI落地的应用部署。

国内的MiniMax开启了10x Team计划，招募各行各业的专家，做垂直领域的AI落地。

智谱和阶跃星辰等国内模型厂商，也有大量大量的企业客户，希望能有靠谱的AI工程师团队，帮助公司做AI落地应用。

所以FDE开始，逐步走进大家的视野，成为新的一种企业AI落地的解决方案。

什么叫FDE呢？

FDE的全称是Forward Deployed Engineer，翻译过来就是“前沿部署工程师”。

简单来说，就是找一个或者多个，懂AI技术、懂客户需求的工程师，到企业驻场，去沟通公司有哪些流程和需求，然后搭建一套AI系统，教会客户使用。

FDE需要同时做几件事：

• 咨询诊断：帮客户捋清楚，公司的现状和问题，哪些需要用到AI工具，需要一套什么样的AI改造方案；

• 业务沟通：跟企业客户的老板、高管、一线业务人员，反复沟通，摸清楚他们真正痛苦的地方是什么；

• 企业内训：给企业员工做AI基础认知培训，让员工知道原来AI还可以这么用；

• AI工具搭建：直接搭好一套AI工具甚至是AI系统，先给老板和高管用上，然后再教会企业员工使用；

• 售后运维：搭建了还不够，还得收一定的定期维护费用，负责售后的运营维护，毕竟是你搭建的系统，出了问题也只有你知道怎么解决；

• 升级迭代：AI工具的更新速度太快了，所以每隔一段时间，可能就要重塑一遍AI工具和工作流程，需要FDE不断跟进前沿AI技术变化，然后把这些技术用到客户身上；

那么FDE怎么收费呢？

美国的初级FDE，年薪在20-30万美金之间，换算成人民币就是大概150-200万的年薪。

但是软件工程师领域，中国的人力成本，基本上是美国的1/3左右，一个可以参考的薪资区间是：

• 初级（1–3 年）：20–40 万；

• 中级（3–5 年）：40–80 万；

• 高级（5–10 年）：80–150 万；

• 顶级专家：150–250 万 +；

但如果你是一个独立接单，或者公司身份，作为乙方去给企业客户服务的话，具体的费用需要看合同来定。

一般来说，FDE需要为结果收费，就是你给客户搭建了一套AI系统，你的定价大概率是要计算ROI的，要看你帮老板节省了多少成本，带来了多少收益，然后从中拿走10%-30%的费用。

一般来说，1个中小公司的FDE项目，在中国的报价，在10万-100万不等，周期2个月-1年不等。

不过大型公司的报价，可能就要到千万元的级别了，比如智谱给杭州城投做的产业大模型项目，智谱的中标价格是6127.5万元，这种就属于顶级FDE项目的价格了。

说实话，这8种方案，都有利有弊，不同的方案适合不同的公司。

但是我服务了小半年企业客户之后，发现对于大部分公司来说，很多方案都只能解决一部分问题。

企业在AI时代，真正需要的，是一套系统的、定制化的、速度快的、见效好的、成本不算太高的方案。

用人话来说，就是花个二三十万，就能有一个专业团队，帮我定制好一套AI系统，让我公司的员工能直接用起来，而且要教会他们，提升员工的AI能力。

让AI能力真正长在组织里。

所以我自己的判断，尤其是对中小公司来说，FDE可能是目前和接下来几年，最好的解决方案了。

为什么呢？

你仔细想想，我前面给你盘了这么多复杂的、系统的困难和解决思路。

你基本就能明白，公司想要彻底完成AI转型、AI改造，不亚于重新创业。

当然，我们并不推荐，上来就大动作改造，很容易让企业改革胎死腹中。

但是你看看，企业AI落地，必须要有一个强有力的负责人来主导。

这个人，要懂你公司的业务，懂得跟老板沟通，懂得工程技术，懂得做AI工具定制，懂得怎么教会员工使用工具……

你觉得这样的人，在你公司里能找出来一两个吗？

所以最好的办法，还是找靠谱的FDE团队来合作，外来的和尚好念经，不是没有道理的。

而且你跟FDE团队，签的是合作协议，你们是甲方和乙方的关系。

如果是员工，有一天他离职了，你的公司可能就没人知道怎么修改调整这套AI系统了。

但如果是甲乙方合作，只要协议还在，FDE团队就需要随时安排人来协助你。

几十万给你一套打包方案，从咨询、培训，到工具定制、售后运维，帮助你的公司完成AI转型，在AI时代获得更强的生命力。

这笔买卖，对企业来说，再划算不过了。

关于FDE，很多人会质疑，说这不就是外包工程师吗？

这个跟过去金蝶、用友的SaaS驻场工程师，有啥区别？

这不就是曾经的IT Consulting（技术咨询服务）换了个名词吗？

SaaS驻场还会派1个项目经理，1个架构工程师，1个业务员，2-3个程序员，一整个团队服务。

你要这么说，其实也没毛病。

因为客户的需求跟过去是一样的：

就是来了一个新的技术，能帮我的公司降低成本、提高效率，但是我自己学习的成本太高了，所以我直接花一笔钱，让那些懂新技术的人，帮我直接插上新技术的翅膀。

但是AI技术确实跟之前的技术都不一样，以前的SaaS工具，解决的是机械的、重复的流程问题。

而AI解决的，是智力、决策的问题。

以前人脑处理不了的复杂系统和大量数据，现在可以让AI来管理。

它会改变我们的工作内容、工作习惯，甚至我们需要重新思考，手里的每一个工作，有没有必要让人类去做。

而且现在FDE有了AI工具，一个人就把过去整个SaaS驻场团队的活儿，全干了。

市场价格会被打下来，很多中小公司，甚至连数据库、知识库都没有，但是花十几万能有工程师来做知识库的设计搭建，市场会出现很多新的需求。

这时候可能又有老板会想，我的公司能不能自己建一个FDE团队呢？

那么问题来了，如果FDE能同时满足这么多需求，他必定是一个顶级人才。

一个既懂老板，又懂业务，也懂软件工程，还懂AI，同时能说会道。

基本上就是一个企业创始人的能力模型，这种人打着灯笼都难找，怎么办呢？

其实这个能力，未必需要同时出现在1个人身上，可以是2-3个人，每个人都有自己擅长的点，然后搭配一堆AI工具，就能顶得上过去的一个工程师团队。

我们拆解出来，一个优秀的FDE，应该具备3种核心能力：

• 销售能力：懂业务逻辑，有沟通能力，知道市场和客户到底需要什么；

• 教练能力：懂得做咨询和战略方案，能够给老板和高管一些方向性的、系统性的建议；

• 技术能力：懂软件工程，懂AI技术，知道怎么让AI变得稳定好用，知道怎么搭建一套高效的AI系统；

• 授课能力：懂公开表达，知道怎么掰开揉碎把AI技术讲清楚，并且手把手教会别人使用AI工具；

那么理论上，我们可以把这3个能力，拆解出来，由2-3个不同的人，组成一个阿米巴小团队，来做团队协作。

那么怎么找一个优秀的FDE这个问题，就变成了：

怎么找一个销售、一个顾问、一个工程师、一个讲师。

如果企业想自建FDE团队，那么可以在公司里按这个思路筛人。

找1个特别懂业务的销售人员，找一个懂AI的工程师，找一个讲课很不错的人，再聘请一个外部顾问，直接集齐龙珠召唤神龙。

那么问题又来了，这种人基本就是高自主性、高创造力、超高价值的人才，因为他们需要在混乱的业务现场，捋清楚需求，找到一套合适的技术方案，这件事跟创业大差不差了。

所以我们怎么去管理、激励这类人才呢？

因为传统的“科层制”，主管→经理→总监→总裁，这种层级制度，未必能够激励这类人才，升职加的薪水，还不如多接两个客户。

而且层级一多，也不适合AI时代生产力的释放，很多demo只需要人类和AI，搓一晚上就能搓出来。

你再来个上下级审批，效率会大打折扣。

我这里有一些思路，但是仅供参考，因为我们也在探索。

首先管理人才，要从筛选人才开始，人不对，就什么都不对。

所以在一开始筛人的时候，FDE候选人就应该具备以下的能力：

• 在模糊中找方向的能力：很多时候，客户甚至不知道自己需要什么，你每天都得想办法，在混乱的业务现场，趟出一条路；

• “真正解决问题”的心态：你要追求的，不能只是做一个方案然后从客户身上掏钱，你需要想方设法，真正帮客户解决问题；

• 刨根问底、挖掘本质的思路：也就是所谓的第一性原理，你可以偷学开源项目，但是你必须要懂原理是什么，你要懂得真正设计一套解决问题的方案；

把合适的人筛出来之后，就是发钱了，这里的原则叫“军功制”。

简单来说就是，你拿下了更多的客户，完成了更多的项目，客户愿意跟你续约，甚至你能从客户项目里拿增长分红。

这里有几个关键点，客户续约说明你服务质量好，能稳住口碑，也证明你是有真东西的。

客户项目增长愿意给你分红，就会让你愿意真正帮客户做出效果，因为客户好你也好。

……

当然，还有其他更多的管理方式，这些只能算是一部分参考思路。

最后再跟大家分享一个，我们在给企业做AI落地服务的观察。

我们的核心结论是：

工业时代、互联网时代的科层制，可能会被逐步瓦解淘汰，AI时代我们需要新的组织形态。

因为所有的公司，都建立在1个基础上：单个人类的能力有限，我们需要分工协作。

但是有了AI之后，1个人就能媲美1个团队，你发现很多事情，你搭配AI就直接干完了，再跟人类同事去讨论协作，反而浪费时间。

并不是说，我们就完全不需要团队协作和社会分工了，但确实有一个现象，就是1个人能完成的事情越来越多了，甚至能够自己闭环。

那么过去那种，流水线的分工，每个人都只负责拧一小块螺丝，这个事情的性价比反而越来越低。

所以未来，有可能人人都是项目经理，每个人手里都有一个或者多个项目，并且自己负责整个项目从开始到结束的所有事情。

你和你的Agent之间，需要一套人机协作的机制。

你+Agent，以及你的同时+Agent，两个人机之间怎么互相协作，可能也需要一套新的机制。

甚至有可能我们不需要签劳动合同了，我们只需要签合作协议，市场上各种各样的需求重新流动，每个人都能独立承接一些需求，而不仅仅是完成公司内部的需求。

所以会是什么样的形态呢？

我也不知道。

我只知道，有一种形态是最好的组织形态。

就能它能极大地激发和释放，你的好奇心、创造力、积极性，能让你从无意义的、繁重的执行劳动中解脱出来，去创造更多更有想象力的东西，让你的效率和能力，得到10倍、100倍、1000倍的释放。

但是但是，适合这种新的组织形态的，注定是少数人。

每一次环境变迁，都会淘汰一批旧物种，筛选一批新物种。

希望看到这里的每一个人，都能成为新物种。

关于中国的FDE人才，还在非常早期的阶段。

我预计2027年-2028年，这类岗位才会真正火起来，成为热门岗位。

但是大家对这类人才到底长啥样、怎么筛选、怎么招募、怎么管理，都没有概念。

所以我做了一遍全面的调研，根据我自己的业务经验，跟我的Agent打磨了一份《2026中国FDE人才白皮书》，送给大家：

https://hcnf4puys7we.feishu.cn/docx/L6YPdkbMRo9wdfxjTD4cS0OEndg?from=from_copylink

对FDE感兴趣的朋友，不管你是想成为FDE，还是你希望找到适合自己企业的FDE人才，这份白皮书都能给你一定的参考。

另外如果你是企业客户，希望今年就能有FDE团队，来帮助自己的企业做AI转型和落地应用，也可以找我们团队。

这是我们的案例库，如果你感兴趣，里面会有我们的联系方式：

https://hcnf4puys7we.feishu.cn/docx/ZxQtd7EASoJPNZxz5iNcWMEIngg?from=from_copylink

以下是本文中关键数据、案例和判断主要参考的公开资料。为了不影响阅读体验，这里只列核心来源，不做逐句脚注。

1. McKinsey｜The state of AI in early 2024：用于核对“2024 年生成式 AI 采用率约 65%”等企业 AI 采用数据。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-2024

2. McKinsey｜The State of AI: Global Survey 2025：用于核对 2025 年企业 AI 使用率、生成式 AI 使用率、EBIT 影响、AI 高绩效企业比例等数据。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

3. MIT NANDA / MLQ｜The GenAI Divide: State of AI in Business 2025：用于参考企业 GenAI 项目从试点到经营结果之间的落差。https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

4. METR / arXiv｜Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity：用于核对“早期 2025 AI 工具让资深开源开发者完成任务时间延长约 19%”的实验结果。https://arxiv.org/abs/2507.09089

5. Harvard Business School / NBER｜The Cybernetic Teammate：用于核对宝洁 776 名专业人员的 AI 协作实验，以及“单人 + AI 接近双人团队表现”等结论。https://www.hbs.edu/faculty/Pages/item.aspx?num=67197

6. Reuters｜US bank executives say AI will boost productivity, cut jobs：用于核对 JPMorgan Chase 关于 AI 生产力贡献、运营岗位效率提升 40%-50% 的公开发言。https://www.investing.com/news/stock-market-news/us-bank-executives-say-ai-will-boost-productivity-cut-jobs-4399577

7. Gartner｜More than 80% of enterprises will have used GenAI APIs or deployed GenAI applications by 2026：用于支撑“2026 年企业 AI 已经进入主流议程”的判断。https://www.gartner.com/en/newsroom/press-releases/2023-10-11-gartner-says-more-than-80-percent-of-enterprises-will-have-used-generative-ai-apis-or-deployed-generative-ai-enabled-applications-by-2026

8. Gartner｜Generative AI adoption barriers and production conversion：用于核对 AI 项目价值证明、生产部署比例、原型到生产周期等数据。https://www.gartner.com/en/newsroom/press-releases/2024-05-07-gartner-survey-finds-generative-ai-is-now-the-most-frequently-deployed-ai-solution-in-organizations

9. Gartner｜Lack of AI-ready data puts AI projects at risk：用于支撑“企业数据质量、权限、治理会卡住 AI 项目”的判断。https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk

10. Gartner｜Over 40% of agentic AI projects will be canceled by end of 2027：用于参考 Agent 项目的成本、ROI 和风险控制问题。https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

11. BCG｜The Widening AI Value Gap 2025：用于核对 5% / 35% / 60% 的企业 AI 价值分层，以及 AI 价值差距正在拉大的判断。https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap

12. BCG｜AI at Work 2025：用于核对员工 AI 使用、Agent 进入日常流程、影子 AI 等数据。https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain

13. Microsoft + LinkedIn｜2024 Work Trend Index：用于核对知识工作者使用 AI、BYOAI、企业培训不足等数据。https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part

14. arXiv｜Levels of Autonomy for AI Agents：用于参考 Operator、Collaborator、Consultant、Approver、Observer 这类人机协作阶段划分。https://arxiv.org/abs/2506.12469

15. OpenAI｜OpenAI Deployment Company / Frontier Alliances：用于参考 OpenAI 设立部署公司、FDE 团队、咨询和系统集成伙伴网络等信息。https://openai.com/index/openai-launches-the-deployment-company/https://openai.com/index/frontier-alliance-partners

16. Anthropic｜Claude Partner Network / Enterprise AI Services Company：用于参考模型厂商围绕企业 AI 落地建设伙伴网络、工程支持和企业 AI 服务公司的趋势。https://www.anthropic.com/news/claude-partner-networkhttps://www.anthropic.com/news/enterprise-ai-services-company

17. Salesforce｜Forward Deployed Engineering Partner Network / Agentforce FDE case：用于参考 FDE 伙伴网络、Agentforce 交付周期压缩、150+ 企业部署案例等信息。https://www.salesforce.com/news/stories/salesforce-launches-forward-deployed-engineer-partner-network-announcement/partner-agentblazer-fde-program/https://engineering.salesforce.com/accelerating-agentforce-deployments-from-6-months-to-3-weeks-across-150-enterprises/

18. 中国信通院｜中国企业级 SaaS 产业发展研究报告（2024）/ 大模型落地路线图研究报告（2024）：用于参考中国企业软件市场、SaaS 商业环境，以及大模型落地的技术路线、治理和评估框架。https://www.caict.ac.cn/kxyj/qwfb/ztbg/202408/P020240815374016912879.pdfhttps://www.caict.ac.cn/kxyj/qwfb/ztbg/202409/P020240904538515747964.pdf

19. Bloomberg / TechCrunch｜Anysphere / Cursor revenue and growth reports：用于参考 Cursor / Anysphere 作为 AI 原生公司的收入规模、增长速度和团队规模。https://www.bloomberg.com/news/articles/2025-06-05/anysphere-hailed-as-fastest-growing-startup-ever-raises-900-millionhttps://techcrunch.com/2026/04/17/sources-cursor-in-talks-to-raise-2b-at-50b-valuation-as-enterprise-growth-surges/

补充说明：文中关于部分国内 AI 创业者、AI 从业者和市场报价的案例，来自公开访谈、公开账号内容、市场报价和作者一线服务观察，主要作为案例材料，不作为第三方统计数据使用。