FDE 是什么？不是「桥梁」，是「场景提炼」——一个阿里老兵走进 100 家企业的 AI 实践

一、先破除一个误解：FDE 不是「桥梁」，是「场景提炼」

开讲前，右军先抛出一个现场问题：你对 FDE 有概念吗？

有人答「企业和 AI 工程师之间的桥梁」，有人答「把大模型的聪明翻译到企业实际业务上的翻译」。他的回应是——你去做 FDE，第一件事就是把「什么是 FDE」这个定义，精炼成更准的表达。

他引用了「小明」的一句话：FDE 是 AI 时代的产品经理，能把 AI 产品钉进一家具体的企业、产生业务价值。但产品经理的战场变了——以前看的是界面、按钮、规则对不对，现在看的是业务价值。

这也是他反复强调的一个反直觉结论：AI 越发展，企业培训和服务需求反而越多。大模型越先进，越是在替这个市场做教育，让老板愿意投资；但老板不会的还是不会，具体场景的匹配还是存在，所以更需要第三方帮他把问题解决掉。

二、为什么 2026 年是 FDE 的爆发期

跑三年客户咨询和培训，他总结出老板面临的四大问题：

一边是风起云涌的大模型和 C 端用户在嗨，一边是大量企业还没进入产业端。于是 FDE 应运而生——名字由 Palantir 这家公司提出，而全球巨头正在用真金白银为它定价。

但他也泼了一盆冷水：破局累计 6 万人，真正变现超过 1 万的比例可能不到 30%。为什么？学了 AI 但没理解商业——不知道客户是谁、在哪个场景变现、怎么做流量。风口来了，两三个月就换工具，永远在学习，从来不使用，不解决真实的问题。

三、核心认知：95% 的公司做不了狭义 FDE，做广义的

Palantir 式 FDE 的经济学原理是：老板找到有十倍价值、十倍利润的场景，给高手三倍工资，让他们到业务前线打仗。

问题在于——没那么多十倍场景。连 Palantir 自己也踩过坑：任何场景都派特种兵上阵，结果没赚到钱还亏损。

它其实只做两类场景：一是问题复杂、流程模糊、必须深入到前线才能搞定，且客户愿意为溢价付费；二是扩展空间可见——能看到七位数美金的延伸价值。按这个标准，95% 的公司都做不到这么狭义。

所以他提出了「中国田园特色的广义 FDE」，包含四个条件，顺序不能乱：

真实定价是：广义 FDE 利润 30%–50% 就相当低（对比十倍不是一个量级），但比传统外包价值大得多。

他怎么接活：不挣钱的阶段是「调研共创」

美国 FDE 是让甲方付费去挖井，没挖出来甲方也得承担成本；他这么做甲方不开心。

他的做法是：去客户现场待一个礼拜，报销餐饮就行——甚至很多客户连餐饮都不想报销，他的底线是「完全不报销的就不做」：一分钱都不想付的人，后面再掏钱也难。

做 ERP 实施的朋友更狠：免费做三周，但约定「分析完，合同落地要跟我签」——先签合同再干活，给自己保障。他们正在共同走向这种「场景调研的共创」：前面不太挣钱，赚钱在后面——知道问题之后去交付。

一条隐性的商业判断：为什么不接大集团的纯项目

招投标阶段进去基本是陪跑；只有立项前参与才有机会，那意味着垫全职人力、垫钱、等 8 个月到 1 年才回款。所以他现在「从后面往前做」——先做培训这种现金流业务，再往前延伸。

同样地，政府天天推 OPC（一人公司）社区，但 OPC 大多接不了大企业的活，连供应商名录都进不去。OPC 真正能赚的，是中小企业和其他 OPC 的钱——两万、三五千的小活，大企业不做甚至上不了台面，但用 AI 加持成本很低，你干。

四、能力与交付：四大职责、四个软技能、两个角色

FDE 的四大核心职责，对应一条完整的交付生命周期：

做 demo 容易，生产可用难。API 模型今天上线过几天就下线、生成摘要超过 30 秒用户就等不了——性能、可用性、数据精度都要解决。这是 FDE 和「售前做 demo」最本质的分界线。

四个必须 60 分的软技能：把模糊痛点转化成技术问题、与非技术人员沟通、快速学习、能度量当下价值与未来成效。

FDE 还分两个角色，这是很多人没分清的地方：

他的判断是：知识本身没那么值钱，经验仍然非常有用。见过好体系、建设过好体系，才知道哪些坑、什么是对的。应届生和老司机用同一套提示词都能做系统，但老司机脑子里存着科目、风险、波动这类业务规则——书本上学不到。所以中年的行业专家，价值会被 AI 放大得更大。

五、三个真实案例：制造业、美业、200 人集团

三个案例对应三种完全不同的打法，先看对比：

案例一，单点突破型。制造业报价流程原来要 3 天——销售发给市场部，市场采购给技术，技术给业务经理，再进 ERP，中间表格被调整好几次，历史报价还散落在本地电脑。他们拿 50 份历史报价单、20 个 PDF 让 AI 跑通，报价周期降到 4 小时。一个场景打穿，效果可量化，客户信任就建立起来了。

案例二，产品化探索型。店长想让其他销售学金牌销售，方法是「外行搞 AI」——混进门店看全流程，抓重点，可能找到 10 个场景，但先选 1 个做。录音拆解出标准 SOP，一店复制到十店。

案例三，组织转型型。老板要做 AI-first，HR 连该学什么课都不知道。他的做法是：先从 200 人里挑 20 人（高管优先、用豆包/GPT 熟练、有系统化思考能力、能描述清楚需求、SOP 写得好的人），用 AI 测评模型筛选，然后高管培训、业务分析培训、智能体培训三轮。

这里有个细节值得单说：项目做完两轮培训后，客户接口人换了，一度没续约。但半年后客户自己带着「200 人只剩 100 人」的转型结果回来复购——成本中心变成了利润中心。这件事既说明 FDE 的复购逻辑，也埋着下一个章节的坑。

六、场景萃取：先找一个场景打穿

他的问题很具体：如果明天给你配个实习生，只帮你干一件事，你让他干什么？

答案是选场景。找场景要高频、业务价值高、AI 解决起来还比较容易——这就是「三位工作法」。展开是四要素加一条原则：

他给了一个便于记的口诀：「关广频平」——关键业务、覆盖面广、一线抱怨多、高频发生。红榜是有数据、高价值的优先做；黑榜是低频、没数据、高风险的慎做。风险这一条尤其重要：一个场景交给 AI，它判断不了，可能把你干离职。

再往上一层是做五类评估：业务价值、数据基础、技术储备（大公司还要看组织适配、风险合规）。判断口径很直接——价值大、成本低，马上做；价值大、成本高，可以做但要谨慎；成本高、价值不大，不做。

配合 MVP 原则：先选一个场景而不是十个都上，把一个小场景打穿、榨干，小步快跑拿到正反馈。

他还演示了怎么用 AI 接近客户：网上找一篇南京钢铁的报道，丢进 AI 工具直接生成 PPT 甚至 demo，拿这个去跟包头老牌企业交流——「我不是跟你比专业，是我理解这个场景」。客户的获得感很强，觉得你走进了他。

七、实话：四个没人愿意讲的前提

整场分享里最有价值的部分，不是跑通的打法，而是他主动交代的「不完美」。

• ① 十倍场景太少，95% 的公司做不了狭义 FDE Palantir 模式要求十倍价值场景配三倍工资，可没那么多个十倍场景。中国市场更现实的做法是广义 FDE，利润 30%–50% 就已经不错——但比外包强，且能沉淀可复用资产。
• ② AI 不解决所有问题，销售还得老司机 武汉那家大模型公司，程序员全是从开源社区挖的年轻人，但销售全是百度、阿里出来的老手——「你的客户还是碳基生命的时候，该喝的酒一顿都不少」。AI 没有改变 To B 的本质。
• ③ 他自己也踩坑：客户接口人一变就断约 200 人集团案例做完两轮培训，客户接口人变了、没续约；半年后客户自己把 200 人变成 100 人才回来。做 FDE 要接受一件事：你永远要比客户更先进，交付周期可能只有两年甚至更短。
• ④ 数据幻象：客户始终不给真实数据，要警惕 AI 很依赖数据。如果客户事前都不给你开放数据，上线效果差、维护成本高——这种客户你要小心：要么不谈价钱，要么就不做。

几个具体的坑

• 坑 · 只做 PPT / 只做 demo 赚不到钱 传统售前做个 demo 签单就走，钱就赚到了；FDE 是要把效果真正做出来才能赚钱，是承包责任制。PPT 和 demo 只是入口，不是交付。
• 坑 · 技术炫技，用最复杂的方案 程序员容易用最复杂的方案，而不是最合适的方案。客户要的是解决问题，不是秀技术。
• 坑 · 专家放不开，小白反而放得开 专家端着、怕失去，放不开就没有流量；小白没有什么可失去的，脸皮厚反而能开播。做 IP 和做 FDE 一样，先挑战心态。
• 坑 · 管理层与一线，非功能需求完全不同 给老板看报表，他容忍时间是一秒，关注数据属性和性能；做高并发系统关注高可用。不同角色要用不同方案，别一套打天下。

八、答疑：三个被追问的问题

一张图补完：AI 组织长什么样

分享末尾还有一张图，把「你家的 FDE」摊开讲了。左侧是四条能力，右侧是四个经营判断：

左侧底部还有一句总结：AI，大大增强了跨角色的可能性。右侧最后一条尤其值得记住——AI 组织 = FDE + 平台工程师 + 少许销售，这三类人构成了一个最小可运转的 AI 交付组织。