FDE 落地案例集（200页）_蔡洁如_陈景_企业
当 AI 真正进入企业，问题会从“模型能不能做到”延伸到“什么问题值得解决”“业务部门如何参与”“数据和知识如何组织”“新的工作流程如何建立”“项目上线之后由谁持续运营”，以及更重要的——企业自身如何在一次次…
FDE（Forward Deployed Engineer，前置部署工程师）并非一个传统的技术岗位，而是一种新型角色——站在技术与业务之间，深入企业现场，发现真问题，用 AI 能力解决问题，并帮助企业把能力沉淀在组织内部。
案例集（200+页）的核心主张很明确：AI 落地已经不再只是一个技术问题，而是一个业务、组织、人的综合问题。当 AI 真正进入企业，问题会从“模型能不能做到”延伸到“什么问题值得解决”“业务部门如何参与”“数据和知识如何组织”“新的工作流程如何建立”“项目上线之后由谁持续运营”，以及更重要的——企业自身如何在一次次项目中逐渐形成使用 AI、理解 AI 和建设 AI 的能力。
01核心主题提炼1. FDE 的角色定位：不是技术外包，而是长期共建伙伴
多个案例反复强调，FDE 不是“来到企业完成一个项目，再把系统交付出去”，而是一种共建关系。蔡洁如（案例1）说：“FDE 负责把 AI 能力与业务增长接起来。”陈景钗（案例2）说：“FDE 进入企业，首先应该更像一个顾问，其次才是一个开发工程师。”程子洋（案例3）说：“FDE 是让最懂现场的人拥有产品定义权，再由工程师把这种理解变成所有用户都能复用的系统能力。”
2. 方法论共识：先进入现场，再谈 AI
几乎所有案例都强调同一个起点：不要从“企业想做什么AI”开始，要从“企业每天到底怎么工作”开始。
蔡洁如直接跟着员工走一遍日常工作流程，看他在哪里停下来、哪里需要问别人、哪些问题不断重复出现。
陈景钗在车管所驻场运维过程中才发现材料审核这个不起眼但高频的环节。
杜天宇（案例4）先把自己逼成“半个规划师”，才敢判断什么应该交给模型、什么应该交给专业工具、什么必须留给人。
马诺（案例8）花数月时间访谈 ERP 上下游 15 个团队，才把“ERP不好用”拆解成数据质量和搜索两个具体问题。
十页（案例15）先观察运营人员实际工作流程，再把优秀运营人员的写作经验沉淀成 AI 工作流。
3. 技术分工原则：模型负责理解和调度，专业工具负责计算，人负责判断
这是多个案例中反复出现的分工模式：
陈景钗：机器视觉/OCR 负责“看”，大模型负责从复杂文本中提取信息，RPA 负责系统间数据搬运。
杜天宇：模型负责理解和分析，专业 GIS 工具负责事实和计算，人负责最终决策。
刘春生（案例6）：大模型负责调度，专业算法负责三维装箱计算。
毛卫俊（案例9）：AI 负责判断，监督机制负责兜底，RPA 负责执行。
Stephen/崔逸枫（案例17）：多模态能力处理图纸，Agent 工作流衔接后续流程，人工校准持续完善。
4. 落地关键：AI 必须进入流程，不能停在 Demo
蔡洁如：把 AI 接进企业实际使用的平台，设计在线课程打卡式的培训流程，而不是额外增加一个聊天机器人。
陈景钗：通过 RPA 把不同系统联动起来，工作人员主要看结果和报表，只有异常情况才需要人工介入。
杜天宇：产品顺着原来的工作习惯长出来，地图才是规划师真正的工作台，AI 围绕地图服务。
程子洋：把产品入口从聊天窗口改为案件工作台，律师先上传材料，系统自动构建案件知识图谱。
毛卫俊：把 AI 嵌进原来的业务流程，员工只需要在钉钉里把发票给机器人。
5. 人的因素：组织能力往往比技术能力更决定项目成败
多个案例指出，AI 项目最难的地方在技术之外：
KevinSun孙斌（案例5）：数据权限、哪些事情交给 AI、哪些不能交、企业内部的人对 AI 的恐惧，都是挑战。
沈凯（案例14）：人最难，其次是组织，再是数据，最后才是技术。
跳舞（案例18）：不要一上来把 AI 和裁员绑在一起，要重新设计人和 AI 的生产关系。
王一棵（案例19）：FDE = AI-Native HRBP + AI-Native CTO，前者重新定义人和 AI 协作的组织流程和边界，后者搭建符合人和 AI 协作场景的软件基础设施。
6. 价值验证：从“能跑”到“能落地”
Simon（案例16）：不要把“能跑”当成“能落地”。Agent 要稳定、可重复、控制成本，还要能够进入客户原来的工作流。
马诺：最终看的是客户是不是少买错东西了，是不是少重复购买了。模型准确率只是过程指标。
Michael（案例10）：FDE 最核心的判断力是看清什么值得做。第一单一定要选对，第一版不要追求完美，要先跑出一个正循环。
谢尧（案例20）：FDE 不能为了证明 AI 有效，就把刚上线的项目包装成已经产生巨大经营收益。业务价值需要时间验证。
案例24（跨境快消）：交付、使用、反馈、迭代、效果归因，再进入下一轮优化——效果归因应该成为 FDE 服务闭环的一部分。
02案例亮点摘录
案例
FDE
核心亮点
NO.1 制造业经验传承
蔡洁如
把老师傅隐性经验转化为 AI 可检索的企业知识，嵌入新人培训流程，陪跑近两个月
NO.2 车管所网办效率
陈景钗
从遗留系统运维切入，发现材料审核环节，OCR+大模型+RPA 串成自动化链，单件审核从15分钟缩短到3-5分钟
NO.3 诉讼律师案件处理
程子洋
从聊天窗口改为案件工作台，14个被告的案件分析从2-3天压缩到一个晚上
NO.4 城市规划研判
杜天宇
从整个市缩到一个区再到具体单元，只挑两条业务流验证，报告从3-5天缩短到10-20分钟
NO.5 TikTok达人建联
KevinSun孙斌
AI负责筛选、匹配、内容生成、自动提醒，人负责沟通和建立关系，履约周期从一个月缩短到18天
NO.6 跨境物流装载
刘春生
大模型调度+三维装箱算法，装车从5小时压缩到2小时，稳定达到99方，三方共赢做增量
NO.7 企业研发转型
吕昭波
从个人提效到组织能力，五天半线下实践，沉淀 Spec 文档与研发协作方法
NO.8 工业采购浪费
马诺
从“ERP不好用”追到“错误采购造成财务损失”，数据清洗+语义检索，ROI由客户确认
NO.9 央国企财务流程
毛卫俊
AI判断+RPA执行+监督机制，10个场景落地，从半个月压缩到一两天
NO.10 线下零售对账
Michael
NO.11 外贸企业资料管理
Nature张晨曦
从老板最愿意付费的小问题入手，把开发能力送到客户环境，数据不离开企业
NO.12 鞋服电商素材
潘俊杰
把“好看”变成“能商用”，人物/服饰/场景一致性作为验收标准，AI初检+人工复核
NO.13 消防维保数字化
尚启峰
先数字化让数据沉淀，再结合AI解决高频重复环节，避免10万元无效采购
NO.14 国企工作流程
沈凯
知识萃取师角色，IT部门牵头转为HR部门牵头，行政人员自己用AI做小工具
NO.15 本地生活短视频
十页
把优秀运营的写作经验拆成业务字段，AI生成+人审核，削峰填谷
NO.16 电信网络数据分析
Simon
把Agent做成可反复运行的业务系统，稳定性、准确性、成本、规模化是关键
NO.17 非标制造售前
Stephen/崔逸枫
图纸解析+需求拆解+研发协同+报价，减少50%工作量，数据飞轮：AI生成→人工校准→数据回填
NO.18 生物科技上市公司
跳舞
先补CRM和数仓，再做AI+BI，销售人效提升15-18%，企业自建20人AI团队
NO.19 消费品研发协同
王一棵
把Agent放进业务群观察两三周，让业务人员自己写AI的“岗位说明书”
NO.20 制造企业经营透明
谢尧
保留原有ERP，AI做数据关系处理器，异常从“人去发现”变成“系统主动提醒”
NO.21 建筑图纸交付
自研CAD图纸解析模型，消防规范规则引擎，大型项目30分钟生成初稿
NO.22 跨境电商库存
打通SaaS与飞书，AI处理物流照片，库存影响广告决策
NO.23 工程租赁获客报价
大客户老板亲自谈，长尾客户AI接住，先POC再路线图
NO.24 跨境快消数据
每个数字都点得开、看得见来源，AI标记异常+人工决策，市场费用问题发现率从不到10%提升到约30%
03FDE 方法论总结
综合 24 个案例，可以提炼出 FDE 落地 AI 的通用方法论：
第一阶段：进入现场，发现问题
不要从“企业想做什么AI”开始，要从“企业每天到底怎么工作”开始
直接跟着员工走一遍日常工作流程，看哪里停下来、哪里重复、哪里出错
访谈不同层级（老板、中层、一线），但不要完全相信前期调研，要通过真实操作验证
把模糊的抱怨还原成可以解决、可以验证、可以计算价值的问题
第二阶段：定义问题，判断价值
判断一个场景值不值得做：是否高频发生？是否影响效率/收入/成本/服务质量？业务部门是否有解决意愿？是否有预算？
不要什么问题都硬套 AI，能用传统数字化解决的先用传统数字化
把 ROI 定义放在项目开始，明确如果问题解决了，企业一年能减少多少损失，这个数字怎么算，最后谁来确认
第三阶段：设计人机分工
模型负责理解和调度，专业工具负责计算，人负责判断
AI 负责大量信息处理、分析整理和重复性工作，人负责最终判断、策略选择和专业责任
设计监督机制和回退机制，AI 做不好就交还给人
第四阶段：嵌入流程，持续迭代
AI 必须进入原来的业务流程，不能停在 Demo
不要要求用户改变整个工作习惯去适应 AI，尽量把 AI 放进他们已经存在的协作环境里
先用小场景证明价值，再推动基础设施建设
第一版不要追求完美，先跑出一个正循环
第五阶段：沉淀能力，组织转型
把经验抽象成可复用的方法、模块和能力
帮助企业建立自己的 AI 团队和能力
让员工开始主动发现问题、主动拆流程、主动用 AI 解决问题
最终目标是让企业自己长出 AI 能力
一句话总结
FDE 真正要解决的，是 AI 与企业之间最后这一公里的问题——深入现场、发现问题、验证方案、进入流程，让 AI 从技术能力变成业务能力，让企业在解决一个具体问题的同时，也开始学会如何解决下一个问题。
FDE 落地案例集PDF已上传👇
📁近万份资料（AI安全、大模型与Agent、算力算网），已收录于「人工智能、算力算网」，每天更新，成员可随时查看/下载。
-返回搜狐，查看更多