案例库 · 68 个 FDE 与 AI 落地案例条目
本页你会看到：一套读案例的固定方法（六格画布 + 可信度分级）、一张覆盖 Palantir、AI 原生公司、大企业与中国的 68 个案例与证据条目索引，以及为什么「案例是证据，不是模板」。
一句话：读案例的目的不是找一个能照抄的打法，而是积累「什么条件下什么动作有效」的判断力。
怎么读案例：六格画布
市面上讲 FDE 的文章，常把案例写成传奇：某公司派工程师进驻，几个月后客户起死回生。这种写法无法复用，因为缺了最关键的信息——条件、口径和代价。
本书统一用六格画布拆案例。读任何一个案例，先把它填满，再谈能不能学：
| 画布 | 要问的问题 | 危险信号 |
|---|---|---|
| 背景 | 客户是谁、什么行业、什么规模、什么时间 | 只有公司名，没有客户与场景 |
| 问题 | 哪个具体流程、基线是多少、谁最痛 | 从「我们用了大模型」讲起 |
| 做法 | 谁进现场、做了哪几步、花了多久 | 只写技术栈，不写人与流程 |
| 指标 | 业务结果是什么、口径是什么、和什么比 | 只有提升幅度，没有基线 |
| 可迁移经验 | 哪条机制换一家客户仍然成立 | 依赖特殊关系或独家数据 |
| 口径与限制 | 谁披露的、是否独立、样本多大 | 全篇「据报道」，无一处可追 |
填充时有一个简单原则：先看口径，再看数字。同一句「效率提升 70%」，可能是单环节耗时、可能是客户自报、也可能是第三方审计，三者的证据强度完全不同。
可信度分级：别让「据称」混进结论
本书沿用统一标签。正文中出现数字时，都会带其中一个：
| 分级 | 含义 | 怎么用 |
|---|---|---|
| A 公司披露 / 官方 | 财报、官方博客、官方客户案例、政府或学校官网 | 可作事实引用，但要记住厂商有立场 |
| B 多源 | 两个以上独立来源交叉 | 可作事实引用，仍需看各自口径 |
| C 单源 | 只有一家媒体、播客、自述或二手转述 | 写「据……报道（单一来源）」，不作唯一依据 |
| D 估算 / 综合 | 第三方估算、多来源综合、作者归纳 | 写「第三方估算 / 综合」，不当官方数字 |
| 待核 | 付费墙、原始链接被拦截、细节存疑 | 正文尽量不用；必须用时明确标「待核」 |
三种最常见的口径错误
把「第三方估算」写成「官方定价」；把「客户自报」写成「独立验证」；把「增长率」写成「岗位数量」。本书在案例页逐条标注，读的时候请一起看。
案例索引
下表按主题分组。每行给出公司或场景、最值得记住的一个数字、可信度、以及本书展开分析的页面。索引共 68 个条目，既包括独立客户案例，也包括 Palantir 财务、项目机制等「指标/机制型」证据条目，以及 Sierra 各客户等子案例；因此按「去重公司数」统计会少于 68。索引只收本书正文讨论过的内容，更多背景材料见附录 C。
A · Palantir 与 FDE 的原点
| 公司 / 场景 | 关键数字 | 可信度 | 详见 |
|---|---|---|---|
| Palantir 创立 | 2003 年，In-Q-Tel 首投 | B | Palantir |
| Cohen 演示循环 | 「太糟了」→ 问哪里改 | B | Palantir |
| 保密室 COIC | 两周、每天约 19 小时（待核） | C | Palantir |
| 「桑卡尔炸弹」 | 当面批评邮件与会议文化 | C | Palantir |
| Foundry 来源 | 在多个客户现场长成 | B/C | Palantir |
| 空客 A380 燃油泵 | 2 年未解 → 2 周定位 | B | Palantir |
| 空客 Skywise | 上万架飞机、5 万用户 | B | Palantir |
| 美国海军 ShipOS | 4.48 亿美元；160 小时→10 分钟 | B | 企业现场 |
| Project Frontline | 250+ 工程师进真实部署轮岗 | C | Palantir |
| Palantir 财务 | NRR 139%；合同额 42.6 亿美元 | A | Palantir |
| Palantir 人均营收 | 约 100 万美元（算术） | A/D | Palantir |
| Palantir FDE 占比 | 一度多于平台工程师 | C | Palantir |
B · AI 原生公司与部署伙伴
| 公司 / 场景 | 关键数字 | 可信度 | 详见 |
|---|---|---|---|
| Harvey × 年利达 | 4 万次真实查询；单所 6-9 个月 | B/C | AI 原生 |
| Harvey × 普华永道 | 100+ 国家、4,000+ 法律专业人士 | B | AI 原生 |
| Harvey 规模 | 10 万律师、1,300 家组织 | B | AI 原生 |
| Harvey 增长 | ARR 5 个月 1 亿→1.9 亿美元（待核） | C/D | AI 原生 |
| Sierra × Funnel | 客户解决率 94% | B/C | AI 原生 |
| Sierra × Ramp | 客户解决率 90% | B/C | AI 原生 |
| Sierra × Casper | 客户解决率 74% | B/C | AI 原生 |
| Sierra × AOL | 客户解决率 64% | B/C | AI 原生 |
| Sierra 收费模式 | 按已解决会话，不解决不收费 | B | AI 原生 |
| Sierra 定价 | 年门槛约 15 万美元起（估算） | D | AI 原生 |
| Sierra Ghostwriter | 上传流程文档生成智能体 | B | AI 原生 |
| Sierra 上线速度 | 最快不到 2 周、最慢 6 周 | C | AI 原生 |
| Decagon × Chime | 解决率约 70% | C | AI 原生 |
| Decagon × Duolingo | 解决率约 80% | C | AI 原生 |
| Decagon × ClassPass | 客服成本 -95% | C | AI 原生 |
| Decagon AOP | 主管用自然语言写操作流程 | B | AI 原生 |
| Cognition × Cognizant | 嵌入式 FDE 团队进驻 | A | AI 原生 |
| OpenAI FDE 团队 | 2→52 人、全球九城 | B | AI 原生 |
| OpenAI 部署公司 | 40 亿美元、19 家投资方 | A/B | AI 原生 |
| Anthropic 应用 AI | 团队一年扩五倍 | B | AI 原生 |
| Anthropic × 埃森哲 | 3 万名认证顾问 | A/B | AI 原生 |
| Anthropic × 黑石 | 约 15 亿美元合资公司 | B/C | AI 原生 |
| 派拓网络 × Anthropic | 2,500 名开发者，提速 20-30% | C | AI 原生 |
| 诺和诺德 × Anthropic | 临床报告 10-15 周→约 10 分钟 | A | AI 原生 |
| Databricks FDE | 12 个月服务 1,900+ 客户 | A | AI 原生 |
| Salesforce FDE | 承诺招聘 1,000 名 | B | AI 原生 |
| 谷歌云 FDE | 一次放出 59 个岗位 | C | AI 原生 |
| 德勤 FDE 业务线 | 2025-12 成立 | C | AI 原生 |
C · 大企业现场
| 公司 / 场景 | 关键数字 | 可信度 | 详见 |
|---|---|---|---|
| John Deere See & Spray | 36 个摄像头；化学品减 70% | A | 企业现场 |
| John Deere 订阅 | 按启用英亩收费；500 万+ 英亩 | A | 企业现场 |
| BBVA | 3,300→12 万账号；83% 周活 | A | 企业现场 |
| Vivid Seats × Sierra | 四周上线；自助解决率 +40% | A | 企业现场 |
| Lowe's | 1,700+ 门店；500 万+ 提问 | B（待核） | 企业现场 |
| FIS × Anthropic | 反洗钱调查数小时→数分钟 | B/C | 企业现场 |
| Tampa General | 569 条生命；住院时长 -30% | B | 企业现场 |
| 瑞金医院 RuiPath | 16 卡 2 个月；数据准备 -80% | A | 企业现场 |
| Wendy's × Palantir | 6,450 家门店；15 人一天→5 分钟 | C | 企业现场 |
| Fannie Mae × Palantir | 抵押欺诈检出率超 99% | C | 企业现场 |
| Citi × Palantir | 审批从几小时到几分钟 | C | 企业现场 |
| Walgreens × Palantir | 8 个月扩到 4,000 家门店 | C（待核） | 企业现场 |
| First American × Databricks | 成本 -70%、工期 -75% | B | 企业现场 |
| Ensono × Snowflake | 修复时长最多 -70% | A/C | 企业现场 |
D · 中国现场
| 公司 / 场景 | 关键数字 | 可信度 | 详见 |
|---|---|---|---|
| 火山引擎 FDE | 豆包日均 tokens 超 180 万亿 | B | 中国现场 |
| 安永 × 火山引擎 | 千人级 FDE 团队、TRAE 平台 | B | 中国现场 |
| 启盟科技 | 「FDE ≠ 驻场外包」三条区隔 | C | 中国现场 |
| 钱拓科技 | 金融三阶段方法论；数据不出域 | C | 中国现场 |
| Cresta | FDE 团队 30→100 人 | C | 中国现场 |
| 得物 | 转型三步：共识、场景、知识 | C | 中国现场 |
| 特赞 atypica | 智能体对企业全员自主访谈 | C | 中国现场 |
| 百道数据 | 两种成熟度客户对照 | C | 中国现场 |
| 申悦 | 千万级国企项目的「真空层」 | C | 中国现场 |
| 广东民营家装 | 6,000→3,000 人的替代任务争议 | C | 中国现场 |
| Kuse.ai | 「FDE 难成为好商业模式」 | C | 中国现场 |
| SAP 原欣 | 组织惯性大于技术挑战 | C | 中国现场 |
| 上海 FDE 培训班 | 首期报名 200+，全年三期 | B | 中国现场 |
| 中国 FDE 薪酬报道 | 「年薪百万、需求涨 42 倍」 | C | 中国现场 |
案例是证据，不是模板
把这份索引当模板库用，是最常见的误用。至少有三层原因：
- 幸存者偏差：被写出来的几乎都是成功案例，失败的项目没人写新闻稿。你看到的是分子，不是分母。
- 特殊条件不可见：标杆客户往往有高层支持、数据开放、预算充足等条件；这些在案例里通常被省略。
- 口径不一致：同一个「解决率」，各家公司定义不同；直接横向比较会得出错误结论。
正确用法是把它当假设来源：看到别人的做法，先问「它在什么条件下成立」，再用你自己的现场五问去验证——谁痛？痛多大？现在怎么解？为什么是现在？谁为结果买单？
读案例的三个反模式
- 抄打法，不抄条件。 只记住「派工程师驻场」，忘了对方有高管 sponsor 和干净数据。
- 只看数字，不看口径。 把供应商案例里的「提升 70%」直接写进自己的项目章程。
- 用案例下行业结论。 三家公司的做法不等于行业规律；样本量根本不够。
本章小结与给读者的启示
- 读案例先填六格画布：背景、问题、做法、指标、可迁移经验、口径与限制。
- 可信度分级不是装饰：A 也带厂商立场，C 也能提供线索，D 必须写成估算。
- 68 个条目覆盖四条线：Palantir 的原点、AI 原生公司的增长引擎、大企业的现场、中国的约束条件。
- 把案例当假设来源，而不是模板；你的现场条件，才是决定动作的那一半。
本页资料来源： 本页是全书案例的索引与方法说明，各案例的具体来源、日期与口径见对应案例页与附录 C · 案例与资料来源。索引中的可信度标签沿用 SOURCE_PACK 的统一标注；标「待核」的条目未取得可公开复核的一手来源。