案例 · 大企业现场：John Deere / BBVA / 美国海军
本页你会看到：8 个大企业部署案例的完整画布——问题、做法、结果、可迁移经验与口径；以及另外 6 个值得知道的现场。它们分别来自农业、银行、国防、票务、零售、金融合规与医疗。
一句话：大企业不缺 AI 工具，缺的是把工具接进真实流程、并有人对结果负责的那一小段工作。
为什么大企业是 FDE 的主战场
大企业的典型状态是：预算有、数据多、系统旧、流程长、决策链复杂。模型能力通常不是瓶颈，瓶颈在「最后一公里」——数据取不出来、权限批不下来、业务方不认、上线后没人维护。
下面每个案例都按六格画布压缩：问题 → 做法 → 结果 → 可迁移经验 → 口径与限制。数字全部来自公开披露或多源报道，口径逐条标注；其中「问题」一节多为据公开结果与行业背景的归纳（D），具体项目目标以原始来源为准。
1. John Deere：把 AI 装进农机，按英亩收费
问题。 大型农机在田间以 12-15 英里时速作业，一分钟扫过约三个足球场；传统喷施不区分哪里有草，除草剂用量大、成本高。
做法。 See & Spray 用 36 个摄像头在作业中识别作物与杂草，只对准目标喷施；商业化上按实际启用的英亩订阅收费，而不是按「AI 功能」收费（A，OpenAI 官方客户案例 2025-05-06）。
结果。 化学品使用量减少约 70%；2024 年节省约 800 万加仑除草剂；2025 年覆盖 500 万英亩以上；农户互动提升约 6 倍（A，厂商案例口径）。
可迁移经验。 第一，把计价单位挂在客户本来就在意的指标上（英亩），AI 只是实现手段；第二，硬件 + 模型 + 服务必须一起交付，纯软件方案进不了田间；第三，现场指标要能被农户直接感知。
口径与限制。 数据来自 OpenAI 官方客户案例，属公司披露；「互动提升 6 倍」未说明统计方式，不宜外推。农户访谈中的产量对照（12 万亿株作物、200 对 600 蒲式耳）是单户案例，不构成普遍结论。
2. BBVA：从 3,300 个账号到 12 万个账号
问题。 银行想让员工真正用起来 AI，而不是发一批账号后不了了之；同时要满足金融行业的治理要求。
做法。 BBVA 与 OpenAI 合作推进企业级助手；转型路线图被概括为「八件事」，配套动作包括 250 名高管先行培训、建立「AI 极客网络」带动各部门（A/B，BBVA 与 OpenAI 公开资料、2025-11-06 与 2025-12-12 新闻稿）。
结果。 账号规模从 3,300 增至 11,000，再增至约 120,000；用户平均每周节省约 3 小时；周活跃率约 83%；内部累计 2 万多个定制助手，其中约 4,000 个高频使用（A，公司披露）。
可迁移经验。 高管先下水、内部冠军网络、用周活而不是账号数衡量，是这个案例最值得抄的三件事。推广节奏比功能清单更重要。
口径与限制。 全部为公司披露口径，没有第三方审计；「每周省 3 小时」是用户自报；账号数不等于价值，83% 周活才是更硬的信号。
3. 美国海军 ShipOS：公共部门的长周期大单
问题。 海军船厂中部分工作的周期以天甚至周计，提升空间明确。
做法。 Palantir 以 ShipOS 项目进场交付，合同金额约 4.48 亿美元（B，USNI News、Defense One、The Register 2025-12 前后）。
结果。 在电船公司，原本约 160 小时的工作压缩到 10 分钟；在朴茨茅斯船厂，原本需要几周的流程缩短到约 1 小时（B，多源报道）。
可迁移经验。 国防与公共部门的关键不是模型，而是权限、数据隔离与长期驻场；合同周期长，但一旦跑通替换成本极高。FDE 在这里要同时做工程师与「翻译」。
口径与限制。 多源媒体口径一致，但属于项目方在特定环节的前后对比，不代表整个船厂的生产率；采购与合同细节以原始报道为准。Palantir 侧的更多背景见案例 · Palantir。
4. Vivid Seats × Sierra：四周上线的票务客服
问题。 票务平台的客服咨询量大且随演出季波动，旺季人力难以快速扩张。
做法。 Vivid Seats 用 Sierra 的客服智能体承接自助服务，约四周完成上线（A，Sierra 官网客户案例 2026-03-17）。
结果。 自助解决率提升约 40%，客户满意度提升约 35%（A，供应商客户案例口径）。
可迁移经验。 上线速度本身就是竞争力：四周上线意味着团队把「场景选择、数据准备、评测、灰度」做成了可复制的流水线。先做自助解决这一个窄场景，再扩。
口径与限制。 数据来自供应商客户案例，属公司披露；提升幅度没有给出基线绝对值；「自助解决率」与「满意度」的定义以 Sierra 口径为准。
5. Lowe's：SVP 不入局就不做
问题。 1,700 多家门店的店员需要快速找到产品、库存与流程答案，传统知识库检索体验差。
做法。 Lowe's 在门店铺设店员助手，把内部知识接入对话入口；项目有一条硬规则——「SVP 不入局就不做」，即没有高级副总裁级别的业务赞助人，项目不启动（B，OpenAI 客户案例与 2025 年报，待核）。
结果。 助手覆盖 1,700 多家门店，累计回答 500 多万个问题（B，待核）。
可迁移经验。 这是「经济买家」最直白的一课：AI 项目不是 IT 项目，必须有一个能调动业务资源、为结果负责的高管。没有 sponsor，宁可不开工。
口径与限制。 来源为厂商案例与年报转述，部分细节待核；「500 万提问」不区分有效回答率。
6. FIS × Anthropic：反洗钱调查从数小时到数分钟
问题。 金融机构的反洗钱（AML）调查需要阅读大量交易与客户材料，耗时长、人力密集，且必须留痕可审计。
做法。 FIS 与 Anthropic 合作，把 AI 用于反洗钱调查辅助，蒙特利尔银行与 Amalgamated 是首批使用方（B/C，CIO.com 2026-05-06 报道）。
结果。 调查时间从数小时缩短到数分钟（B/C，媒体报道）。
可迁移经验。 强监管行业的正确姿势是「人机协同的加速」：AI 做材料汇总与初筛，人做判断与签署；审计日志与可解释性必须从第一天设计。
口径与限制。 单一媒体转述为主，FIS 与 Anthropic 的完整数据未公开；「数小时到数分钟」是环节对比，不是整体合规成本。
7. Tampa General：医院自建脓毒症预警
问题。 脓毒症（sepsis）早期识别困难，延迟发现会显著拉长住院时间、增加死亡风险。
做法。 医院脓毒症中心自建工具，而不是采购通用成品（B，Healthcare IT News 2025-07；MedCity News 2025-02-20）。
结果。 截至 2025 年中，相关工具被报道挽救了 569 条生命；住院时长下降约 30%（B，医院自报口径）。
可迁移经验。 医疗场景里，临床 owner 比模型精度更关键；指标要落到「生命」与「住院时长」这类业务结果，而不是 AUC。内部自建意味着能持续迭代，但也要承担维护成本。
口径与限制。 数据为医院自报、媒体转述，缺少对照组说明；「挽救生命」的归因方式需要谨慎解读。
8. 瑞金医院 RuiPath × 华为：医疗模型的「数据准备」之战
问题。 医疗 AI 模型的训练门槛不在结构，而在切片数据的规模、标注与可用性；癌种覆盖不足会限制临床价值。
做法。 瑞金医院与华为合作 RuiPath，用 16 张卡训练两个月，处理约百万张切片（A，华为企业业务官网 2025-02-18）。
结果。 数据准备周期缩短约 80%；覆盖约九成中国癌症发病人群对应的癌种（A，厂商口径）。
可迁移经验。 这是「数据准备占大头」的典型注脚：真正难的是一致性、标注规范与权限，而不是训练脚本。中国现场的国产算力与数据合规约束，也会直接改变技术选型。
口径与限制。 华为与医院联合披露，属厂商口径；「覆盖九成癌种」是癌种范围，不等于临床准确率。
另外 6 个值得知道的现场
| 公司 × 伙伴 | 场景与关键数字 | 可信度 |
|---|---|---|
| Wendy's × Palantir | 6,450 家门店糖浆调度：15 人一天 → 5 分钟 | C，案例二次转引 |
| Fannie Mae × Palantir | 抵押欺诈检出率超过 99% | C，客户披露 |
| Citi × Palantir | 审批流程从几小时缩短到几分钟 | C，客户披露 |
| Walgreens × Palantir | 10 家门店试点提效 30%，8 个月扩到 4,000 家 | C，待核 |
| First American × Databricks | 50 张 GPU 微调开源模型：成本 -70%、工期 -75%、提取量 10 倍 | B，客户案例 |
| Ensono × Snowflake | 7,500 万事件 / 900 万告警：重大事故降幅超两成、修复时长最多 -70% | A/C，厂商客户案例 |
大企业部署的共性
| 要素 | 案例证据 | FDE 该做的动作 |
|---|---|---|
| 经济买家与高管 sponsor | Lowe's「SVP 不入局就不做」；BBVA 250 名高管先培训 | 把 sponsor 写进项目章程，定期汇报业务结果 |
| 数据接入与治理 | 瑞金的切片数据；First American 的 GPU 微调；Ensono 的告警数据 | 先做数据可用性评分卡，再谈模型 |
| 安全与合规 | 海军、FIS、医院、银行 | 数据分级、最小权限、审计留痕、默认拒绝 |
| 变更管理与培训 | BBVA 的极客网络；Lowe's 的门店推广 | 冠军用户、分层培训、灰度与反馈闭环 |
| 采购与合同 | ShipOS 的 4.48 亿美元；Vivid Seats 的四周上线 | 阶段验收 + 价值指标 + 续约条款 |
| 评测与防漂移 | 法律科技漏检自动回流（召回 92%→98%，C）；摩根士丹利每日回归（B，待核） | 固定评测集、回归测试、人工校准 |
最后两行里的法律科技与摩根士丹利不在本页的 8 个案例中，作为「评测与防漂移」的旁证列出，口径按括号内标注。
常见误区
- 从最酷的场景开始。 应选高频、可衡量、有 owner 的场景，而不是演示效果最好的场景。
- 只和 IT 聊，不找业务方。 没有经济买家，项目会在验收时失去方向。
- 把供应商案例当内部可行性证据。 标杆客户有特殊条件，你的现场未必具备。
- 试点不设基线和退出标准。 三个月后没人说得清「成功」是什么。
- 忽视变更管理。 工具上线只是开始，培训和流程改造决定使用率。
- 把上线当成功。 价值证据金字塔的上一级是业务结果与续约，不是「系统已部署」。
本章小结
- 8 个案例的共同点不是技术先进，而是「有人对结果负责 + 数据接得进 + 流程改得动」。
- 计价方式要与客户在意的单位对齐：英亩、解决率、住院时长、调查时长。
- 公共部门与强监管行业的门槛在合规与长期关系，不在模型。
- 供应商口径的案例可以当线索，不能当内部尽调结论。
给读者的 5 条启示
- 先找 sponsor，再谈方案。 没有能拍板的经济买家，再好的 demo 也推不动。
- 把指标翻译成客户的语言。 「模型准确率 92%」不如「每 100 张工单少 8 张返工」。
- 数据工作要单独排期。 至少按总工期的一半预留，别把它藏在「开发」里。
- 把上线当起点。 灰度、培训、评测集、值班，缺一项都会在三个月后反噬。
- 每个案例都问「换一家客户还成立吗」。 不成立的部分，就是你需要现场重新发现的部分。