第 2 章 · 为什么是现在
本章你会学到：AI 落地到底卡在哪三道鸿沟、FDE 的经济学逻辑、反方观点，以及一个判断「这个场景该不该用 FDE」的五维框架。
一句话：FDE 火起来，不是因为岗位名字好听，而是因为「模型能力」和「业务结果」之间，出现了一条需要人来填的沟。
一个现场片段
以下为合成场景。
两家同行公司，在同一年上线了 AI 客服。
A 公司买了某大模型的 API，接进现有客服系统，给客服坐席加了一个「智能建议」按钮。上线三个月，使用率不到 10%。客服说：「它给的建议经常不对，我还要花时间判断，不如自己写。」项目被定性为「效果未达预期」。
B 公司做了三件看起来很不 AI 的事：
- 先把过去一年的工单按「问题类型 × 处理结果」重新打标；
- 把客服主管的隐性判断规则写成 40 条可执行的流程；
- 只让 AI 处理三类高频、低风险的问题，其余全部转人工，并记录人工修改的原因。
六个月后，B 公司的 AI 自动处理了 38% 的工单，人工处理时长下降 22%，客户满意度没有下降。更重要的是，他们知道剩下 62% 为什么处理不了，并按优先级继续改。
同样的模型，同样的行业，差别不在技术，而在有没有人把「最后一公里」当成工程问题来做。
2.1 三道鸿沟
AI 落地难，不是因为模型不够聪明，而是因为从模型到业务结果之间，横着三道鸿沟。
模型能力
│
│ 鸿沟一：模型 ≠ 产品
│ 会回答问题，不等于能完成一个业务流程
▼
产品原型
│
│ 鸿沟二：产品 ≠ 生产
│ 能演示，不等于能稳定、安全、可审计地运行
▼
生产系统
│
│ 鸿沟三：生产 ≠ 采用
│ 上线了，不等于有人用、用得好、愿意续费
▼
业务结果鸿沟一：模型 ≠ 产品
大模型可以写诗、写代码、回答问题，但一个业务系统需要的是：
- 明确的输入输出：用户到底给它什么，它必须返回什么格式？
- 业务规则：哪些情况必须转人工，哪些答案绝对不能出现？
- 异常处理：模型超时、返回空、答非所问时怎么办？
- 权限与边界：谁能用，能看哪些数据，能执行哪些动作？
这些不是「提示词」能解决的，是产品设计。
鸿沟二：产品 ≠ 生产
Demo 环境通常很干净：网络通畅、数据格式统一、没有并发、没有恶意输入、没有审计要求。
生产环境相反：数据脏、权限复杂、网络隔离、模型会升级、用户会乱点、出问题要能回滚。一个在 Jupyter Notebook 里跑通的流程，距离生产可能还有 80% 的工作量。
鸿沟三：生产 ≠ 采用
系统上线了，但用户不用，原因可能很朴素：
- 它比原来的流程多点了三下；
- 它的建议经常错，用户失去了信任；
- 它让某个岗位的人觉得「我要被替代了」；
- 没有人负责培训、答疑、处理反馈；
- 它的价值没有被测量，所以预算被砍时第一个被牺牲。
采用问题，本质上是组织问题，不是技术问题。FDE 必须同时处理这三道鸿沟，而不是只处理第一道。
2.2 三组数据：热潮与落差
关于 AI 落地的数据很多，但口径差异极大。下面三组，足够说明问题。
| 数据 | 说明 | 口径与限制 |
|---|---|---|
| MIT NANDA：300-400 亿美元投入，约 95% 组织没有可测量的 P&L 回报 | 生成式 AI 的企业投入与回报落差 | 2025-07 报告；六个月观察窗口、价值口径仅三项、样本偏大企业，95% 有争议 |
| Stanford HAI：组织采纳率 88%，生成式 AI 三年覆盖 53% 人口，智能体生产部署仍是个位数 | 采纳很快，生产很慢 | 《2026 AI Index》；「采纳」不等于「产生价值」 |
| McKinsey：88% 企业使用 AI，39% 报告 EBIT 影响，仅 6% 高绩效者 EBIT 影响超过 5% | 使用普遍，高价值稀缺 | 2025-10 调研，1,993 名受访者 |
把这三组放在一起，会得到一个不那么性感的结论：
AI 的采纳速度很快，但价值兑现速度很慢。 大多数组织卡在「试点很多、生产很少、结果更少」的阶段。
这也是 FDE 的机会所在：当「买个模型 API」就能解决问题的时代过去，能够深入现场、把系统真正跑起来的人，就变得稀缺。
岗位需求也印证了这一点。《金融时报》2025 年 11 月报道，FDE 岗位在九个月内增长 800%（Indeed 数据）；另一个口径显示，相关岗位从 2025 年 4 月的 643 个增长到 2026 年 4 月的 5,330 个。Y Combinator 的招聘板上，100 多家创业公司在招 FDE，而三年前几乎为零。
但要注意：增长率高，不代表岗位总量大。 这是一个从很小基数上快速增长的岗位，且高度集中在少数城市、少数公司。不要因为「增长 800%」就误以为「遍地都是机会」。
2.3 为什么通用软件和 API 不够
有人会问：既然模型 API 这么强，为什么不能像买 SaaS 一样，买个 AI 产品直接用？
因为 AI 落地遇到的很多问题，不是「软件功能」问题，而是「现场约束」问题。
| 约束 | 具体表现 | 为什么通用产品解决不了 |
|---|---|---|
| 隐性知识 | 老员工知道「这个客户要特殊处理」，但没写进 SOP | 通用产品不知道你的例外规则 |
| 脏数据 | 同一个客户在三个系统里有三种写法 | 需要现场清洗、对齐、补全 |
| 权限与合规 | 数据不能出域，模型不能看某些字段 | 需要定制部署与权限设计 |
| 流程改造 | AI 改变了审批节点，但没有系统承载 | 需要改流程、改系统、改考核 |
| 组织政治 | 业务方想要，IT 怕背锅，法务怕风险 | 需要有人协调，而不是发一封邮件 |
| 责任边界 | 模型给错建议，谁负责？ | 需要设计人工复核与审计链 |
这些问题，很少有「标准答案」。它们需要有人到现场，理解约束，做取舍，然后把它变成系统。这就是 FDE 的工作。
2.4 FDE 的经济学：从卖工具到卖结果
理解 FDE 为什么重要，还要理解软件商业模式正在发生的变化。
软件从「工具」变成「工人」
过去的软件卖的是「能力」：你买一个 CRM，销售团队自己学着用。软件不直接完成任务，它只是辅助人。
AI 产品越来越像「工人」：它直接完成客服对话、合同审查、代码生成、工单分类。客户买的不是「功能」，而是「完成的任务」。
这会带来三个变化：
- 价值更容易量化：省了多少小时、处理了多少工单、降低了多少风险；
- 交付更重：要接入数据、改造流程、培训用户，否则「工人」无法上岗；
- 定价方式变化：从按席位/按年费，转向按用量、按解决、按结果分成。
为什么早期毛利会变低
服务-led 的增长，通常意味着早期毛利率更低。Insight Partners 汇总过一组毛利率变化：
| 公司 | 早期毛利率 | 后期毛利率 |
|---|---|---|
| ServiceNow | 63% | 79% |
| Workday | 54% | 76% |
| Palantir | 79% | 82% |
这不是说「做服务一定亏」，而是说：在把现场解法产品化之前，交付成本会吃掉一部分毛利。 能走通的公司，最终会把重复出现的交付动作沉淀成平台能力，把毛利拉回来。
a16z 在《Trading Margin for Moat》里讲过一个更早的例子：Salesforce 早年曾烧掉 5,200 万美元，换来 2,200 万美元收入。这个阶段的「不经济」，换的是客户关系、行业理解和产品迭代速度。
单客户经济账
FDE 模式最容易被质疑的地方，是成本。
有从业者估算，单个部署的年交付成本约 7.5 万美元起，一个满负荷的 FDE 只能服务 3-5 个客户（SaaStr 2025-08 引述，单一来源，慎用）。如果客户年费只有几万美元，这个模型很难成立。
所以，FDE 模式要跑通，通常需要满足至少一个条件：
- 客户价值足够高：一个部署能带来数十万到数百万美元的节省/收入；
- 复用性足够强：同一套能力可以服务多个客户，边际成本下降；
- 客单价足够高：客户愿意为「结果」支付溢价，而不是只为「工具」付费。
这也解释了为什么 FDE 最早出现在国防、金融、制造、法律等高价值、高复杂度行业，而不是所有行业。
2.5 反方观点：FDE 不是万能药
一个只讲优点的指南不值得读。下面是关于 FDE 的四个主要质疑，以及我们的判断。
质疑一：FDE 更像咨询，不是软件
有道理。 如果 FDE 团队只做定制项目，不把经验产品化，它确实会变成一家咨询公司。区别在于：FDE 是否拥有「产品反哺」的机制——现场发现能不能进入产品路线图，重复需求能不能变成平台功能。
质疑二：嵌入式人才太贵，规模化不了
部分有道理。 一个 FDE 的成本很高，且培养周期长。但规模化不一定靠「招更多 FDE」，也可以靠：
- 把常见部署做成模板/工具，降低单个 FDE 的交付成本；
- 用伙伴生态（咨询公司、集成商）放大交付能力；
- 用 AI 辅助 FDE（自动生成评测、文档、配置），提高人效。
质疑三：Gartner 预测 70% 企业会放弃
需要看清口径。 这个说法来自 CIO.com 2026-05-06 引述分析师 Alex Coqueiro 的个人观点，不是 Gartner 的正式预测报告。它表达的是一个合理担忧：如果 FDE 交付不能产品化、成本降不下来，企业会在试点后放弃。
质疑四：很多 FDE 项目就是高级外包
这是最需要警惕的。 判断标准很简单：项目结束后，客户团队能不能独立维护、独立扩展？现场发现有没有进入产品？如果两个答案都是「没有」，那它就是外包，只是名字更好听。
2.6 判断框架：这个场景该不该用 FDE
不是所有 AI 项目都需要 FDE。下面是一个五维评分卡，每个维度 1-5 分。
| 维度 | 1 分 | 3 分 | 5 分 |
|---|---|---|---|
| 价值密度 | 省一点时间，没人算得清 | 有明确指标，价值中等 | 直接影响收入/成本/风险，金额大 |
| 不确定性 | 需求清晰，标准产品能解 | 有一些例外，需要配置 | 需求模糊、流程复杂、没有现成方案 |
| 数据可及性 | 数据拿不到/不能出域 | 部分数据可用，需要清洗 | 数据可用，有 owner 配合 |
| 业务 owner | 只有 IT 在推 | 业务方支持，但不拍板 | 业务一把手愿意为结果负责 |
| 复用性 | 一次性需求 | 同行业可复制 | 可抽象成平台能力，跨客户复用 |
总分判断：
- 18-25 分：强候选。适合用 FDE 做深度交付，但也要设计退出与产品化路径。
- 13-17 分：有条件试点。先做 4-6 周的小试点，验证价值和数据可行性，再决定是否扩大。
- 5-12 分：不建议用 FDE。优先考虑标准产品、规则自动化、流程优化，或者直接不做。
这个评分卡不是数学公式，而是一个讨论工具。它的作用是让团队在投入前，把「为什么值得做」和「为什么可能做不成」都说清楚。
四种典型场景
| 场景类型 | 特征 | 建议 |
|---|---|---|
| 高价值 + 高不确定 + 有 owner | 金额大、没现成方案、业务方愿意投入 | FDE 深度交付，最匹配 |
| 高价值 + 低不确定 | 需求清晰、有标准产品 | 标准产品 + 实施，不一定需要 FDE |
| 低价值 + 高不确定 | 探索性强、算不清账 | 先做研究/原型，不要承诺交付 |
| 低价值 + 低不确定 | 规则明确、重复劳动 | 自动化/规则引擎，优先于 AI |
2.7 一个更诚实的结论
FDE 不是「AI 时代的万能岗位」，它是对一种特定问题的组织回答：
当问题足够重要、足够模糊、足够依赖现场，标准产品和纯咨询都不够时，你需要一个既懂工程又能对结果负责的人，深入现场把它做出来。
这也意味着，FDE 的价值不在于「会用什么模型」，而在于：
- 能不能快速判断一个问题值不值得做；
- 能不能在约束中找到最小可行路径；
- 能不能让系统真正被使用；
- 能不能把一次经验变成下一次的起点。
如果你只想学「怎么调 API」，这本指南的前几章就够了；如果你想成为 FDE，后面五章才是重点。
本章小结
- AI 落地卡在三道鸿沟：模型 ≠ 产品、产品 ≠ 生产、生产 ≠ 采用。
- 采纳率很高，但价值兑现很慢；这是 FDE 的机会，也是它的难度。
- 通用软件/API 解决不了隐性知识、脏数据、权限、流程改造和组织政治。
- FDE 的经济学要求：高价值、可复用、客单价足够高；否则容易变成昂贵的外包。
- 反方观点值得认真对待：咨询化、成本高、规模化难、可能沦为高级外包。
- 用五维评分卡判断场景：价值、不确定性、数据、owner、复用性；不是所有项目都该用 FDE。
练习
- 用五维评分卡评估 3 个场景：你公司的、你朋友的、新闻里的各一个。每个维度打分，写下判断。
- 找一组反例：找一个「用规则/流程优化就解决了，根本不需要 AI」的案例，说明为什么。
- 算一笔账：假设一个 FDE 年成本 100 万元，只能服务 4 个客户，每个客户年费至少要是多少才能覆盖成本？再考虑毛利、售前、管理等费用。
- 写一段反方观点：如果你要说服老板「这个项目不该用 FDE」，你会怎么说？要求用数据，不用情绪。