第 2 章　为什么是现在，为什么可能是你

2.1 当模型不再是最大的瓶颈

过去做人工智能项目，首先要问的是模型能不能完成任务。识别是否准确，训练数据是否足够，推理成本是否能够接受，往往决定项目能否启动。

大模型改变了这个起点。写作、总结、分类、检索、代码生成和多轮对话等能力，已经可以通过通用模型快速获得。做出一个令人眼前一亮的演示，也变得前所未有地容易。

但演示能力越强，越容易掩盖另一件事：模型能回答，不代表系统能工作；系统能工作，也不代表组织会使用。

企业真正需要的不是一个孤立的聊天窗口，而是让 AI 进入采购、客服、研发、销售、生产或财务流程。它必须知道从哪里取得数据，以什么身份访问，何时调用工具，什么情况必须拒绝，出错后怎样恢复，最后由谁承担责任。

因此，企业 AI 的主要矛盾正在变化。稀缺的不再只是“把模型做得更强”，而是把模型能力转化为稳定业务结果的人。

FDE 正是在这个变化中受到关注。

2.2 企业 AI 项目为什么容易卡住

很多项目并不是死在某一个严重错误上，而是在几个断点中慢慢失去价值。

数据断点

企业数据很少像演示样本那样整齐。它可能分散在不同系统中，名称不统一，版本互相冲突，关键字段长期缺失。更重要的是，数据往往带有权限：同一个问题，不同部门、职级和客户只能看到不同答案。

模型可以阅读文档，却不知道哪一份仍然有效；可以生成结论，却未必有权访问支撑结论的数据。

流程断点

一个独立的 AI 页面即使很好用，也可能因为增加操作步骤而被放弃。真正的落地常常意味着嵌入现有入口，在恰当节点读取信息、生成建议、等待确认并把结果写回原系统。

企业需要的通常不是“多一个 AI 工具”，而是“少一次查找、少一次复制、少一次等待”。

权限与责任断点

当 AI 只能生成草稿时，风险相对有限；当它可以查询客户资料、修改订单、发送邮件或控制设备时，问题完全不同。谁可以调用？操作是否留痕？错误能否撤回？哪些决定必须由人确认？

如果这些问题没有答案，项目要么无法进入生产，要么以不可接受的风险上线。

采用断点

管理层批准使用，不等于一线人员愿意使用。用户可能不相信结果，担心增加工作量，也可能认为系统威胁自己的岗位。如果项目只培训功能、不改变流程、不处理失败反馈，使用量通常会在新鲜感消失后下降。

评测断点

“大家觉得效果不错”无法支持生产决策。企业需要知道哪些任务表现稳定，哪些问题容易失败，换模型或更新知识后是否退化。没有评测集，就无法区分真实进步与偶然表现。

价值证明断点

准确率提高了，不等于成本下降或收入增长。项目必须把技术指标连接到业务指标：节省了多少处理时间，减少了多少返工，提高了多少转化，或者降低了什么风险。

FDE 的价值不是单独解决其中一个断点，而是让这些断点形成闭环。

2.3 中国企业里的特殊现实

FDE 最早受到关注的市场环境，不能原样复制到中国。国内企业有自己的技术基础、管理方式和采购规则。

第一，许多企业拥有大量存量系统。ERP、CRM、OA、工单平台和自研系统可能来自不同年代，接口质量参差不齐。AI 项目不是在空地上建新房，而是在不停业的老城区里改造。

第二，数据安全、个人信息保护和行业监管会直接影响方案。金融、医疗、政务和大型集团经常要求私有化部署、专有网络、分级权限和完整审计。模型效果只是选型条件之一，数据能否离开指定环境同样重要。

第三，信创适配可能涉及芯片、操作系统、数据库、中间件和模型服务。方案不能只在开发者自己的电脑上运行，还要进入客户允许的技术栈。

第四，采购者、使用者和验收者往往不是同一群人。业务部门想快速见效，IT 部门关心架构和维护，安全部门强调风险，采购部门遵循流程，管理层期待可见成果。任何一方缺席，都可能让项目停在半路。

第五，不同企业的决策速度差异很大。中小企业可能由老板当天拍板，但预算和数据基础有限；大型企业资源更多，却需要经过多部门评审、测试、采购和验收。

这些约束不会因为模型升级而自动消失。它们需要有人在现场做判断、协商和工程实现，这也是国内 FDE 不能只懂模型的原因。

2.4 FDE 既是岗位，也是一种工作方式

并不是所有公司都会设立名为 FDE 的岗位。有些企业会使用“AI 解决方案工程师”“智能体交付工程师”“行业应用工程师”等名称；也有一些团队不会新增职位，而是让现有人员采用 FDE 式工作方式。

所谓 FDE 式工作方式，是把责任从“完成我负责的环节”向“确保结果真正发生”推进一步：

• 产品经理不只写需求，也验证数据和技术边界；
• 工程师不只接收任务，也进入现场理解为什么做；
• 测试人员不只验证功能，也建立贴近业务的评测体系；
• 运维人员不只保障在线，也关注系统是否被真实使用；
• 实施和售前不只交付方案，也推动共性需求沉淀为产品。

一个人不必等到职位名称改变，才开始积累 FDE 能力。真正可迁移的，是端到端拿结果的经历。

2.5 热门岗位的冷思考

FDE 听起来像一条兼具技术与商业价值的新道路，但它并不轻松。

项目早期的信息通常不完整。客户可能自己也说不清需求，时间和预算却已经确定。你要在不确定中做判断，并且愿意在新证据出现后承认原方案不对。

工作也可能包含频繁出差、阶段性驻场和上线支持。客户现场不会按照研发团队理想的节奏运转，会议、权限申请、跨部门沟通和突发问题都会占用时间。

FDE 还经常站在矛盾中央：销售希望尽快承诺，研发希望保持产品边界，客户希望满足个性需求，安全团队希望降低风险。这个角色需要的不只是表达能力，还有在压力下说清事实、暴露风险和做出取舍的勇气。

最后，结果责任会带来心理压力。传统分工中，一个人可以说“我的代码已经完成”；FDE 还要面对用户为什么不用、指标为什么没改善。成就感更直接，挫败感也同样直接。

2.6 为什么可能是你

传统 IT 从业者并非站在新职业的门外。恰恰相反，FDE 需要的很多能力，都来自长期项目经验。

你可能见过需求怎样失真，知道生产环境为什么不能随便改，经历过数据不一致、接口不可靠、用户抵触、跨部门扯皮和上线后的紧急故障。这些看似“不够先进”的经验，正是企业 AI 从演示走向生产时最缺少的现实感。

适合向 FDE 发展的人，通常具有几种倾向：愿意面对模糊问题；既能和业务沟通，也愿意进入技术细节；关注用户是否真正采用；能够在范围、速度、质量和风险之间做取舍；做完项目后愿意总结可复用的方法。

暂时不适合的人也很明确：只愿意在边界清楚后接收任务；强烈排斥客户沟通和现场变化；只对技术新颖性感兴趣，不愿理解业务指标；希望对结果负责，却不愿承担必要的协调和取舍。

这并不是能力高低，而是工作偏好不同。FDE 不是所有 IT 从业者的必然归宿，只是 AI 时代新出现的一种组合方式。

本章小结

FDE 在今天受到重视，是因为企业 AI 的瓶颈已经从单纯的模型能力，转向数据、流程、权限、采用、评测和价值证明。中国企业的存量系统、合规要求、采购机制和组织结构，又让这段“最后一公里”更加复杂。

对于传统 IT 从业者，这既是挑战，也是机会。过去积累的工程常识、项目经验和行业理解并没有过时，只需要被重新组合。下一章将具体讨论，不同岗位应该保留什么，又需要补上什么。