01 从模型红利到落地红利
章节目标
理解 FDE 为什么出现：企业 AI 的主要瓶颈正在从模型能力转向业务部署、流程改造、系统集成、评估治理和用户采用。
为什么重要
过去几年，企业关注大模型能力、Prompt、Copilot 和 Agent Demo。到了生产阶段，问题变成：
- 模型如何进入真实业务流程。
- 数据、权限、工具和系统如何连接。
- 输出如何被用户信任和采纳。
- 失败如何被评估、追踪和回滚。
- 项目如何产生可衡量 ROI。
大模型不缺演示能力，企业缺的是把模型能力落进现场的人。
核心概念
模型红利
模型能力快速提升，企业可以用较低成本做出问答、总结、抽取、生成和工具调用 Demo。
落地红利
真正的竞争转向谁能把 AI 接入流程、系统、权限、数据和运营机制，并持续产生业务效果。
部署层
部署层连接模型和企业现场，包含场景发现、技术定界、集成、评估、上线、培训和持续运营。
Demo → Delivery 鸿沟
| 阶段 | 关注点 | 典型风险 |
|---|---|---|
| Demo | 模型能力、交互效果、概念可行 | 人工备料、理想数据、无权限约束 |
| Delivery | 真实数据、权限、用户、失败样本 | 集成、评估、运营、组织责任缺失 |
FDE 的核心价值是把 Demo 推进为可交付能力。
API 经济 → 部署经济
- API 经济解决“能力可调用”。
- 部署经济解决“能力可用、可控、可运营”。
企业不会只为 token 付费，而会为可交付结果、节省人力和降低风险付费。部署复杂性——而非模型复杂性——决定 FDE 的岗位价值。
Pilot 失败六因
企业 AI Pilot 常在 Demo 之后停滞，常见原因：
- 需求不清：没有明确目标和验收指标。
- 数据不通：数据分散在文档、系统、IM 和人工经验中。
- 权限不清：谁能看、谁能执行、谁担责未定义。
- 评估缺失：无 Golden Dataset、回归测试和失败样本管理。
- 集成困难：无法连接核心系统和日常工作流。
- 运营断层：Demo 后无人维护 Prompt、知识库、工具和用户反馈。
开篇案例：那个“看起来已经成功”的 Demo
一家制造企业用两周做出了一个设备维修知识问答 Demo。演示时，系统可以根据故障描述返回 SOP 段落，管理层觉得效果不错，IT 也认为“模型能力已经够用”。但进入试点后，现场工程师很快停用：不同厂区 SOP 版本不一致，夜班人员没有权限查看某些维修记录，系统引用的旧文档已经过期，真正的维修决策还要查备件库存和设备停机计划。
这个案例说明，AI 项目从 Demo 到 Delivery 的差距，不是“再调一个 Prompt”就能解决。Demo 证明模型能回答，Delivery 要证明系统能在真实权限、真实数据、真实责任和真实异常中被采用。
FDE 的切入点就在这里：把“模型能做什么”翻译成“业务现场愿意怎么用、谁负责确认、出了错怎么回滚、怎样算有效”。
FDE 工作方法
FDE 需要把一个 AI 项目拆成六个问题：
- 哪个业务流程值得改。
- 哪些数据和工具可用。
- 哪些动作必须人审。
- 如何设计最小可验证链路。
- 如何证明效果。
- 如何上线后持续运营。
本讲行动框架
你可以用下面这张表判断一个 AI 想法是否已经进入“落地红利”阶段：
| 问题 | Demo 型回答 | Delivery 型回答 |
|---|---|---|
| 场景 | “做一个助手” | “帮售后坐席处理政策类追问” |
| 数据 | “上传知识库” | “FAQ、SOP、订单状态按角色过滤” |
| 输出 | “回答问题” | “生成草稿，坐席确认后发送” |
| 评估 | “看起来不错” | “分类准确率、引用准确率、采纳率” |
| 风险 | “模型会尽量正确” | “赔付、投诉、敏感客户必须转人工” |
| 运营 | “上线后再看” | “每周复盘失败样本和知识库版本” |
读完本讲，你至少要能把任意一个“AI 想法”改写成一条可验证的业务任务。
实操任务
选择一个你熟悉的企业流程，回答：
- 这个流程现在由谁完成？
- 最耗时或最容易错的步骤是什么？
- AI 最可能介入哪个环节？
- 如果输出错了，谁负责确认？
- 如何判断它值得上线？
交付物
- 一句话业务场景。
- 当前流程简述。
- 3 个落地障碍。
- 3 个可验证指标。
常见误区
- 把“能回答”误认为“能上线”。
- 只关注模型效果，不关注用户是否采用。
- 忽略权限、审计、异常和回滚。
- 先做复杂 Agent，再找业务问题。
检查清单
- 是否能解释模型能力和生产系统的差距？
- 是否能指出项目失败的非模型原因？
- 是否能用业务指标描述 AI 价值？
- 是否知道 FDE 为什么会成为企业 AI 部署层角色？