大模型只是入场券。
过去两年，几乎所有企业都在谈 AI。
但真正到了企业现场，你会发现：模型往往不是最难的。
真正难的是：
你能不能找到一个值得解决的问题，并把 AI 真正塞进业务流程里。
我们梳理了 23 个企业 AI 落地案例，覆盖制造、政务、法律、城市规划、零售、消防、电信、建筑、跨境电商等十几个行业。
最后发现一个非常有意思的事实：
AI 项目最后拼的，越来越不像「软件开发能力」，而更像 FDE 能力。
01
PART
企业真正需要的，从来不是一个 AI Demo
NOT A DEMO
很多企业找到 AI 公司时，开口往往是：
“我们想做一个 AI。”
但这句话几乎没有任何意义。真正的问题通常藏在后面。
一家制造企业真正想解决的是：老师傅要退休了，几十年的经验怎么办？
一家车管所真正想解决的是：业务量越来越大，但审核人员不可能无限增加。
一家律所真正想解决的是：一个律师需要在几天内读完几十份甚至上百份材料。
一家零售企业真正想解决的是：每天大量对账，人工一笔一笔核对，时间和人力都耗在重复劳动上。
一家国企真正想解决的是：两个法务要面对十几个业务线，编制又不可能无限增加。
这些问题最后都可能用到 AI。但注意：AI 不是问题本身。
AI 只是解决问题的工具。
这可能是企业 AI 落地和 AI Demo 之间，最重要的一条分界线。
02
PART
23 个真实案例，AI 到底落在哪里？
23 CASES
把这 23 个案例里实际落地的场景放在一起，你会发现，AI 真正做的事情其实非常朴素。
| 场景 | AI 真正做了什么 | 结果 |
|---|---|---|
| 制造业新人培训 | 把老师傅隐性经验变成知识库和培训流程 | 个人经验变成组织能力 |
| 车管所审核 | 图像识别 + 大模型 + RPA | 15 分钟 → 3–5 分钟 |
| 律师案件处理 | 材料理解、事实梳理、证据关系分析 | 2–3 天 → 一个晚上 |
| 城市规划 | AI 调度 GIS 等专业工具 | 3–5 天 → 10–20 分钟 |
| 达人建联 | 筛选、匹配、脚本、提醒自动化 | 履约周期约 30 天 → 18 天 |
| 企业研发 | Spec + AI 协作 | 写代码时间减少约 1/3 |
| 工业物料 | 数据清洗 + 语义检索 | 减少重复采购 |
| 财务流程 | AI 判断 + RPA 执行 | 半个月至 1 个月 → 1–2 天 |
| 零售对账 | OCR + 自动核对 | 1–2 个人天 → 几小时 |
| 外贸资料 | 文件关系梳理 + 企业内部能力部署 | 找产品 1–2 天 → 约 10 分钟 |
| 消防维保 | 先数字化，再寻找 AI 切入点 | 避免约 10 万元无效采购 |
| 电信数据分析 | Agent 变成可重复运行的业务系统 | 天级 → 分钟/小时级 |
| 非标制造报价 | 图纸结构化 + 物料/报价规则匹配 | 工作量减少 50% 以上 |
| 生物科技销售 | CRM + 数仓 + AI 分析/陪练 | 培训约 2 个月 → 3 周 |
| 建筑消防图纸 | 规则引擎 + 自动生成 + 人工审核 | 数天 → 约 30 分钟初稿 |
| 跨境库存 | 图片识别 + 补货计算 + 库存联动 | 4–5 小时 → 1 小时内 |
你会发现：
真正进入企业生产系统的 AI，大部分并不性感。
它们在做：看、读、找、算、匹配、填、搬、提醒。
而且很多时候，AI 甚至不是主角。真正重要的是：
AI 有没有进入那条业务链。
03
PART
FDE 最重要的能力，不是「会用 AI」
CORE SKILL
如果把这些案例重新拆一遍，会发现一个非常有意思的规律。企业 AI 落地真正困难的部分，往往是：
人 → 组织 → 数据 → 技术
而不是反过来。为什么？因为模型现在已经足够强。真正困难的是：
你能不能让业务部门把数据给你？
“数据都在系统里。”这句话听起来很好。真正进去之后你会发现：ERP 有一套字段，Excel 有一套字段，业务员脑子里又有一套规则。不同部门之间，甚至连同一个指标的定义都不一样。
你能不能把「业务需求」翻译成真正的问题？
客户说：“ERP 不好用。”这不是需求。继续往下问：
为什么不好用？
↓
搜索困难
↓
员工重复录入
↓
数据污染
↓
错误采购
↓
库存积压
↓
报废
↓
最终造成财务损失
这时候，问题才真正出现。
FDE 最重要的能力之一，就是不断追问：
“为什么？”
直到把一个模糊的抱怨，变成一个可以计算 ROI 的业务问题。
你能不能把 AI 嵌进原来的流程？
这是很多 AI 项目最容易失败的地方。如果你做了一个 AI 页面：员工打开系统 A → 复制数据 → 粘贴到 AI → 拿到结果 → 再复制 → 再打开系统 B → 再粘贴。
那么你只是：
多做了一个工具。
而不是改变了工作方式。真正的 FDE 会继续往下走：
识别 → 判断 → 计算 → 执行 → 回写 → 异常处理
最终让整个链路自动跑起来。
04
PART
FDE 真正卖的不是软件，而是「结果」
DELIVER OUTCOMES
这是我觉得这批案例里，最值得 FDE 关注的一点。
传统 SaaS 卖的是：一个产品。
传统外包卖的是：一批人。
而 FDE 越来越像是在卖：一个业务结果。
比如：
客户不是要 一个 OCR 系统。他要的是：每天对账时间从两个工作日变成几个小时。
客户不是要 一个知识库。他要的是：老师傅退休以后，新人依然可以获得过去几十年的经验。
客户不是要 一个 Agent。他要的是：以前需要 3 天完成的分析，现在 20 分钟完成。
所以 FDE 和传统软件销售之间，真正的区别可能不是：
“一个写代码，一个不写代码。”
而是：
软件公司交付产品，FDE 交付业务闭环
05
PART
为什么 FDE 一定要进入现场？
ON SITE
因为很多东西，坐在办公室里根本看不到。
有一个案例非常典型。项目第一天，技术人员甚至没有在写代码。而是在：
当网络工程师。
现场有 4 台路由器、2 台光猫、1 台交换机，网络连接非常混乱。
这件事情听起来和 AI 毫无关系。但这就是企业 AI 的真实世界。
现实里的企业，不会像 Demo 一样：
DEMO
干净的数据 + 标准 API + 稳定网络 + 清晰需求
= Agent
真实世界往往是：
REALITY
Excel
+ ERP
+ 微信群
+ 纸质文件
+ 老人经验
+ 历史遗留系统
+ 没人说得清的规则
+ 一堆异常情况
这才是 FDE 真正工作的地方。
06
PART
FDE 的第一步，往往是「先别做 AI」
NO AI FIRST
这可能是 FDE 和普通 AI 开发最大的区别。真正成熟的 FDE，进入企业之后第一件事情不是：
“我们用哪个模型？”
而是：
“你们现在到底怎么干活？”
跟着员工走一遍完整工作日。看他：
一天打开多少系统
重复录入多少次
哪一步最耗时间
哪些问题需要问别人
哪些事情每天都重复
哪些事情最容易出错
哪些数据根本没有结构
哪些判断其实只掌握在某一个人手里
很多时候，你甚至会发现：客户自己都不知道真正的问题在哪里。
07
PART
然后，把问题缩小到足够小
SHRINK THE SCOPE
这是很多 FDE 项目非常重要的一步。不要一上来：
“帮助整个企业 AI 化。”
这种项目大概率会失控。真正的做法往往是：
一个城市
↓
一个区域
↓
一个部门
↓
一条业务流
↓
一个具体问题
为什么？因为：
场景越小，数据越容易干净。
数据越干净，结果越容易准确。
结果越准确，业务人员越容易相信。
业务人员开始相信，项目才有可能继续。
所以 FDE 不是把项目做大。而是：
先把一个足够小的问题做穿
08
PART
真正困难的 20%，发生在上线以后
AFTER LAUNCH
很多 AI 公司的 Demo 都非常漂亮。但 Demo 不是落地。真正的落地发生在：员工开始使用之后。
因为这时候你会发现：
员工觉得不好用
业务负责人发现规则不对
老师傅不愿意使用
新人看不懂
数据出现异常
原来的人工流程里有一些「默认放宽」的规则
AI 严格执行之后，反而影响了业务
这些事情，模型解决不了。
你需要重新和业务负责人讨论：
到底应该按照什么规则？
这时候 FDE 已经不再只是工程师。他开始同时承担：
产品经理 + 工程师 + 数据分析师 + 业务顾问 + 项目经理
09
PART
真正厉害的 FDE，会让客户最后不再需要你
MAKE YOURSELF UNNECESSARY
这是整个 FDE 模式最有意思的地方。一个项目真正结束的时候，不应该只是：
“系统上线了。”
而应该是：
客户自己开始产生第二个、第三个 AI 需求。
有企业开始自己把 识别 → 计算 → 处理 → 输出 沉淀成可复用 Skill；有行政人员自己做了办公用品补货机器人；有企业直接拿出 20 个编制，组建自己的 AI 团队；也有设计人员从一线出发，推动整个企业重新设计原来的工作流。
这时候你交付的已经不再是一个系统。而是：
一种新的工作方式
10
PART
所以，FDE 到底是什么？
WHAT IS FDE
如果一定要给 FDE 下一个简单的定义，我会说：
FDE 不是「更懂业务的程序员」，也不是「会写代码的咨询顾问」。
FDE 真正解决的是：
把 AI 能力变成企业真实生产力
他需要同时理解：
业务
↓
数据
↓
产品
↓
模型
↓
工程
↓
组织
↓
最终结果
这也是为什么 FDE 的能力模型看起来越来越奇怪：
你既需要懂代码，又需要懂产品；
既需要懂 AI，又需要懂业务；
既要能和老板聊 ROI，又要能半夜跑到现场排查网络；
既要能写 Agent，又要能和一个用了 20 年 ERP 的业务人员坐下来聊天。
11
PART
未来真正稀缺的，可能不是「最会用模型的人」
SCARCE SKILLS
模型会越来越强。今天需要自己写 Prompt，明天可能只需要描述目标；今天需要自己搭 Agent，明天模型可能直接完成大部分编排。
所以，单纯的：
“我会调用 GPT / Claude / 各种模型。”
不会长期构成很高的壁垒。真正越来越值钱的能力可能是：
找到真正值得解决的问题
把模糊需求变成业务流程
理解企业的数据和系统
把 AI 嵌入原有工作流
算清楚投入产出
推动组织真正使用
把一次性交付变成可复用能力
这也是为什么：
AI 时代，最重要的工程能力可能不再只是「写代码」，而是「把事情做成」。
///
LAST
模型是入场券，落地能力才是护城河
THE MOAT
23 个案例看下来，最让我意外的不是 AI 已经能做多少事情。而是：
这些项目真正改变的，几乎从来不是一个模型。
它们改变的是：
谁在工作。
人在做什么。
数据怎么流动。
决策在哪里发生。
企业如何组织工作。
所以，判断一个 AI 项目到底有没有成功，不妨不要先看 Demo 有多炫。看三个问题：
客户会不会自己找来第二个需求？
员工会不会真的使用？
业务行为有没有真正发生改变？
如果答案都是“是”，那么 AI 才真正进入了企业。
而这，可能就是 FDE 存在的意义：
不是把 AI 卖给企业，而是和企业一起，把 AI 变成生产力
本文基于 23 个企业 AI 落地案例访谈整理，已隐去全部受访者与企业信息。案例数据均来自访谈方自述，未经独立审计。
