摘要

阿里瓴羊CEO朋新宇对“FDE是不是驻场运维换皮”的正面回应：本质区别在于“原来是交付功能，变成交付一个业务效果”。 他直言“换一个名字就能够工资升级，这个不符合企业逻辑”，OpenAI旧金山FDE中级岗基础工资16万到28万美元；传统解决方案工程师大概比这个职位高出60%。溢价对价的是稀缺的三重能力——AI的锐度、行业的深度、数据的宽度，且结果可度量、可验证。
泓君给出的宏观背景：AI战场正从C端回到B端，“客户每花一美元买软件，就要再花六美元把它用起来”，这六美元正被重新分配。 OpenAI成立专门部署公司，Anthropic拉着黑石与高盛做了15亿美元规模的合资公司，微软新设Microsoft Frontier Company（25亿美元、6000名工程师），并称要超越所谓FDE概念本身，亚马逊投入数十亿美元打造类似组织。朋新宇也表示，他观察到“整个AI战场正在从C端回到B端”。
一个“催发货”场景背后是260多步内部流程，这是企业级AI真正的难度所在。 三类催发货（漏发、缺配件、赠品未到）要跨内外多个系统与多平台电商，260多步能覆盖95%以上情况；瓴羊的客服Agent上线开始就比传统机器人效果好，复盘时表现“逼近，甚至超出了人类最佳状态的平均水平”。选场景的原则是三个“最”：哪里耗人最多、耗钱最多、耗时最多。有的企业客服成本可能占销售金额2%到3%，有的是3%到5%；AI必须在同样成本下做到原有同样效果之上的业务结果才算work。
AI实施的正确类比不是交付一套系统，而是“新雇一个员工”——默认自带五到十年工作技能，企业只需给权限、目标和裁量权。 产品形态是“4+X”：营销、销售、客服、运营四个预设Agent，加上X（企业数据资产与上下文治理）；商业模式两类——按坐席（可能以相当于人力成本八折或九折的投入替代）或按超出人工转化率部分的效果分成，且按效果付费“肯定有、而且是连续续费、持续服务中的客户”。
与Palantir式定制路线相反，瓴羊押注“用标准化的方式去解决个性化的问题”，明确认为人天定制的边际效益较低。 最佳投手三个月做了超一万次出价调整，一般投手按100天计算可能只有一百多次；有的投手每天操作1次，另一个平均每天操作100次——把标杆员工行为数据化建模，再靠哈里斯工程自主学习和进化；而客户开口要“一千个人天”的定制开发，“从养鸡场到养鸡、下蛋，再到炒蛋，所有事情都做完”，对双方边际效益都很低。
落地的最大瓶颈是生产关系而非技术：自上而下的项目跑得通，自下而上可能卡在IT预算与业务预算的部门墙。 成功案例里制造业董事长一年内亲自讲AI培训课超过15场；一个最落后的销售省份试点后在今年上半年成为全公司最先进的销售区域。员工分化呈“K线进化”：懂AI又懂业务的内部FDE价值上行，对抗者下行——“你可以对抗一个工具或者对抗一个项目，但是你对抗不了这个趋势”。
Token账单与模型选择被刻意从客户视角中移除：瓴羊自己一个AI项目在第1季度结束时收入可能是300万元、投入1200万元，慢慢到这个季度结束时基本打平，“能不能算得过来账”才是标准。私有化部署参数规模2TB多的大尺寸模型，初始投入没有几千万元可能做不下来；现在“积木”已经强到没有人再提后训练。Agent调用大模型时，大模型并不会吸收这些数据；可能采集数据的是编程、web coding这样的Agent，像ChatGPT这样的C端产品也可采集相关数据用于优化产品，用户可以关闭“用于数据训练”的设置。模型升级必须经人工验证确认，不自动切换——企业要的是“稳定的工作输出”。
今年企业一号位的态度变化非常大：从“怎么用、能不能用”直接跳到“什么时候能帮我用上”，拐点在春节之后“龙虾”兴起、后面的哈里斯工程以及现在路普等趋势。关注点从模型参数、跑分转移到AI能不能执行任务。朋新宇的判断是：“企业家是最聪明、最敏锐的一批人。”中国没有独立SaaS公司，但电商平台承载了SaaS能力，这是中国式FDE“站在巨人肩膀上”的地基，也是与美国Salesforce、SAP路径最大的结构差异。

精读

1. 六美元的生意被重新分配：巨头集体冲进B端

泓君开场的框架：企业软件市场有一个老规律，是“客户每花一美元买软件，就要再花六美元把它用起来”，AI时代这六美元正在被重新分配——“AI是不是泡沫，答案不在聊天框里，而是在企业的账本上”。
她列举的证据链：OpenAI成立专门部署公司；Anthropic与黑石、高盛做了15亿美元规模的合资公司；微软新设Microsoft Frontier Company，背后是25亿美元投资和6000名工程师，并称要超越所谓FDE概念本身；亚马逊也投入数十亿美元打造类似组织。朋新宇则表示，他观察到“整个AI战场正在从C端回到B端”。
嘉宾定位：朋新宇是阿里巴巴集团副总裁、瓴羊CEO、阿里数据中台方法论创立者，带团队做这件事已五年， “比FDE这个词流行的时间还要早”；瓴羊一句话定义是“企业级增长Agent”。

2. FDE的溢价对价：AI锐度、行业深度、数据宽度

针对OpenAI FDE中级岗16万到28万美元、传统解决方案工程师大概比该职位高约60%的薪酬，朋新宇拒绝名词游戏：“换一个名字就能够工资升级，这个不符合企业逻辑，不符合市场逻辑”——本质是这类人才稀缺，“用溢价空间换发展的时间”。
与传统运维的分界：运维只保证系统健康运转，FDE要判断“今天的运行是不是按照我的业务目标在往好的地方走，还是变差”，并去调技能、数据语料、上下文和memory——这些工作在传统交付中并不存在，或者说传统交付不会遇到。
他将所需能力概括为三点：AI的锐度、行业的深度、数据的宽度。成熟企业要么拥有兼顾这几个领域的人，要么像大型客户一样，借助外部团队持续运营陪跑。

3. 从交付功能到交付业务效果：中国式FDE的三条纲领

针对听众“这不就是驻场开发”的质疑，朋新宇的一句话答案是：“本质的变化是原来交付功能，变成交付一个业务效果”，且结果可验证——成本削减、效率提升或新业务拓展。
三条纲领：以业务结果为导向（问题必须有业务目标、数字和历史记录，能构建测评集和指标体系）；以企业数据为基座（既保护隐私又发挥大模型智能上限）；以岗位标杆为预设（首席客服、最佳投手、最佳销冠Agent，“起步可能就是一个工作了5年、10年的投手或客服”）。最终目标用老词说就是CSM客户成功，让业务“better and better”。
To C与To B的分野：C端要“新奇特”，用过一两周就可能变得稀松平常；企业侧是“多快好省”，且必须有参照系。个人用AI可能是在寻找上限、突破边界，企业很多时候则是要约束边界。

4. 催发货260多步：客服的核心不是态度，是解决问题

全集最硬的案例：3C数码客户的“催发货”分三类——买两台空调只发一台、漏发配件、承诺赠送的电饭煲没到。这个售后环节约260多步，要穿透内外部系统和京东、天猫等多个平台，覆盖95%以上情况，只有5%左右会出现新的问题。
效果数据：客服Agent“从上线开始，效果就比传统机器人好”，复盘时表现“逼近，甚至超出了人类最佳状态的平均水平”。泓君的顿悟值得保留：传统理解客服是语言沟通的态度问题，这个例子说明“客服最重要的是解决问题的能力”，背后是整套业务流程与数据的打通。
选场景的方法论贯穿全集：哪里耗人最多（打电话、接投诉）、耗钱最多（赔款止损、营销投放、素材试验）、耗时最多（查单以小时或天为单位，超过1个小时客户可能就要退款）。有的企业销售金额的2%到3%可能对应客服成本，有的是3%到5%；AI必须在同样成本之下做到原来同样效果之上的业务结果，才算work。

5. AI实施=新雇一个员工，不是买一套系统

核心类比：“AI的实施如果类比交付一套系统，其实还不够准确，它更像是我们新雇一个员工”——默认自带技能，相当于市场上五到十年经验的员工，“你只要给他权限、目标和裁量权，他就可以去工作了”。这与买一套工具有本质差异。
前提是数据地基：雇来的员工再强，“企业的基础信息和知识库都是混乱的，那这个人进去也会傻眼”——所以FDE的关键工作是梳理治理企业数据，做到data for agent。瓴羊过去四五年帮几百家、上千家中大型客户部署过数据平台，基于这个平台发展业务比较方便。

6. 最佳投手三个月一万次出价：把标杆员工行为建模

案例本身：一家多平台投流的企业，投手之间差异很大——分析三个月投放行为发现，最好的投手做了超过1万次出价调整；做得一般的投手按100天计算可能只有100多次，有的每天操作1次，另一个投手平均每天操作100次。“这个差异靠老师傅带新徒弟，很难学会”，这正是哈里斯工程进行自我学习和进化的用武之地。
这里的操作在物理上仍然都是人做的，只是投手可能借助了一些工具；AI学习的是这些行为。工作被拆成四个元素：学习（数据采集）、建模、执行、迭代——“把过往三个月所有行为做数字化的度量和学习，AI一定比人对你的行为总结、提炼和发现更加全面和深刻”。
环境通用、每家细节不通用，Agent One覆盖的是从数据采集、模型建模到工作技能梳理、任务执行和进化迭代的链路。几大电商平台已把素材、价格、系统和数据标准化，占到企业培养投手所需的数据准备和系统学习能力的80%，是FDE“站在巨人肩膀上工作的基础”。
一个中国特色的结构判断是：“中国没有一个独立的SaaS公司，而是中国的平台企业承载了SaaS公司的能力。”

7. 人人都用AI后，优势会被抹平吗？

泓君的追问：AI投得比人好，所有人都用工具时，差异会不会被抹平？朋新宇用生产三要素作答：现在大家都在提升生产资料的能力，让个人生产力边界变大；未来还会通过AI制造新的生产力。但“时间先后，不可能永远有绝对的竞争优势，一定会有一个时间窗口”。
窗口期内谁能更好地拥有和运行数字员工，谁就可能领先；能让这种领先持续一点的，还是企业自己的核心生产资料——数字化。“原来建数据平台给内部看数用，今天数据系统是给AI用，你建得好不好，在这里就会产生差异。”
“好”的度量最终落到具体业务效果：能不能产生正的经济效益。过去数据平台交付完系统就结束，今天Agent交付后才刚刚开始，企业要让数字员工真正上岗工作，最终用业务结果来买单。

8. 自上而下跑得通，自下而上卡在生产关系

反例：某客户业务部门想做Agent但没有预算，IT团队有预算，但“IT要的先进性不一定是业务要的效果；业务要的效果，也不一定是今天最先进的技术”。通过业务方案设计，同时满足IT的先进性和业务的实际效果，是解决办法。
正例：传统制造业董事长明确“今天必须拥抱AI、用好AI”，从一个销售区域自上而下切入，财务、IT、销售线全动起来后，Agent快速复制到全国。
思想转型是最难的：一位董事长一年在企业内部给全员和管理干部培训，自己学习AI、讲AI的场次超过15场，“我先学会，再给员工讲，员工才能理解我的思想、用好这些系统”。
企业侧同样会形成“K线进化”：IT团队只要往业务侧走一点，就可能成为内部FDE，找到耗钱、耗时、耗人最多的场景；另一类人则会往下走——“你今天可以和一个工具、一个项目对抗，但对抗不了趋势”。
客服、销售岗也有向上走的路径：不再亲自接线或处理投诉，而是做客服AI Agent的负责人，处理异常、复盘、派发任务、让Agent学习新技能——“不是处理100个更刁难的问题，而是想办法让跟着自己的10个Agent，覆盖原来超出自己工作量和能力范围的工作”。

9. 商业模式：按坐席或按效果分成，“对赌”改叫测评

两大类收费：一是按坐席——原来需要500个人接管一年的客服服务，今天可能以相当于500个人价格的八折或九折投入，做到原来一样的效果；二是按效果——例如转化率超过原来人工转化率的部分做分成。按效果付费“肯定有，而且是连续续费、持续服务中的客户”。
定价哲学里最诚实的一句是：“所有做生意的人都比我聪明，他能算得过来这笔账，才能续费和继续服务。”不要包装概念赚溢价。
PUC如今可能叫MVP：不需要做太多概念论证，数字员工上来就能体验、就能使用，基于客户自己的业务单元和数据单元做最小可行的价值验证。客户验收通过，就继续使用。
有些企业愿意做尝试，甚至采用对赌方式；“我们不叫赌，还是叫测评”，看Agent能把业务拉到什么水位线。

10. 反Palantir路线：用标准化解决个性化，拒绝人天生意

技术模式有三个词：定制化、标准化、个性化。过去是“用定制化的方式，去满足企业标准化的流程”，流程理解不到位就只能解决30%的问题，之后每天出现60%到70%的新增问题，最终变成“又长又久的系统交付工程”。
今天的哈里斯工程能够把企业原来的工作流、数据流和上下文标准化，同时凭借自主进化面对不同客户实现个性化——“AI领域未来可能更多是用标准化的方式，解决个性化问题”。
泓君点出对照：她记得Palantir大概46%到47%的营收来自商业客户，派工程师进企业从零到一改造；她理解OpenAI、微软也可能在走企业纯定制化的思路。朋新宇的辨析是，Palantir的前提是帮助客户找出有价值的问题，而不是帮客户实现一份列出来的、包含100个功能的需求清单。
对“买一千个人天”的需求，朋新宇明确认为这种定制会越来越少：“从养鸡场到养鸡、下蛋，再到炒蛋，所有事情都做完”，对客户和服务方的边际效益都很低。瓴羊聚焦销售、客服、营销三类增长问题，一个赛道一个赛道打通，“不是每个企业都能服务，而是找到企业内部有这样问题的场景”。

11. 销售Agent案例：最落后的省变成销冠

制造业线下渠道销售的三重痛点：路线规划（手上二三十个客户，一天只能拜访两三家）、见面方案（应该介绍什么方案、交流什么话题，以及这些话题与企业内部任务、目标的关系）、事后录入（客户提出预设外的任务后，还要把动作录入企业系统）。销售每天可能一半时间在准备资料，晚上还要花大概2个小时复盘、录入系统。
缺的是一个销售AI把事前、事中、事后串起来：前面做路线规划，中间准备客户沟通材料，沟通之后做小记，再与系统打通，把信息推给后续人员跟进。
这家企业从一个原本销售最落后的省份做试点；今年上半年，该省被评为最先进的销售区域，拿到了全公司的销冠。
增长可以拆成三类：售前营销（投前预算分配、渠道分析、人群挖掘；投中素材生成、素材管理、素材优化；投后复盘、渠道筛选、渠道优化）、售中销售（新客、新购、转介绍——试驾、试吃、试穿等动作本身也是数据问题）、售后客服（交付履约、售后投诉、长期复购）。
产品形态是“4+X”：营销、销售、客服、运营四个预设Agent，是相应行业里具备五到十年工作技能的岗位标杆；X是企业数据资产和企业上下文管理，包括数据权限、资金审批、投放权限、客服呼入权限和资金赔偿上限。

12. 一年多的部署周期与一周的分时段上岗

朋新宇的坦诚是：讲起来两句话，实际做了一年多——熟悉工作岗位占了三分之一以上，之后建模，后面又有大约三分之一时间用于AI导师团调教；真正的实施、执行和系统上线反而很快。核心难点是组织和生产关系的变化，解放思想很重要。
上岗不是通常的切流量灰度，而是切时段：第一天切凌晨0点到2点（需求低谷，影响面可控），复盘调整后第二天切中午12点到下午2点的全量峰值流量——“只有全量运行，我们才知道异常的边界”，看哪些地方有毛刺、会让客户投诉发火，哪些地方处理得比人更好；第三天放大到8个小时，一周内让它变成符合企业设定参照系的Agent。
他对角色的理解也发生了变化：“原来我们把它当成一个工具，现在我是真的把它当成一个同伴。”教会它以后，在人不在或凌晨时段，它就能完全接管工作，而不是只执行一个指令。
打动董事长的不是话术而是MVP：团队用AI工具快速做出原型后，董事长说：“没看到之前，我不知道自己要什么；但这个就是我想要的。”

13. FDE不是一个人，是一个组织：BA、AI架构师、教练团

“要一个人具备这么多能力，全才非常难”，瓴羊分三类角色：BA（业务结果导向，懂美妆、家电、家居、宠物、汽车等行业，能编排两百多步客服流程并设定科学评测标准）；AI架构师（把业务问题翻译成用什么尺寸的模型、哪些环节人工干预、哪些环节机器接管，持续掌握新模型和新Agent）；首席客服、首席销冠等业务专家教练团。
在调教环节，瓴羊的角色会弱一些、退后一些，从客户侧挑选最好的客服、销售等角色，组成AI专家团或AI教练团。
长期判断是，大型企业或原来平台化、IT和技术能力较好的企业，内部未来应具备这几类角色；现阶段则可以借助瓴羊快速知道同行业的最佳水平，帮助企业少走弯路。

14. Token账单与模型选择：企业不必自己关心CPU

现身说法：瓴羊在第1季度结束时有一个AI项目，收入可能是300万元、投入1200万元；慢慢到这个季度结束时，基本能看到打平。正因经历过初期投入，设计Agent时才不希望客户对Token过度敏感，而是关注解决了什么问题——“能不能算得过来账？算得过来，背后用什么Token，大部分老板其实并不重要”。
模型策略无执念：阿里云平台上的模型都在用，阿里系模型和开源模型如Kimi、智谱都可以，根据场景选择性价比最高的模型。就像买电脑未必需要企业自己讨论CPU、芯片和内存，客户主要看最终结果。
私有化部署有两笔账：现在“积木”已经强到没有人再提后训练；阿里大尺寸模型、Kimi这类模型的参数规模都是2TB多，私有化部署没有几千万元的初始投入可能做不下来。
数据焦虑也需要区分系统层和模型层：Agent调用大模型时，大模型并不会吸收企业这些数据；可能采集数据的是编程、web coding这样的Agent。像ChatGPT这样的C端产品，用户与它对话时可以采集相关数据用于优化产品，用户也可以关闭“用于数据训练”的设置。瓴羊的做法是把数据放在企业自己的Agent里，系统可以部署在企业内部，做到可观、可控。
模型升级不是自动切换：Agent会稳定绑定在确定的模型上，升级必须经过人工确认。只有测试出某个模型足以带来收益，才制定升级方案；企业侧还绑定着流程、权限和管理边界，真正要的是稳定的工作输出。

15. 一号位的态度变化很大，中美FDE不可完全比较

今年最大的变化是：“原来大家都在问怎么用、能不能用；现在直接跳过了这个阶段，开始问什么时候能帮我用上。”朋新宇感受到的拐点在今年春节之后“龙虾”兴起以后，加上后面的哈里斯工程以及现在路普等趋势，关注点从模型参数、跑分转移到AI能不能执行任务。“企业家是最聪明、最敏锐的一批人。”
中美结构差异有两点：美国有Salesforce、SAP奠定的工作流和数据标准，中国这部分相对缺乏，“从第一天打桩、盖楼，到上面装修，一系列事情都要做完”；付费习惯也不同，中国大企业普遍有自己的IT团队，单做交付就会遇到市场稀缺和市场饱和的问题。
角色上，美国FDE可能来自Salesforce、SAP等传统SaaS平台，也可能来自Facebook、Google等互联网平台；中国则需要更多站在客户视角，利用淘宝、天猫、企业微信等互联网平台协同工作。只做功能集成和交付容易落入比价，从互联网平台出来的人懂流量、互联网运作和平台协同，具有天然优势。
中国和美国谁领先、同步还是滞后，朋新宇不给结论：“我没有数据，所以没法对比我们比别人好还是不好。”最终客户会用订单和续费表达服务好不好，目前看下来“so far so good”。

16. 人、事、局：AI时代该长什么技能

作为CEO最关注的三件事是“人、事、局”：人是让客户侧和员工更快、更好地从AI中成长出来；内部每月举办一期AI最佳实践员工座谈会，客户侧每个月或者每年举办“数据同学会”。事是找到处在势能上的事情，让客服、营销、销售Agent在客户内部自增长、形成口碑传播；局则包括AI格局、技术、工程、模型和业务架构的进化局势。
招人的三类能力结合：懂技术、懂业务（“技术往业务走的难度可能更低一些”，业务也可以是专才而非全才）、懂数据。懂数据不是天天看报表，而是具备三个基本功：同比（增长180万元是好是坏）、对比（和自己、竞争对手、另一个品牌或产品比）、占比（180万元是市场的万分之一还是十分之一）。数据提供参照系和靶子。
当年“数据科学家”的title后来去掉了“家”，因为要强调方法科学，而不是人的位置。To B行业经验仍是壁垒，只是原来可能要10年学会的东西，今天可能1年或2年就能掌握；年轻人要站在别人的肩膀上成长，而不是从零开始。
企业侧AI有两条路：“加AI”是给现有数据分析、数据治理、风控等系统加AI，软件可能从给人用转为给AI用，价值重新分配；“AI加”则是在客服、营销、导购、投手等领域重新定义工作。回到企业本质，哪里耗人、耗钱、耗时最多，哪里就最容易探索“AI加”。

所有人仍然低估了 AI 市场的规模 | Eric Vishria AI 正在错误的抽象层级上学习——Matthieu Wyart