《企业AI落地实战FDE》

AI 买了、账号开了、培训做了，为什么业务还是老样子？

——业务负责人与项目组的企业 AI 落地实战工作坊

主讲：刘惠平老师

【课程背景】

去年到今年，几乎每一家企业都上了 AI。老板签字买了账号，IT 部门开通了权限，人力资源组织了培训，供应商还送了两场宣讲。看上去该做的都做了。

可三个月之后再问一句，答案往往很难看：账号日活不到 15%，用的人只拿它写周报、改 PPT；业务部门说没感觉到有什么变化；IT 部门说业务部门不配合；老板问那我们到底省了多少钱，全场没人答得上来。

问题出在哪？大多数企业把 AI 当成了一次软件采购——买工具、开账号、做培训，然后等着效果自己发生。但 AI 真正难的不是买，是进流程：要让 AI 接管客服应答、报价生成、质检判定、工单派单这些具体的业务动作，就得有人把一个岗位一天在干什么拆开来看，把判断依据问清楚，把能交给 AI 的环节切出来，还得先量好原来的基线，才能证明改善了多少。

这件事，采购部门做不了，业务部门自己也不会做，外包开发又不懂业务。这就是为什么试点做完就停会成为常态——不是 AI 不行，是没人把这段路走完。

本课程讲的 FDE（前线部署工程师）模式，就是为了走完这段路：不卖软件、不做咨询报告，把 AI 工程师派到业务一线，用望闻问切拆解岗位工作流，先建立基线、再小场景验证、最后分阶段验收扩展。课程中所有案例与数字，均来自讲师本人带队驻场交付的真实项目。

【课程收益】

● 拆解一个真实岗位的一天，用望闻问切四步法产出 15 个以上候选场景的《AI 降本机会清单》，并按频次、单价、可测性排出投入优先级。

● 为一个真实场景写出完整的《AI 改造方案书》，包含基线数据、验证周期与验收标准三要素，可同时通过业务部门与 IT 部门的联合评审。

● 掌握 AI 项目的三条验收门槛，区分演示效果与生产效果，设定人工兜底率与达标率指标，避免试点即终点。

● 制定《90 天 AI 落地路线图》，明确每阶段的责任人、交付物与止损条件，把 1 个成功场景复制到 N 个同类岗位。

● 掌握《企业 AI 数据合规自检清单》，明确哪些数据不能上公有云，以及私有化部署与等保三级的适用边界。

【课程对象】数字化转型负责人、业务线负责人与部门总监、信息化/IT 负责人、数字化转型办公室与创新项目组成员（建议 30 人以内，分 5–6 组，每组须自带 1 个真实岗位场景）

【课程时间】2天（6小时/天）

【课程大纲】

一、为什么 95% 的企业 AI 停在写周报这一层？

1.企业 AI 落地的三层台阶

第一层个人提效：买了工具个人在用，典型动作是写文案、做 PPT、润色邮件

第二层流程提效：AI 嵌进某个业务节点，如客服应答、报价生成、质检判定

第三层组织提效：AI 成为岗位编制的一部分，老员工离职后能力仍在系统里

案例：新特电气用 6 个月从第一层爬到第三层，运营效率提升 72%

2.停在第一步的三个卡点

没有人拆工作流：业务部门说不清自己一天在做什么，IT 按招标书做需求

没有基线：上线前不知道原来要多久、错多少，上线后说不清改善多少

没有责任人：项目挂在 IT 部门，业务部门不认账，试点后无人推广

工具：企业 AI 成熟度三阶自评表

演练：给本企业的 AI 应用分阶，指出卡在哪一层、卡在哪个卡点

二、买了工具还是落不了地，问题到底出在哪？

1.三种投入方式的成本与风险

买工具：启动快、单价低，但进不了业务流、数据出不了内网

买咨询：方向清晰、管理层易达成共识，但交报告不交结果

派 FDE：交可运行的数字员工与可验收数据，适用有明确高频场景的企业

工具：三种 AI 投入方式对照表

2.为什么买一套 AI 平台解决不了落地问题

平台解决的是有没有，落地解决的是用不用、用得值不值

真正的缺口：业务与 AI 之间缺一个能同时听懂两边话的人

三、什么是 FDE？和咨询、外包有什么不一样？

1.FDE 的定义与边界

Frontier Deployment Engineer，前线部署工程师

不是咨询顾问：不交报告，交可运行的数字员工

不是外包开发：驻场在业务侧，与业务骨干共同定义需求

2.与传统 IT 项目的四个不同

需求来源：从岗位工作流里长出来，不是从招标书里抄来

交付物：可运行的智能体加可验收的数据

节奏：两周一个循环，而不是三个月一个里程碑

组队方式：AI 工程师与业务骨干结对工作

四、怎么拆一个岗位的工作流？——望闻问切四步法

1.望：看一个岗位一天在做什么

把 8 小时工作切分为可观察的动作，记录频次与耗时

工具：岗位工时采样表

2.闻：听异常与返工在哪里发生

高频异常点、返工点清单，找出最容易出错的环节

工具：异常与返工记录表

3.问：问清楚老员工凭什么做这个判断

把经验翻译成规则加数据，这是最难也最关键的一步

工具：专家经验萃取问询清单

4.切：切出能交给 AI 的环节

四条判断标准：高频、有数据、有规则、可容错

工具：AI 适配性四象限判断卡

演练：现场拆解本组带来的真实岗位，产出 15 个以上候选场景

五、没有基线，为什么就没法验收？

1.三类必须采集的基线数据

时间基线：现在做这件事要多久

质量基线：现在的准确率、返工率是多少

成本基线：现在花了多少人力与钱

工具：AI 场景基线数据表

2.基线与验收的关系

没有基线就没有改善幅度，没有改善幅度就无法判断是否值得推广

讨论：一个说不清基线的项目，验收时会遇到什么争议

六、小场景怎么选、两周循环怎么跑？

1.选场景的三条标准

足够窄：一个岗位的一个动作；足够高频：每天或每周都在发生；足够可测：结果能数出来

2.两周循环的工作节奏

第 1–3 天工作流拆解与数据准备；第 4–7 天智能体搭建与内部试跑

第 8–10 天业务侧真人试用与纠偏；第 11–14 天验收指标复盘与迭代

工具：AI 场景改造方案书模板（含基线、周期、验收三项）

演练：为本组场景写出完整方案书并完成基线设定

七、试点做完就停，怎么从 1 复制到 N？

1.三个验收门槛

连续 20 次真实任务的达标率，区分演示效果与生产效果

人工兜底率：AI 处理后仍需人工介入的比例

使用者主观评价：业务岗是否愿意继续用

2.复制路径与判断

同岗位复制到同类岗位，再复制到跨部门

工具：场景复制可行性评估表

案例：厦门连锁餐饮企业从点单推荐复制到全店运营的过程

八、怎么让 AI 留在组织里？

1.数字员工进编制

给 AI 岗位命名、定职责、定汇报关系，纳入组织架构表

工具：数字员工岗位说明书模板

2.老员工离职前的经验萃取

离职前 30 天的经验交接流程，避免人走能力走

工具：关键岗位经验萃取访谈提纲

3.私有化部署与合规红线

不能上公有云的数据：客户个人信息、健康数据、财务数据、未公开工艺

等保三级与私有化部署的适用边界

工具：企业 AI 数据合规自检清单

4.90 天路线图

第 0–30 天选场景建基线跑通第一个智能体；第 31–60 天扩展到 3 个场景并建立知识库运营机制

第 61–90 天数字员工进编制，形成可复制路径

工具：90 天 AI 落地路线图模板

演练：每组产出《本企业 AI 落地方案书》，现场交叉评审并点评